我当时做的是菜谱类APP，可以根据需要自行修改，附上一份课程设计报告（共22页），手把手做的，期末实验成绩还不错，哈哈。如果有需要一些元件库的，可以私聊我我发给你

该模板作品为APP原型设计的通用模块（作者自用"底板"），包括登录注册、本机号码一键登录、系统设置、隐私管理、帐号与安全（设置手机号/邮箱/登录密码/支付密码）、关于我们、消息中心等模块与功能。 本模板作品适用于现今几乎所有的APP（特别是以手机号+短信验证码快捷注册的APP），可作为APP基础模板/万用模板，来设计您的APP原型作品。 作品页数：共 52 页 兼容软件：Axure RP 8/9/10 应用领域：几乎所有APP移动端 详细介绍：https://blog.csdn.net/congzi530/article/details/114542983

寻找宝宝产品设计原型，Axure源文件版本，完整高保真产品需求原型设计。供参考和学习使用。

足迹社交产品需求原型，Axure源文件版本,高保真需求原型设计，含关注，广场，发布，消息，个人等

按照某专业网站1:1复刻的原型图。

原型设计大师——电商原型设计：“天猫商城” 高保真原型，Axure RP 7.0 从入门到精通，仅供学习使用

vq-vae-2-pytorch在PyTorch中使用VQ-VAE-2生成各种高保真图像的实现必需的Python> = 3.6 PyTorch> = 1.1 lmdb（用于存储提取的代码）VQ-VAE pretra vq-vae-2的检查点-pytorch在PyTorch更新2020-06-01中使用VQ-VAE-2生成各种高保真图像的实现现在支持分布式训练。train_vqvae.py和vqvae.py现在支持分布式训练。 您可以对train_vqvae.py使用--n_gpu [NUM_GPUS]个参数在训练期间使用[NUM_GPUS]。 必需的Python> = 3.6 PyTorch> = 1.1 lmdb（用于存储提取的代码）在FFHQ上预先训练的VQ-VAE的检查点用法当前支持256px（顶部/底部优先级）Stage 1（VQ-VAE）python train_v

适用于小型和高分辨率图像集的快速稳定的GAN-pytorch 该文件的正式pytorch实施“走向更快，更稳定的GAN训练，以实现高保真的少量拍摄图像合成”，可在找到该文件。 0.数据 本文中使用的数据集可以在上找到。 在对20多个数据集进行测试后，每个数据集的图像少于100个，该GAN会收敛到其中的80％。 对于该GAN可以收敛的数据集，我仍然无法总结出明显的“良好属性”模式，请随时尝试使用您自己的数据集。 1.说明 该代码的结构如下： models.py：所有模型的结构定义。 operation.py：培训过程中的辅助功能和数据加载方法。 train.py：代码的主要条目，执行此文件以训练模型，中间结果和检查点将自动定期保存到文件夹“ train_results”中。 eval.py：将图像从受过训练的生成器生成到文件夹中，该文件夹可用于计算FID分数。 基准测试：我们用

Axure制作版本：8.1（兼容Axure9.0） 产品类型：该组件的icon图标包含医疗行业、教育行业常用的高保真图标。 UI设计师和产品经理都可复用 当前版本：V1.1

诸如GAN之类的生成模型的评估是深度学习研究的重要组成部分。 在2D图像生成领域，三种方法得到了广泛传播：初始分数（aka IS） ，弗雷谢特初始距离（aka FID） 和内核初始距离（aka KID） 。 这些指标尽管具有清晰的数学和算法描述，但最初是在TensorFlow中实现的，并继承了框架本身的一些属性（请参阅Interpolation）和它们所依赖的代码（请参见Model）。 这些设计决策已有效地纳入评估协议，并成为度量标准规范的固有组成部分。 结果，希望在生成建模中与最新技术进行比较的研究人员被迫使用原始度量标准作者的代码库进行评估。 虽然可以在PyTorch和其他框架中重新实现指标，但是它们不能提供适当级别的保真度，因此使其不适合报告结果并将其与其他方法进行比较。 该软件旨在在PyTorch中提供上述指标的epsilon精确实现，从而消除与生成模型评估和开发相关的不便