1. 项目概述：从“鸡哥厨房”到开源AI工具集

最近在GitHub上看到一个挺有意思的项目，叫“JIGGAI/ClawKitchen”。乍一看这名字，你可能以为是个美食或者游戏模组仓库，但点进去才发现，这是一个围绕AI图像生成与处理的开源工具集合。项目名“ClawKitchen”直译是“爪子厨房”，结合创建者“JIGGAI”的ID，很容易让人联想到网络上流行的“鸡哥”梗文化，这种命名方式本身就带有很强的社区亲和力和趣味性。但别被名字迷惑了，这个厨房里烹饪的可不是家常菜，而是各种用于“抓取”（Claw）和处理AI生成内容的“配方”与“工具”。

这个项目的核心，是提供一系列实用脚本、工作流和解决方案，主要服务于使用Stable Diffusion等扩散模型进行AI绘画的创作者和开发者。如果你自己玩过Stable Diffusion WebUI（Automatic1111或ComfyUI），肯定遇到过不少头疼的问题：生成的图片分辨率不够高，细节模糊；想批量处理一堆图片的某个步骤，手动操作效率极低；或者看到别人分享了一个酷炫的效果，却不知道背后的工作流是怎么搭建的。ClawKitchen试图扮演的就是这样一个“工具箱”和“食谱站”的角色，它把一些经过实践检验的、能提升出图质量或优化工作流程的代码和方法论，打包成易于使用和修改的形式。

对我而言，这类项目最大的价值在于“去神秘化”和“可复现”。AI绘画领域发展极快，每天都有新的模型、新的技术（如ControlNet、LoRA、IP-Adapter）出现，但很多高级技巧和优化方案都散落在论坛、Discord频道或付费教程里，不成体系。ClawKitchen这样的开源项目，相当于一位乐于分享的资深玩家，把自己的“武功秘籍”整理成了公开的菜谱。无论你是刚入门的新手，想快速提升出图质量，还是有一定经验的开发者，希望寻找某个特定功能（比如人脸修复、高清放大、风格迁移）的实现参考，都能在这里找到可以直接运行或借鉴的代码。

2. 核心功能模块深度解析

ClawKitchen仓库的结构通常不会特别复杂，但里面包含的脚本和工具往往直击痛点。虽然具体文件可能随版本更新，但我们可以根据其项目定位，拆解出几个最可能存在的核心功能模块，并深入探讨其背后的技术原理和实用价值。

2.1 图像超分辨率与高清修复

这几乎是所有AI绘画工具的必备后处理环节。扩散模型，尤其是那些基于潜在空间（Latent Space）的模型，为了平衡计算资源和生成质量，通常在较低的分辨率（如512x512或768x768）下进行去噪采样。直接输出这样的图片，在屏幕上放大观看时，往往会显得细节不足、边缘模糊，甚至出现一些结构性错误。

ClawKitchen中很可能包含了针对性的高清放大（Hires. fix）或后期超分（Upscale）方案。这不仅仅是简单调用一个ESRGAN或Real-ESRGAN模型。一个成熟的方案会考虑以下几点：

1. 放大倍率与算法的匹配：

• 保守放大（2x-4x） ：对于小幅提升，像经典的ESRGAN、Real-ESRGAN及其变种（如Real-ESRGAN-anime）效果已经很好，它们在恢复纹理和去模糊方面表现稳定。ClawKitchen可能会提供预训练好的模型文件（.pth）以及对应的推理脚本。
• 激进放大或追求极致细节 ：可能会集成像SwinIR、GFPGAN（专攻人脸）、CodeFormer（人脸修复与增强）等更先进的模型。特别是对于AI生成的人脸，直接放大很容易暴露扭曲的五官或模糊的皮肤纹理，此时GFPGAN或CodeFormer几乎是必选项。

2. 工作流集成： 一个高级的实现不会让用户手动把生成的图片保存下来，再打开另一个软件处理。ClawKitchen的脚本很可能会设计成能够无缝嵌入到Stable Diffusion WebUI的扩展机制中，或者提供ComfyUI的自定义节点（Custom Node）。例如，它可以作为一个“后处理脚本”在WebUI中调用，在图片生成后自动进行一系列操作：先用人脸修复模型处理检测到的人脸区域，再用通用超分模型处理整张图，最后可能还会加一个轻微的锐化或降噪滤镜来提升观感。

