[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-znxlwm--UGATIT-pytorch":3,"tool-znxlwm--UGATIT-pytorch":62},[4,18,26,35,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"ai_summary_zh":68,"readme_en":69,"readme_zh":70,"quickstart_zh":71,"use_case_zh":72,"hero_image_url":73,"owner_login":74,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":77,"owner_email":79,"owner_twitter":77,"owner_website":77,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":90,"env_deps":92,"category_tags":97,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":141},6326,"znxlwm\u002FUGATIT-pytorch","UGATIT-pytorch","Official PyTorch implementation of U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation","UGATIT-pytorch 是一个基于 PyTorch 框架实现的图像风格迁移工具，源自著名的 U-GAT-IT 研究论文。它专注于解决“无监督图像到图像翻译”难题，即在没有成对训练数据的情况下，将图片从一种风格转换为另一种风格（例如将真人自拍转换为动漫风格，或将夏季风景变为冬季雪景）。\n\n与传统方法不同，UGATIT-pytorch 特别擅长处理需要大幅改变物体形状或整体几何结构的复杂任务。其核心亮点在于引入了独特的“注意力模块”和自适应层 - 实例归一化（AdaLIN）技术。注意力机制能引导模型精准识别源域与目标域的关键差异区域，而 AdaLIN 函数则让模型能够根据数据集特性，灵活调节形状和纹理的变化幅度，从而在保持内容一致性的同时实现更自然的风格转换。\n\n这款工具非常适合人工智能研究人员、深度学习开发者以及需要高质量风格迁移效果的技术型设计师使用。对于希望探索前沿生成对抗网络（GAN）架构，或需要在自定义数据集上训练特定风格转换模型的团队来说，UGATIT-pytorch 提供了清晰的代码结构和灵活的参数配置（如针对显存不足的轻量化模式），是复现经典算法并进行二次开发的理想选","UGATIT-pytorch 是一个基于 PyTorch 框架实现的图像风格迁移工具，源自著名的 U-GAT-IT 研究论文。它专注于解决“无监督图像到图像翻译”难题，即在没有成对训练数据的情况下，将图片从一种风格转换为另一种风格（例如将真人自拍转换为动漫风格，或将夏季风景变为冬季雪景）。\n\n与传统方法不同，UGATIT-pytorch 特别擅长处理需要大幅改变物体形状或整体几何结构的复杂任务。其核心亮点在于引入了独特的“注意力模块”和自适应层 - 实例归一化（AdaLIN）技术。注意力机制能引导模型精准识别源域与目标域的关键差异区域，而 AdaLIN 函数则让模型能够根据数据集特性，灵活调节形状和纹理的变化幅度，从而在保持内容一致性的同时实现更自然的风格转换。\n\n这款工具非常适合人工智能研究人员、深度学习开发者以及需要高质量风格迁移效果的技术型设计师使用。对于希望探索前沿生成对抗网络（GAN）架构，或需要在自定义数据集上训练特定风格转换模型的团队来说，UGATIT-pytorch 提供了清晰的代码结构和灵活的参数配置（如针对显存不足的轻量化模式），是复现经典算法并进行二次开发的理想选择。","## U-GAT-IT — Official PyTorch Implementation\n### : Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fznxlwm_UGATIT-pytorch_readme_45cee7068d3d.png\">\n\u003C\u002Fdiv>\n\n### [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.10830) | [Official Tensorflow code](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FUGATIT)\nThe results of the paper came from the **Tensorflow code**\n\n\n> **U-GAT-IT: Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization for Image-to-Image Translation**\u003Cbr>\n>\n> **Abstract** *We propose a novel method for unsupervised image-to-image translation, which incorporates a new attention module and a new learnable normalization function in an end-to-end manner. The attention module guides our model to focus on more important regions distinguishing between source and target domains based on the attention map obtained by the auxiliary classifier. Unlike previous attention-based methods which cannot handle the geometric changes between domains, our model can translate both images requiring holistic changes and images requiring large shape changes. Moreover, our new AdaLIN (Adaptive Layer-Instance Normalization) function helps our attention-guided model to flexibly control the amount of change in shape and texture by learned parameters depending on datasets. Experimental results show the superiority of the proposed method compared to the existing state-of-the-art models with a fixed network architecture and hyper-parameters.