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（打開的子圖是空的時，只會顯示一段簡短的提示）；選取卡片後，graph 會開啟並可立即執行：分頁是空的、也沒有可復原的步驟時放進該分頁，否則開在新分頁，所以不會取代任何 graph。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「這個範例是做什麼用的」分組，順序如下：

區塊	內容
快速開始	最先跑的三個：Train CNN on MNIST、Inference CNN on MNIST，以及 Call a graph over HTTP（graph-as-a-function 示範）。
訓練	從頭訓練出一個模型的圖：Train a CNN on beans（資料集來自 Hugging Face Hub）、Train ResNet on CIFAR10、Train a Transformer on MNIST、實測過的 ResNet-18 CIFAR-10 baseline（見重現標準結果）、Pretrain an LM on TinyStories、Train a VLA on PushWorld — 它需要 CUDA GPU 與大約一小時，操作方式在它的 README 中 — 以及三個用產生的資料、在 CPU 上一分鐘內訓練完的範例：LSTM remembers the first token、Segment shapes pixel by pixel 與 Train a DDPM on blobs。另外兩個示範訓練迴圈周邊的接法：Augment, then train 把轉換鏈接到 Dataset 的 train_transform，Resume from a checkpoint 用 CheckpointSaver 存下一次訓練，再用 CheckpointLoader 接著訓練。
論文復現	一張圖復現一篇論文的方法，用的節點和其他範例相同，在 CPU 上幾秒內就能從頭訓練完。總覽註記會寫明論文、配方，以及這張圖預期達到的數字：Dropout narrows the overfit gap、BatchNorm tames a high LR、Skip connections train deeper、Adam vs SGD vs momentum、Label smoothing lowers confidence、Cosine warm restarts (SGDR) 與 Sigmoid gradients vanish in depth。序列與回歸：Gradient clipping rescues an RNN、Autoencoder squeezes digits to 2-D、LSTM forecasts a noisy wave、Transformer learns to sort、Weight decay smooths the fit 與 Early stopping on validation loss。強化學習的四個範例用 RLTrainingLoop 節點訓練：REINFORCE balances CartPole、DQN balances CartPole、PPO balances CartPole 與 Q-learning crosses a trap grid。極小 batch 下的正規化：GroupNorm holds at batch 2。
LLM 與 RAG	Word embedding analogy、Sentence similarity in zh-TW，以及兩個檢索範例 Fully local RAG 與 RAG with a chat API。預訓練資料：Data mix ratios 依權重混合兩個隨附的文字檔。
觀念	一張圖講一個觀念，小到可以從頭看到尾：兩個 Iris 管線、RNN unrolled over three steps、Mixture of Experts top-k routing、三個 diffusion 範例（Forward diffusion on a digit、Toy reverse diffusion sampling、Mini U-Net node），RLHF reward and KL terms、Six classifiers on two moons、Causal attention from scratch、Reward hacking via a shortcut，以及 One GRPO step on rollouts。K-fold cross-validation、Reduce and Switch 與 Tensor ops tour 分別介紹 KFoldSplit、Reduce 與 Switch 這兩個資料流節點，以及調整張量形狀的節點。放在 RNN 範例旁邊的時間卷積：Conv1d classifies sequences。RLHF 第一步，用成對偏好資料訓練獎勵模型：Reward model from preferences。gamma 如何把獎勵變成回報：Discounted returns。可以用手算驗證的梯度：One backward pass，需開啟「擷取梯度」。Image batch IO 用 ImageWriter 寫出一個批次，再用 ImageBatchReader 把資料夾讀回來。
模型架構	15 個經典架構導覽，再依模型家族分成 CNN、RNN、Transformer、Diffusion、RL 五組。
擴充套件包	由已安裝的外掛提供的範例，每個套件包一個小標題。只有存在時才會顯示。
其他	沒有宣告區塊、或宣告了這份清單不認識的區塊的內建範例。

列出範例的四個地方都用這一套分組：空白畫布上的 overlay、沒有開啟分頁時顯示的歡迎畫面、範例圖庫，以及側邊欄的範例分頁。

在磁碟上，範例依主題資料夾分組：Classical/、Diffusion/、LLM/、Model_Architecture/、Others/、Papers/、RL/、RNN/、Transformer/、Usage_Example/ 與 VLA/。資料夾不等於區塊 — 見新增範例。

所有列出的範例都可以離線直接執行，以下是例外。卡片不會寫這些：卡片只有一行，說的是這張圖在做什麼。範例執行前需要準備什麼，寫在它畫布上的註記裡，貼在相關的節點旁邊 — 那裡才有空間說下載多大、套件包從哪裡來 — 也寫在下面這份清單裡：

