MeanFlow

环境要求

• Python 环境（README 未指定版本，需能安装 PyTorch）
• 已安装 PyTorch 及 torchvision、accelerate、einops、tqdm、diffusers
• 单卡或多卡 GPU 环境（多卡需使用 accelerate launch）
• 训练数据配置：MNIST、CIFAR-10 或 ImageNet latent（需 VAE）

安装与启动步骤

1. 1获取项目代码

   从 GitHub 克隆仓库并进入项目根目录，后续所有训练命令都在该目录下执行。

   git clone https://github.com/haidog-yaqub/MeanFlow.git
   cd MeanFlow

   复制

2. 2安装 Python 依赖

   README 给出的依赖清单，一次性安装 PyTorch、accelerate、torchvision、einops、tqdm、diffusers。

   pip install torch accelerate torchvision einops tqdm diffusers

   复制

3. 3选择训练配置

   configs 目录提供三份配置：mnist.py 对应 MNIST，cifar10.py 对应 CIFAR-10，imagenet_latent.py 对应 ImageNet latent（VAE）。

4. 4单卡训练 MNIST

   用默认 MNIST 配置启动训练；如需并行多卡，见后面的 accelerate 命令。

   python train.py --config configs/mnist.py

   复制

5. 5指定运行名

   通过 --run_suffix 为本次实验加后缀，便于区分不同实验的输出与日志。

   python train.py --config configs/cifar10.py --run_suffix exp1

   复制

6. 6多卡训练

   使用 accelerate launch 启动多进程训练，--num_processes 指定进程数（示例为 2）。

   accelerate launch --num_processes 2 train.py --config configs/mnist.py

   复制

7. 7切换 i-meanflow 模式

   在配置中把 meanflow.mode 设为 "i-meanflow"；README 说明该模式更稳定，推荐用于实际项目。

关键配置

如何确认成功

运行 train.py 后终端正常输出训练日志、无导入或配置报错，并按配置持续推进，即表示启动成功。

常见问题

注意事项

• 项目为非官方 PyTorch 实现，实验结论请以论文与官方仓库为准。
• 所有训练命令需在项目根目录执行，配置文件路径为相对路径 configs/*.py。
• README 中常用配置字段列表被截断，仅确认 n_steps 等字段，其余请直接查看配置文件内容。
• imagenet_latent 配置涉及 VAE 的 latent 训练，需额外准备对应模型资源。