範例集

CodefyUI 在 examples/ 底下隨附一整套可直接執行的範例 graph。只要目前分頁的畫布是空的，範例集就會直接出現在畫布上；選取卡片後，graph 會載入該分頁並可立即執行。其他開啟方式見畫布不是空白時。你也可以用 CLI 圖形執行器在無介面（headless）下執行任何範例。

範例集依固定順序分成幾個區塊：

區塊	內容
快速上手	三個置頂的入門範例：Train CNN on MNIST、Inference CNN on MNIST，以及 Api-Function（graph-as-a-function 示範）。
進階範例	其他每一個可執行的內建範例 — LLM（用離線 demo-16d backend 的 Word Embedding Analogy、用真正句子編碼器的 Sentence Similarity (zh-TW)、Train a Causal LM on TinyStories，以及兩個檢索範例 RAG, fully local 與 RAG with a chat API）、Diffusion（Forward Process、Toy Sampling、Mini U-Net）、Classical ML（Iris KNN、表格資料管線）、Transformer（MoE routing）、RNN、RL（RLHF reward + KL）、VLA（Train a VLA on PushWorld — 需要 CUDA GPU 與大約一小時；操作方式在它的 README 中），以及其餘的訓練範例（GPT-Mini、ResNet-CIFAR10，還有實測過的 ResNet-18 / CIFAR-10 baseline — 見重現標準結果）。
外掛範例	由已安裝的外掛提供的範例（以及任何無法辨識的分類）。只有存在時才會顯示。
模型架構範例	15 個經典架構導覽，永遠排在最後：ResNet、ConvNeXt、EfficientNet、UNet、ViT、SwinTransformer、BERT、GPT、LLaMA、DiT、LSTM TimeSeries、BiGRU SpeechRecognition、Seq2Seq Attention、DQN Atari、PPO Robotics。

在磁碟上，範例依主題資料夾分組：Classical/、Diffusion/、LLM/、Model_Architecture/、RL/、RNN/、Transformer/、Usage_Example/ 與 VLA/。

所有列出的範例都可以離線直接執行，只有四個例外：

• Train a Causal LM on TinyStories 第一次執行時會從 Hugging Face Hub 下載 TinyStories 語料與 gpt2 的 BPE ranks，並且需要一張有足夠空間容納 203,668,480 參數模型的 GPU。它的說明卡開頭會列出這兩項需求；完整步驟、token 預算與記憶體調整選項則放在 graph 旁邊的 README.md（examples/LLM/TrainCausalLM-TinyStories/）。兩份下載都會被快取，之後再次執行也能離線完成。
• Sentence Similarity (zh-TW) 需要 sentence-embeddings 套件包。這是一次性的安裝，可以在套件中心（工具列 > 設定 > 選用套件）安裝，或執行 cdui packs install sentence-embeddings；graph 執行時不會自動下載該套件包。安裝後，這個範例就能離線在 CPU 上執行，幾秒鐘就結束。見選用套件包。
• RAG, fully local 需要下載兩個項目：rag 套件包裡的 qwen2.5-0.5b-instruct，以及 sentence-embeddings 裡的 multilingual-e5-small，合計約 1.5 GB。安裝 rag 只會加入該套件包的 Python 套件，不含編碼器，所以還需要另外選取第二個項目。兩個項目都安裝後，文件、搜尋與生成都在本機處理，不會把資料傳送到外部。CPU 上大約每秒生成幾個 token，所以答案可能需要幾秒到幾十秒；這是依模型大小估算，不是實測值，使用 GPU 會快得多。
• RAG with a chat API 使用同一條檢索鏈，但最後一個節點是 LLMChat，所以它只需要 multilingual-e5-small，以及可接收 prompt 的服務。預設使用本機的 Ollama（先執行 ollama pull qwen2.5:0.5b），資料仍不會離開本機；把 provider 換成 hosted model 後，檢索到的內容會送給第三方，而且需要在環境變數中設定 key。

兩個 RL 架構 graph（DQN Atari、PPO Robotics）會將合成的觀測張量（TensorCreate、randn）傳入網路，而不是連接真正的 gym 環境，所以不需要安裝 ale-py/mujoco — 若要用真實環境驅動它們，換成 EnvWrapper 節點即可。

載入範例

• 在應用程式中 — 開一個新的空白分頁，範例集就會出現在畫布上。選取卡片後，graph 會載入該分頁並可立即執行。

• 從 CLI — 把 run_graph.py 指向該 graph 的 JSON：

  cd backend
  python run_graph.py ../examples/Usage_Example/CNN-MNIST/TrainCNN-MNIST/graph.json

畫布不是空白時

範例圖庫可從工具列的範例圖庫按鈕、空白畫布 overlay 上的瀏覽全部範例，以及側邊欄的範例分頁開啟。圖庫依類別將範例分組；選取範例後，會顯示說明、節點與連線數量，以及它是內建範例還是來自外掛。每個範例提供兩個動作：

• 在新分頁開啟會保留目前的 graph，不做任何變動。
• 插入目前畫布會把範例加入正在編輯的 graph：系統會為插入的節點產生新的 id，並將它們放在目前 graph 的下方，因此不會覆蓋任何內容，而且只要復原一次就能移除。

在側邊欄的範例分頁中，點擊範例即可插入，也可以把它拖到畫布上想放的位置。

適合的第一次執行

載入 Train CNN on MNIST，然後：

1. 錄製節點輸出與在多次執行間保留權重預設都已開啟 — 可在「設定」popover 中的錄製與檢視及訓練行為確認。
2. 點擊執行，並在訓練分頁觀看即時 loss 圖表。
3. 點擊一個 Conv2d 節點，在 **教學檢視器**中檢視它的 kernel 與 activation。
4. 再執行一次 — 因為權重已保留，模型會跨次執行持續學習。

訓練也會存下 model_weights.pt（在 backend/data/models/ 底下）。之後載入 Inference CNN on MNIST；它會使用剛才訓練出的權重分類 test_digit.png。這是放在 backend/data/images/ 底下的真實 MNIST 數字影像。