3. 参数调优与批处理： 脚本会暴露关键参数，比如超分模型的强度（upscale strength）、人脸修复的保真度（fidelity）权重。更重要的是，它一定支持批处理（batch processing）。想象一下，你用提示词批量生成了100张图，难道要一张张手动处理吗？一个 process_folder.py 脚本，允许你指定输入文件夹、输出文件夹和参数配置，然后泡杯咖啡回来就全部处理完毕，这才是生产力工具该有的样子。

实操心得：超分不是万能的 很多新手会迷信“4倍超分能让烂图变神图”。实际上，超分模型是在已有信息的基础上进行“猜测”和“补充”。如果原图在低分辨率下就存在严重的结构错误（比如三只手、扭曲的肢体），超分后这些错误可能会被放大甚至固化。高清修复的最佳实践是： 先确保在基础采样阶段得到一张结构正确、构图满意的图，哪怕它分辨率低一些、细节糙一点。然后再使用超分作为“精加工”步骤，去增强纹理、锐化边缘。 顺序错了，事倍功半。

2.2 提示词（Prompt）工程与优化工具

提示词是驱动AI生成内容的“咒语”。但如何编写高效、精准的提示词，是一门经验学。ClawKitchen可能会包含一些辅助提示词工作的工具。

1. 提示词权重分析与优化： Stable Diffusion使用CLIP模型来理解文本。但 (word:1.3) 这样的权重语法具体如何影响生成？ClawKitchen或许会提供一个脚本，用于分析提示词中各个令牌（token）对最终潜变量（latent）的影响程度。这能帮助创作者理解哪些词是真正在起作用，哪些是冗余的，从而精简提示词，提升生成效率。

2. 负面提示词（Negative Prompt）库： 高质量的负面提示词能有效抑制不想要的元素（如“丑陋的”、“多肢的”、“模糊的”）。ClawKitchen可能会整理一个经过社区验证的、针对不同风格（写实、动漫、设计）的负面提示词集合，甚至提供一个脚本，让用户可以根据自己常用的正面提示词风格，自动匹配推荐一组负面提示词。

3. 风格模板与预设： “赛博朋克”、“水墨风”、“吉卜力工作室风格”……这些风格往往对应着一套复杂的提示词组合和模型参数（采样器、步数、CFG Scale）。ClawKitchen可以提供一个“风格配方”管理系统，将成熟的风格保存为预设（ .json 或 .yaml 文件），用户只需选择“水墨风”，就能自动载入对应的正面/负面提示词、采样器（如DPM++ 2M Karras）、步数（如30）、CFG值（如7）等。这极大地降低了风格复现的门槛。

2.3 工作流自动化与批量生成

这是将AI创作从“手工作坊”升级为“流水线”的关键。ClawKitchen的核心价值之一，可能就是提供了一系列自动化脚本。

1. 图生图（img2img）工作流优化： 例如，一个常见的需求是“角色一致性”：生成同一个角色的多角度、多动作的图片。纯靠文生图（txt2img）很难保证一致性。一个自动化工作流可能是：

• 步骤1 ：用一张满意的角色原图，通过反推（Interrogate）得到其文本编码（Prompt）。
• 步骤2 ：使用ControlNet的OpenPose或Depth模型，提取目标姿势或构图的骨架/深度图。
• 步骤3 ：将原图的编码、ControlNet约束和新姿势的提示词结合，进行图生图，并采用较低的去噪强度（如0.3-0.5）以保持角色特征。 ClawKitchen可能会提供一个脚本，将上述步骤打包，用户只需提供原图和目标姿势图，就能自动生成一系列符合要求的图片。

2. 参数网格搜索（Grid Search）： 生成效果受多重参数影响：采样器（Euler a, DPM++, DDIM）、步数（20, 30, 50）、CFG Scale（7, 10, 12）、种子（Seed）等。手动排列组合尝试效率极低。一个 grid_search.py 脚本可以自动遍历你指定的参数组合，批量生成图片，并自动将参数信息写入文件名或生成对比图，帮助你科学地找到最优参数集。