• 兩個 CIFAR-10 訓練範例 Train ResNet on CIFAR10 與 ResNet-18 CIFAR-10 baseline 會在第一次執行時把 CIFAR-10（約 170 MB）下載到 backend/data/，之後就能離線執行。MNIST 隨 CodefyUI 一起提供，放在 backend/data/MNIST/raw/，所以 Train CNN on MNIST 與 Train a Transformer on MNIST 從第一次點下去就能離線執行。在專案目錄中，相對路徑的 data_dir 會指向專案的 assets/data/，所以在那裡這四個訓練範例第一次執行時都會下載各自的資料集。Augment, then train 讀的是同一份 MNIST，在專案目錄中第一次執行時同樣會下載 MNIST。
• Inference CNN on MNIST 會載入 model_weights.pt，這個檔案由 Train CNN on MNIST 寫到 backend/data/models/。CodefyUI 不附任何訓練好的權重，所以在剛安裝好的電腦上，它會停在 ModelLoader，直到訓練範例跑過一次為止。
• Train a CNN on beans 第一次執行時會從 Hugging Face Hub 下載 AI-Lab-Makerere/beans（1,295 張照片，約 170 MB）到 Hugging Face 的快取目錄。把圖裡三個 HuggingFaceDataset 節點指到別的 repo，下載的就會換成那一個。
• Pretrain an 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。它的總覽註記會用英文與中文各寫一次這兩項需求；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 in 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 > 選用套件與外掛）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。
• Fully local RAG 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。
• 擴充套件包區塊裡有四個範例會在第一次執行時下載東西，每一個都會在自己畫布上的註記裡寫明：deep 套件包裡處理真實文字的範例 Self-Attention 101、Multi-Head Causal Attention、C4-2 Self-attention on real text 與 C4-4 LLM inference pipeline 會把 cl100k_base 的 BPE 表下載到快取目錄，之後每次執行都直接讀本機的快取。foundations 與 deep 套件包各有一個 MNIST 訓練範例，它們讀的是 CodefyUI 隨附的 MNIST，和內建範例一樣，只有在專案目錄中才會下載。這四個套件包的其他範例從第一次點下去就能離線執行。
• eval 套件包的範例 A/B text classifier eval 第一次執行時，會從 Hugging Face Hub 下載兩個情感分類模型（各約 18 MB）到 CodefyUI 自己的快取，並用 transformers 載入；安裝 eval 套件包時會一併裝上它。結果圖表與表格是 stats 套件包的節點。兩個載入節點都鎖定了 commit，所以之後的執行都讀快取，設定 HF_HUB_OFFLINE=1 時也一樣。
• eval 套件包的第二個範例 VQA eval skeleton 第一次執行時，會下載 ViLT 視覺問答模型 dandelin/vilt-b32-finetuned-vqa（約 470 MB）到同一個快取，回答關於套件包內附 7 張圖片的 12 個問題。它的載入節點同樣鎖定了 commit。建立自己的評估流程說明了這兩個 eval 範例。

兩個 RL 架構 graph（DQN on Atari pixels、PPO Robotics Controller）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。沒有開啟任何分頁時，在歡迎畫面上選取卡片，它會在新分頁中開啟。

• 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 與歡迎畫面上的瀏覽全部範例，以及側邊欄範例分頁底部的瀏覽全部範例按鈕開啟。圖庫依上面那幾個區塊分組；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。雙擊卡片的效果相同。
• 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。由較新版 CodefyUI 寫出的範例不會被插入（「沒有插入任何內容：…」）；請改用在新分頁開啟，它會以唯讀方式開啟。

沒有開啟任何分頁時，圖庫只提供在新分頁開啟。

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。

語言

編輯器切到繁體中文後，每個內建範例的說明都是中文。名稱兩種語言都保持英文：範例的名稱就是你在這份文件、在磁碟上的 examples/、以及 run_graph.py 參數裡再次找到它的依據。搜尋兩種語言都吃，attention 與「注意力」會找到同一張圖。

還沒翻譯的範例（例如第三方外掛帶來的）會保留英文說明，不會變成空白。翻譯放在 frontend/src/i18n/exampleLocales/，以範例的路徑為 key。

新增範例

一個範例就是一個放著 graph.json 的資料夾 — 內建範例放在 examples/ 底下，外掛提供的則放在 <套件包>/examples/ 底下。這個檔案裡有三件事決定它在範例集裡長什麼樣子。