*\n\n## Usage\n```\n├── dataset\n   └── YOUR_DATASET_NAME\n       ├── trainA\n           ├── xxx.jpg (name, format doesn't matter)\n           ├── yyy.png\n           └── ...\n       ├── trainB\n           ├── zzz.jpg\n           ├── www.png\n           └── ...\n       ├── testA\n           ├── aaa.jpg \n           ├── bbb.png\n           └── ...\n       └── testB\n           ├── ccc.jpg \n           ├── ddd.png\n           └── ...\n```\n\n### Train\n```\n> python main.py --dataset selfie2anime\n```\n* If the memory of gpu is **not sufficient**, set `--light` to True\n\n### Test\n```\n> python main.py --dataset selfie2anime --phase test\n```\n\n## Architecture\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fgenerator.png' width = '785px' height = '500px'>\n\u003C\u002Fdiv>\n\n---\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fdiscriminator.png' width = '785px' height = '450px'>\n\u003C\u002Fdiv>\n\n## Results\n### Ablation study\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fablation.png' width = '438px' height = '346px'>\n\u003C\u002Fdiv>\n\n### User study\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fuser_study.png' width = '738px' height = '187px'>\n\u003C\u002Fdiv>\n\n### Comparison\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fkid.png' width = '787px' height = '344px'>\n\u003C\u002Fdiv>\n","## U-GAT-IT — 官方 PyTorch 实现\n### 无监督生成注意力网络，结合自适应层实例归一化用于图像到图像的转换\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fznxlwm_UGATIT-pytorch_readme_45cee7068d3d.png\">\n\u003C\u002Fdiv>\n\n### [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.10830) | [官方 TensorFlow 代码](https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FUGATIT)\n论文中的实验结果来源于 **TensorFlow 代码**\n\n\n> **U-GAT-IT：无监督生成注意力网络，结合自适应层实例归一化用于图像到图像的转换**\u003Cbr>\n>\n> **摘要** *我们提出了一种新颖的无监督图像到图像转换方法，该方法以端到端的方式整合了一个新的注意力模块和一个新的可学习归一化函数。注意力模块通过辅助分类器生成的注意力图，引导模型聚焦于区分源域和目标域的更重要区域。与以往基于注意力的方法无法处理域间几何变化不同，我们的模型既能转换需要整体性改变的图像，也能转换需要大幅形状变化的图像。此外，我们提出的 AdaLIN（自适应层实例归一化）函数能够根据数据集的不同，通过学习得到的参数灵活控制形状和纹理的变化程度。实验结果表明，与采用固定网络架构和超参数的现有最先进模型相比，所提出的方法具有显著优势。*\n\n## 使用方法\n```\n├── dataset\n   └── YOUR_DATASET_NAME\n       ├── trainA\n           ├── xxx.jpg (名称、格式不限)\n           ├── yyy.png\n           └── ...\n       ├── trainB\n           ├── zzz.jpg\n           ├── www.png\n           └── ...\n       ├── testA\n           ├── aaa.jpg \n           ├── bbb.png\n           └── ...\n       └── testB\n           ├── ccc.jpg \n           ├── ddd.png\n           └── ...\n```\n\n### 训练\n```\n> python main.py --dataset selfie2anime\n```\n* 如果 GPU 显存 **不足**，请将 `--light` 设置为 True\n\n### 测试\n```\n> python main.py --dataset selfie2anime --phase test\n```\n\n## 架构\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fgenerator.png' width = '785px' height = '500px'>\n\u003C\u002Fdiv>\n\n---\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fdiscriminator.png' width = '785px' height = '450px'>\n\u003C\u002Fdiv>\n\n## 结果\n### 消融实验\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fablation.png' width = '438px' height = '346px'>\n\u003C\u002Fdiv>\n\n### 用户研究\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fuser_study.png' width = '738px' height = '187px'>\n\u003C\u002Fdiv>\n\n### 对比\n\u003Cdiv align=\"center\">\n  \u003Cimg src = '.