3. 数据集预处理流水线： 对于想训练自己的DreamBooth模型或LoRA的玩家来说，准备训练集是个繁琐活。图片需要统一裁剪成标准大小（如512x512），进行人脸对齐、去除水印、打标签等。ClawKitchen可能包含一套自动化预处理流水线，使用人脸检测库（如dlib或OpenCV的Haar级联分类器）进行对齐，使用Waifu2x或ESRGAN进行初步降噪放大，甚至集成BLIP或DeepDanbooru模型自动为图片生成描述性标签（Caption），为后续训练节省大量时间。

2.4 模型管理与实验分析

当你的模型文件夹里躺着几十个甚至上百个CKPT或Safetensors文件时，如何管理、比较和评估它们？

1. 模型信息快速预览： 一个脚本可以扫描你的模型目录，提取每个模型的元信息（如训练底模、触发词、预览图），并生成一个HTML或Markdown格式的索引页面，方便你快速浏览和选择。

2. 模型对比测试： 给定同一组提示词和种子，用不同的模型分别生成图片，并自动排版成对比图。这比手动切换模型、复制参数要高效得多。ClawKitchen的脚本可以让你一目了然地看出哪个模型在特定风格（如科幻场景、二次元人物）上表现更佳。

3. 生成日志与数据分析： 对于严肃的创作者或研究者，记录每次生成的参数（提示词、模型、种子、步数等）和结果（输出图片路径）至关重要。一个简单的日志系统，将每次运行脚本的生成信息记录到数据库（如SQLite）或JSON文件中，便于后续分析和复现优秀结果。

3. 典型使用场景与实操指南

了解了核心功能后，我们来看几个具体的场景，并模拟一下使用ClawKitchen工具的操作过程。请注意，以下代码和路径均为示例，实际使用时需根据仓库的具体文件结构进行调整。

3.1 场景一：为一批AI头像进行高清人脸修复

假设你有一批用Stable Diffusion生成的半身像，分辨率是512x512，想全部进行高清修复，特别是优化人脸细节。

步骤1：环境准备与依赖安装 首先，克隆仓库并检查依赖。通常这类项目会提供 requirements.txt 。

git clone https://github.com/JIGGAI/ClawKitchen.git
cd ClawKitchen
# 查看是否有环境配置文件
ls -la
# 安装Python依赖，建议使用虚拟环境
pip install -r requirements.txt

依赖可能包括 torch , torchvision , opencv-python , Pillow , 以及 realesrgan , gfpgan 等包的Python接口。

步骤2：准备模型文件 超分和人脸修复需要预训练模型。ClawKitchen可能会在 README 中提供下载链接，或者使用脚本自动下载。通常你需要将下载的 .pth 模型文件放入项目指定的 models 文件夹。

mkdir -p models
# 假设手动下载了 Real-ESRGAN_x4plus.pth 和 GFPGANv1.4.pth
mv ~/Downloads/Real-ESRGAN_x4plus.pth models/
mv ~/Downloads/GFPGANv1.4.pth models/

步骤3：运行批处理脚本 找到专门用于人脸修复和高清放大的脚本，例如 batch_face_enhance.py 。

python scripts/batch_face_enhance.py \
  --input_dir /path/to/your/low_res_portraits \
  --output_dir /path/to/save/high_res_results \
  --face_enhance True \
  --model_name realesrgan-x4plus \
  --face_model_name gfpgan-v1.4 \
  --upscale 2 \
  --bg_upscale True \
  --ext png

参数解析：

• --input_dir : 原始图片所在文件夹。
• --output_dir : 处理后的图片保存文件夹。
• --face_enhance : 是否启用专门的人脸修复。
• --model_name : 选择使用的超分模型。
• --face_model_name : 选择使用的人脸修复模型。
• --upscale : 整体放大倍数。
• --bg_upscale : 是否对非人脸背景也进行超分。
• --ext : 处理的图片格式。

步骤4：结果检查与参数调整 脚本运行后，检查输出文件夹中的图片。如果发现某些图片修复后肤色不自然或细节过假，可以调整参数重新处理部分图片。例如，GFPGAN有一个 --weight 参数（通常叫 fidelity_weight 或 upscale_weight ），范围在0到1之间。越接近1，修复力度越强，但可能引入模型本身的特征；越接近0，则越保留原图特征，但修复效果减弱。可以尝试设置为0.7或0.8进行平衡。