它會出現在哪一區。 最上層可以放一個選用的 gallery 區塊：

{
  "name": "UNet for Image Segmentation",
  "description": "...",
  "gallery": { "section": "architectures", "family": "CNN", "order": 2 },
  "nodes": [],
  "edges": []
}

section 只能是 quickstart、training、papers、llm、concepts 與 architectures 其中之一。family 是模型架構區塊裡的小標題：上面那五個家族照列出的順序排在前面，其他字串接在後面依字母排序。只要範例有寫 family，卡片上的標籤也會改成顯示它，而不是分類名稱；如果卡片上方的小標題已經是同一個字，卡片就不再放標籤。order 在同一區塊（模型架構則是同一個家族）內由小到大排序，沒有寫 order 的範例排在有寫的後面。清單讀不懂的欄位只有那一個欄位會變成空值，而不是讓整個範例集掛掉：不認識的 section 會讓內建範例落到其他區塊，不是整數的 order 則只是讓它排在有寫 order 的範例後面。外掛提供的範例不管宣告什麼，都會列在它自己的套件包底下。

範例所在的資料夾不等於它的區塊。資料夾是路徑，而這份文件、翻譯表與 run_graph.py 的參數指的都是路徑，所以重新分組範例集時，磁碟上的東西不會動。

卡片上會看到什麼。 name 是標籤，不是句子：最多五個英文單字、34 欄寬，而且不能和其他範例重複 — 卡片、側邊欄那一列、空白畫布 overlay 與歡迎畫面都只印這一個名稱，旁邊沒有別的東西能用來分辨兩個範例。description 是名稱底下那一行，最多 40 欄寬，也就是二十個漢字，寫的是這張圖在做什麼、在解釋什麼。它不寫執行前的需求，也不寫成績：下載、GPU、套件包、API 金鑰、必須先跑過的另一個範例、跑完得到的準確率，這些全部改寫在畫布上的註記裡，貼在相關的節點旁邊；其中會決定範例跑不跑得起來的，也會列在本頁開頭的例外清單裡。這兩個上限就是卡片放得下的量：卡片寬 13rem，裡面的字級跟著根字級一起放大，所以螢幕愈寬只會讓標題變大、卡片不會跟著變寬，超出的部分就被截掉。用欄寬而不是字數計算：中文說明會夾雜英文節點名稱，而一個漢字佔兩欄。英文的兩個上限由 backend/tests/test_example_descriptions.py 把關，「不寫需求」這一條則由 backend/tests/test_builtin_examples.py 對兩個來源目錄裡的每個範例把關；中文的上限與這一條都由 frontend/src/i18n/exampleLocales/zh-TW.test.ts 把關 — 名稱不翻譯。

比較長的說明放哪裡。 這兩行放不下的內容就放到畫布上的註記，貼在它所說明的節點旁邊。註記是 type 為 note 的節點：驗證會跳過它，執行不會走到它，卡片上的節點數量也不會把它算進去。每則註記在同一個註記裡寫兩次 — 先一段英文，空一行，再用繁體中文寫同一件事 — 這樣一則註記就兩種語言都能讀，也不必再多維護一份翻譯表。

適合的第一次執行

載入 Train CNN on MNIST，然後：

1. 先讀 Start 節點左邊那則註記 — 它會說這張圖在做什麼，以及跑完要看哪裡。
2. 錄製節點輸出預設開啟，在多次執行間保留權重預設關閉 — 可在「設定」popover 中的錄製與檢視及訓練行為確認。
3. 點擊執行，並在訓練分頁觀看即時 loss 圖表。5 個 epoch 在 CPU 上大約一兩分鐘。
4. 點擊 Inference 節點，在 教學檢視器 中查看送進去的內容（16 張測試影像的批次）與輸出的結果（每張影像 10 個 logits）。兩個 Conv2d 層在 SequentialModel 節點裡面；雙擊它即可在「模型架構」編輯器中看到。
5. 跑完之後看 Test accuracy 那個 Print，大約 0.99，算在訓練迴圈沒看過的 10,000 張測試影像上；再把 16 個預測數字和旁邊 Visualize 排出來的 16 張影像對照。
6. 想跨次執行持續訓練，就開啟在多次執行間保留權重。之後每次執行都會保留權重，下一次從那裡繼續（關閉時跑的那次沒有留下任何權重），執行紀錄也會註明結果包含先前的訓練。

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（放在 backend/data/images/ 底下的真實 MNIST 數字影像），並印出它讀到的數字。