\u002Fassets\u002Fkid.png' width = '787px' height = '344px'>\n\u003C\u002Fdiv>","# UGATIT-pytorch 快速上手指南\n\nUGATIT (Unsupervised Generative Attentional Networks with Adaptive Layer-Instance Normalization) 是一种用于无监督图像到图像翻译的先进模型。它通过引入注意力模块和自适应层 - 实例归一化（AdaLIN），能够灵活处理需要整体风格变化或大幅形状变化的图像转换任务（如人像转动漫）。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 需使用 WSL 或类似环境)\n*   **Python**: 3.6 或更高版本\n*   **深度学习框架**: PyTorch (建议版本 1.0+)\n*   **GPU**: 推荐使用 NVIDIA GPU 以加速训练。若显存较小，可使用 `--light` 模式。\n\n**安装依赖：**\n\n建议使用国内镜像源加速安装过程。\n\n```bash\npip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install opencv-python pillow scipy dominate -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1.  **克隆仓库**\n    从 GitHub 获取官方 PyTorch 实现代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Ftaki0112\u002FUGATIT-pytorch.git\n    cd UGATIT-pytorch\n    ```\n\n2.  **准备数据集**\n    按照以下目录结构组织您的训练和测试数据。文件名和格式（jpg, png 等）不限。\n    \n    假设您的数据集名为 `selfie2anime`，目录结构应如下：\n    ```text\n    dataset\u002F\n    └── selfie2anime\n        ├── trainA          # 源域训练图片 (例如：真人照片)\n        │   ├── xxx.jpg\n        │   └── ...\n        ├── trainB          # 目标域训练图片 (例如：动漫头像)\n        │   ├── zzz.jpg\n        │   └── ...\n        ├── testA           # 源域测试图片\n        │   ├── aaa.jpg\n        │   └── ...\n        └── testB           # 目标域测试图片\n            ├── ccc.jpg\n            └── ...\n    ```\n    *注：您可以将整理好的文件夹直接放入项目根目录下的 `dataset` 文件夹中。*\n\n## 基本使用\n\n### 1. 训练模型\n\n运行以下命令开始训练。以 `selfie2anime` 数据集为例：\n\n```bash\npython main.py --dataset selfie2anime\n```\n\n> **提示**：如果您的 GPU 显存不足（例如小于 11GB），请添加 `--light` 参数以启用轻量级模式：\n> ```bash\n> python main.py --dataset selfie2anime --light\n> ```\n\n### 2. 测试模型\n\n训练完成后（或加载预训练权重后），使用以下命令生成转换后的图像：\n\n```bash\npython main.py --dataset selfie2anime --phase test\n```\n\n生成的结果图像通常保存在 `results` 目录中。","一家独立游戏工作室的美术团队正致力于将大量真人自拍素材快速转化为统一的二次元动漫风格，以构建游戏角色库。\n\n### 没有 UGATIT-pytorch 时\n- **成对数据缺失**：传统监督学习模型需要严格匹配的“真人 - 动漫”成对图片进行训练，但团队根本无法收集到如此大规模且姿态表情完全一致的数据集。\n- **几何形变处理失败**：现有无监督方法在处理人脸转向、发型改变等大尺度几何形状变化时，往往导致五官扭曲或背景崩坏，无法保持人物特征。\n- **风格迁移生硬**：缺乏自适应调节机制，模型难以平衡纹理（如皮肤质感）与形状（如眼睛大小）的变换比例，生成的图像要么像加了滤镜的照片，要么完全丢失原人物神韵。\n- **人工修图成本高昂**：为了弥补算法缺陷，美术人员必须对每张生成图进行手动重绘和修整，严重拖慢了项目迭代进度。\n\n### 使用 UGATIT-pytorch 后\n- **无需成对数据训练**：利用其无监督特性，团队直接放入独立的真人照片集和动漫图集即可开始训练，彻底打破了数据配对的瓶颈。\n- **精准捕捉关键区域**：借助注意力模块（Attention Module），UGATIT-pytorch 能智能识别人脸关键特征，即使在头部大角度转动或发型剧烈变化时，也能保持五官结构自然合理。\n- **自适应风格控制**：通过独有的 AdaLIN 函数，模型根据数据集自动学习形状与纹理的改变幅度，既保留了真人的神态，又完美赋予了动漫的笔触风格。\n- **端到端高效产出**：生成的图像质量大幅提升，可直接用于游戏资产，减少了 90% 的后期人工修饰工作，让美术团队能专注于创意设计而非重复劳动。\n\nUGATIT-pytorch 通过引入注意力机制与自适应归一化技术，成功解决了非成对数据下的大尺度图像风格迁移难题，实现了从真人到动漫的高质量自动化转换。