注意事项：批量处理的资源管理 高清修复，尤其是使用较大超分模型时，对GPU显存要求较高。如果你有大量图片（比如上千张），直接批量处理可能会导致显存溢出（OOM）。一个稳健的脚本应该具备 分块处理（chunk processing） 和 错误恢复（error recovery） 机制。好的实践是：在脚本内部，每次只加载和处理一小批图片（如4-8张），处理完后立即释放显存。同时，记录已成功处理的文件列表，如果脚本中途因意外中断，重新运行时会跳过已处理的文件，从断点继续。

3.2 场景二：自动化测试不同LoRA模型的效果

你下载了5个不同画风的LoRA模型，想快速知道它们对同一组提示词的影响。

步骤1：准备测试配置 创建一个配置文件，比如 lora_test_config.yaml ，来定义测试参数。

base_model: "path/to/your/sd_model.safetensors"
prompt: "1girl, masterpiece, best quality, detailed eyes, in a classroom"
negative_prompt: "lowres, bad anatomy, worst quality"
sampler: "DPM++ 2M Karras"
steps: 30
cfg_scale: 7
width: 512
height: 768
seed: 12345

loras_to_test:
  - name: "Japanese_Anime_Style"
    path: "./models/lora/japanese_anime_style.safetensors"
    strength: [0.5, 0.8, 1.0] # 测试不同强度
  - name: "Oil_Painting_Effect"
    path: "./models/lora/oil_painting.safetensors"
    strength: [0.7]
  - name: "Cyberpunk_Glow"
    path: "./models/lora/cyberpunk_glow.safetensors"
    strength: [0.6, 0.9]

output_dir: "./output/lora_comparison"

这个配置指定了基础模型、固定提示词、采样参数，以及要测试的LoRA模型列表（包括路径和要测试的强度值）。

步骤2：运行对比测试脚本 假设ClawKitchen提供了 run_lora_grid.py 脚本。

python scripts/run_lora_grid.py --config lora_test_config.yaml

脚本会依次：

1. 加载基础模型。
2. 对于每个LoRA模型，合并对应强度的权重。
3. 用相同的随机种子（确保其他条件一致）生成图片。
4. 将生成的图片保存，并在文件名中嵌入LoRA名称和强度（如 Japanese_Anime_Style_strength_0.8_seed_12345.png ）。
5. 可能还会自动生成一个对比网格图（collage），将所有结果拼在一张图里，方便直观比较。

步骤3：分析与应用 查看输出文件夹，你立刻能看出：

• “Japanese_Anime_Style”在强度0.8时，动漫风格特征最明显且自然。
• “Oil_Painting_Effect”在0.7强度下已经笔触感很强。
• “Cyberpunk_Glow”在0.9时可能光效过曝，0.6更合适。 基于这个快速测试，你就可以在正式创作中 confidently 地选用合适的LoRA和强度了。

3.3 场景三：构建自定义的图生图迭代工作流

你想实现一个功能：输入一张线稿，先由AI上色并填充基础细节，然后在此基础上不断“细化”和“丰富”画面，迭代多次，每次都在前一次的结果上进行。

这需要编写一个简单的循环脚本。ClawKitchen可能没有直接提供，但其模块化的代码结构可以让你轻松组合。

步骤1：理解Stable Diffusion的API调用 首先，你需要知道如何通过程序调用SD WebUI的API（如果它以后端模式运行）或者直接使用 diffusers 库。假设使用WebUI的API，其基本端点可能是 http://127.0.0.1:7860/sdapi/v1/txt2img 。

步骤2：编写迭代脚本 创建一个 iterative_img2img.py 脚本。

import requests
import json
import base64
from PIL import Image
import io
import time

def encode_image_to_base64(image_path):
    with open(image_path, "rb") as f:
        return base64.b64encode(f.read()).decode()

def call_sd_api(api_url, payload):
    response = requests.post(url=api_url, json=payload)
    if response.status_code == 200:
        return response.json()
    else:
        raise Exception(f"API call failed: {response.status_code}, {response.text}")

def iterative_refinement(initial_image_path, prompt, steps=5, denoising_strength=0.4):
    current_image_path = initial_image_path
    api_url = "http://127.0.0.1:7860/sdapi/v1/img2img"
    
    for i in range(steps):
        print(f"Iteration {i+1}/{steps}")
        # 准备payload
        with open(current_image_path, "rb") as f:
            init_image_b64 = base64.b64encode(f.read()).decode()
        
        payload = {
            "init_images": [init_image_b64],
            "prompt": prompt,
            "negative_prompt": "blurry, messy, bad anatomy",
            "steps": 30,
            "cfg_scale": 7,
            "width": 512,
            "height": 512,
            "denoising_strength": denoising_strength, # 关键参数，控制变化幅度
            "sampler_name": "Euler a",
            "seed": -1, # 每次随机
        }
        
        result = call_sd_api(api_url, payload)
        # 保存结果
        image_data = base64.b64decode(result['images'][0])
        current_image_path = f"./output/iteration_{i+1}.png"
        with open(current_image_path, "wb") as f:
            f.write(image_data)
        print(f"Saved: {current_image_path}")
        time.sleep(1) # 避免请求过快
    print("Iterative refinement completed.")

if __name__ == "__main__":
    # 使用示例
    iterative_refinement(
        initial_image_path="./input/sketch.png",
        prompt="a beautiful fantasy castle, intricate details, vibrant color, digital painting, trending on artstation",
        steps=5,
        denoising_strength=0.35 # 较低的强度，每次迭代微调
    )

这个脚本会：

1. 读取初始线稿。
2. 调用img2img API，以一定的去噪强度（ denoising_strength ）进行重绘。这个强度值很关键：太低（如0.2）变化太小，迭代效率低；太高（如0.6）可能丢失原图构图。0.35-0.45是个不错的起点。
3. 将输出图片作为下一次迭代的输入。
4. 重复指定次数。

步骤3：观察与调整 运行脚本后，观察迭代过程。你可能会发现，在第三次迭代后画面已经足够丰富，后续迭代只是增加噪点。这时你就可以调整策略：在后期迭代中降低 denoising_strength ，或者改变提示词，加入更具体的细节描述（如“add flying birds near the castle towers”）。

4. 常见问题排查与进阶技巧

在实际使用ClawKitchen或类似工具集时，你肯定会遇到各种问题。这里记录一些典型问题的排查思路和从经验中总结的进阶技巧。

4.1 依赖与环境问题

问题1： ImportError 或 ModuleNotFoundError 这是最常见的问题，尤其是项目依赖了一些特定版本的库。

• 排查 ：仔细阅读项目的 README.md 或 requirements.txt 。有时作者会注明需要特定版本的 torch （如 torch==2.0.1+cu118 ）或 xformers 。
• 解决 ：
  1. 使用虚拟环境（ venv 或 conda ）隔离项目环境。
  2. 尝试使用 pip install -r requirements.txt --upgrade 。
  3. 如果某个库安装失败（特别是需要编译的，如 xformers ），可以搜索预编译的wheel文件（ .whl ）进行安装，或者根据错误信息查找操作系统（Ubuntu/Windows）特定的安装指南。
  4. 对于CUDA相关错误，确保你的PyTorch版本与CUDA版本匹配。可以使用 torch.cuda.is_available() 验证。

问题2：运行脚本时GPU显存不足（OOM） 处理高分辨率图片或批量处理时容易发生。

• 排查 ：使用 nvidia-smi 命令监控显存占用。如果接近显卡容量上限，就会OOM。
• 解决 ：
  1. 减小批量大小（Batch Size） ：在脚本参数中寻找 --batch_size 或 --n_samples ，将其设为1。
  2. 降低分辨率 ：先以较低分辨率生成或处理，再用超分放大。
  3. 启用CPU回退 ：有些脚本支持 --fp16 （半精度浮点数）或 --cpu-offload （将部分计算卸载到CPU），可以显著减少显存占用，但会降低速度。
  4. 分块处理 ：如前所述，确保脚本是分块读取和处理图片的，而不是一次性加载所有图片到内存。

4.2 模型与权重问题

问题3：加载模型时报错或生成结果异常

• 排查 ：检查模型文件是否完整下载（核对MD5或SHA256哈希值）。确认模型类型（如Checkpoint, LoRA, VAE）是否与脚本期望的匹配。
• 解决 ：
  1. 重新下载模型 ：从可信源（如Civitai, Hugging Face）重新下载。
  2. 检查模型格式 ：Stable Diffusion模型主要有 .ckpt （PyTorch Checkpoint）和 .safetensors 格式。后者更安全，是推荐格式。确保你的脚本支持对应的格式加载器。
  3. 模型版本兼容性 ：SD1.5的模型和SDXL的模型不通用。LoRA也需要对应特定的基础模型。确认你使用的所有模型（底模、LoRA、VAE）是为同一版本的Stable Diffusion训练的。