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fznxlwm_UGATIT-pytorch_45cee706.png","znxlwm","Hyeonwoo Kang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fznxlwm_9426cc54.png",null,"NCSOFT AI Research","znxlwm@gmail.com","https:\u002F\u002Fgithub.com\u002Fznxlwm",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,2546,470,"2026-04-02T06:02:18","MIT","未说明","需要 NVIDIA GPU（基于 PyTorch 实现），显存需求取决于是否开启 --light 模式，原文提示若显存不足需设置该参数，具体型号和 CUDA 版本未说明",{"notes":93,"python":90,"dependencies":94},"1. 该工具为论文 U-GAT-IT 的官方 PyTorch 实现，但论文原始结果基于 TensorFlow 代码得出。\n2. 数据集需按照特定目录结构存放（trainA, trainB, testA, testB）。\n3. 若 GPU 显存不足，必须在运行命令中添加 '--light' 参数以降低内存占用。",[95,96],"pytorch","torchvision",[15],"2026-03-27T02:49:30.150509","2026-04-11T03:27:29.453919",[101,106,111,116,121,126,131,136],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},28641,"运行时提示 'RuntimeError: Found 0 files in subfolders' 找不到数据集文件是怎么回事？","仓库中提供的数据集文件夹通常只包含示例文件或为空。你需要自己准备数据集，将图片放入对应的子文件夹中（例如 `dataset\u002Fselfie2anime\u002FtrainA` 和 `trainB`），确保文件格式为支持的类型（.jpg, .jpeg, .png 等）。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F19",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},28640,"测试时出现 '[*] Load FAILURE' 错误怎么办？","这是因为缺少预训练模型文件。你需要将训练好的或下载的预训练模型文件放入 `results\u002Fselfie2anime\u002Fmodel\u002F` 目录下，然后再运行测试命令。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F7",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},28642,"遇到 'CUDA error: out of memory' 显存不足错误如何解决？","这表示你的 GPU 显存不足以支撑当前配置的训练。解决方法有两种：\n1. 使用 `--light True` 参数开启低显存模式（推荐 1080Ti 及以上）。\n2. 通过 `--ch` 参数降低基础通道数（base channel number）以减少显存占用。\n注意：完整模型训练通常需要 V100 32GB 显存。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F10",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},28643,"为什么训练时的默认 batch size 是 1？可以调大吗？","默认设置为 1 主要有两个原因：\n1. 许多类似的生成对抗网络工作（如 CycleGAN, MUNIT）都使用 batch size 1。\n2. UGATIT 模型非常消耗显存，较大的 batch size 容易导致显存溢出。\n如果显存允许，你可以尝试增大该值，但通常建议保持为 1 或使用多 GPU 训练。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F8",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},28644,"`--light` 标志是用来开启 CPU 模式的吗？","不是。`--light` 标志代表“低显存占用模式”（low gpu memory usage setting），仍然需要使用 GPU 运行。\n如果你确实需要在 CPU 上运行，请使用参数 `--device 'cpu'`。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F3",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},28645,"代码中为什么定义了 4 个判别器（Discriminator）？","这是为了实施多尺度判别策略（multi-scale discriminator）。其中两个判别器用于全局特征（global），另外两个用于局部特征（local），以帮助模型更好地捕捉图像的细节和整体结构。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F34",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},28646,"新手如何运行这个项目？提示 ImportError 缺少 torch 模块。","首先你需要安装所有依赖库，特别是 PyTorch。可以使用 pip 安装：`pip install torch torchvision` 等。\n此外请注意，该项目没有提供预训练权重，你需要自己准备数据集并从头开始训练网络，这对初学者来说可能比较复杂且耗时。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F27",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},28647,"PyTorch 版本中的 AdaILN 和 ILN 层的 Rho 参数是否有约束？","早期版本中确实存在与 TensorFlow 版本及论文描述不一致的问题，即 Rho 参数未被裁剪或约束。该问题已被社区发现并通过 Pull Request 修复，建议拉取最新代码以确保与原版算法一致。","https:\u002F\u002Fgithub.com\u002Fznxlwm\u002FUGATIT-pytorch\u002Fissues\u002F4",[]]