问题4：超分后图片出现色差或伪影

• 排查 ：原图质量太差，或者超分模型与图片内容不匹配（例如用真人模型超分动漫图）。
• 解决 ：
  1. 尝试不同模型 ：Real-ESRGAN有通用版和动漫版。对于动漫图片，使用 RealESRGAN_x4plus_anime_6B.pth 通常效果更好。
  2. 调整预处理 ：超分前，可以先对原图进行轻微的降噪或色彩平衡调整。
  3. 后处理 ：超分后，如果出现过度锐化导致的“白边”伪影，可以用图像编辑软件进行轻微的模糊或使用“减少杂色”滤镜。

4.3 工作流与效率优化

问题5：自动化脚本运行速度慢

• 排查 ：瓶颈可能在于IO（读写图片）、网络（调用远程API）或计算（模型推理）。
• 解决 ：
  1. IO优化 ：使用SSD硬盘。如果处理大量小文件，可以考虑先将图片列表加载到内存中。
  2. 计算优化 ：确保使用了GPU加速。在代码中，将数据和模型显式地移动到GPU设备（ model.to(‘cuda’) ）。对于 diffusers 库，可以利用其内置的流水线（pipeline）和注意力优化。
  3. 并行化 ：如果脚本是处理独立的图片，可以考虑使用Python的 multiprocessing 或 concurrent.futures 模块进行多进程处理，充分利用多核CPU。但要注意GPU任务的并行需要更精细的控制，避免显存冲突。

问题6：生成的图片风格不稳定

• 排查 ：提示词不够具体，种子（Seed）随机，或者CFG Scale过高导致画面“过拟合”提示词而失去艺术性。
• 解决 ：
  1. 固定种子 ：这是保证可复现性的第一步。找到一张满意的图，记下它的种子，在后续生成中使用。
  2. 优化提示词 ：使用更具体、更具象的词汇。与其写“美丽的风景”，不如写“阳光穿过晨雾笼罩的松树林，湖面如镜，安详，广角镜头，摄影”。
  3. 调整CFG Scale ：这个参数控制提示词对生成的影响程度。通常7-12是常用范围。太高（>15）会导致画面色彩饱和、线条生硬；太低（<5）则可能忽略提示词。多尝试找到平衡点。
  4. 使用风格LoRA或Embedding ：这是最有效的方法之一。直接加载一个“吉卜力风格”或“胶片摄影风格”的LoRA，可以极大地稳定输出风格。

4.4 进阶技巧：让工具为你所用

技巧1：将ClawKitchen脚本集成到现有工作流 不要孤立地使用这些脚本。例如，你可以将那个 batch_face_enhance.py 脚本的输出目录，设置为你的数字资产管理软件（如Eagle、Billfish）的监视文件夹。这样，一旦AI生成完成并自动修复，新图片就会自动出现在你的素材库中，便于整理和调用。

技巧2：阅读源码，按需修改 开源项目的最大优势就是代码可见。如果你发现某个脚本的功能90%符合你需求，但就差那么一点（比如你想在超分后自动添加一个水印，或者想修改默认的图片保存格式），直接去读对应的Python文件。通常逻辑都很清晰，你只需要在合适的位置添加几行PIL（Python Imaging Library）的代码就能实现自定义功能。这比从头写一个脚本要快得多。

技巧3：组合使用，创造新工作流 ClawKitchen的各个工具是积木。例如，你可以：

1. 用提示词生成工具，快速产生一批构图类似的草图。
2. 用参数网格搜索，为其中最好的几张草图寻找最优采样参数。
3. 用图生图迭代脚本，对选定草图进行精细化。
4. 最后用批处理高清修复脚本，统一处理所有最终成品。 将这个流程写成一个Shell脚本或Python主控脚本，你就拥有了一个属于自己的、端到端的AI绘画生产管线。

技巧4：关注社区与更新 像ClawKitchen这样的项目，其价值会随着社区贡献而增长。定期去GitHub仓库看看 Issues 和 Pull Requests ，你可能会发现别人提交的bug修复、新功能或者更好的参数配置。给对你有帮助的代码点个Star，如果发现了bug或者有改进想法，不妨提交一个Issue，甚至尝试自己修复并提交PR。参与开源，是提升技术最快的方式之一。