伏羲0.11（文生图）

完善伏羲0.1代码，包括添加中文注释、增强错误处理、改进GUI部分、使用CUDA加速，并确保代码符合PEP 8规范。以下是改进后的代码：

import os
import yaml
import torch
import torch.optim as optim
import torch.nn as nn
import torchvision.transforms as transforms
import pandas as pd
from torch.utils.data import Dataset, DataLoader
from transformers import AutoTokenizer, AutoModel
import random
import numpy as np
import logging
from tqdm import tqdm
from tensorboardX import SummaryWriter
import threading
import tkinter as tk
from tkinter import filedialog, messagebox
from PIL import Image, ImageTk

# 配置文件加载
def load_config(config_path):
    """
    从配置文件中加载配置参数。
    :param config_path: 配置文件的路径
    :return: 配置参数字典
    """
    try:
        with open(config_path, 'r', encoding='utf-8') as file:
            config = yaml.safe_load(file)
        return config
    except FileNotFoundError:
        logging.error(f"配置文件 {
     config_path} 未找到")
        raise
    except yaml.YAMLError as e:
        logging.error(f"配置文件解析错误: {
     e}")
        raise

# 数据加载
def load_text_data(file_path):
    """
    从文本文件中加载数据。
    :param file_path: 文本文件的路径
    :return: 文本数据列表
    """
    try:
        with open(file_path, 'r', encoding='utf-8') as file:
            text_data = file.readlines()
        return [line.strip() for line in text_data]
    except FileNotFoundError:
        logging.error(f"文本文件 {
     file_path} 未找到")
        raise
    except IOError as e:
        logging.error(f"读取文本文件时发生错误: {
     e}")
        raise

# 数据清洗
def clean_data(data):
    """
    清洗数据，去除空值和重复值。
    :param data: DataFrame 数据
    :return: 清洗后的 DataFrame 数据
    """
    return data.dropna().drop_duplicates()

# 文本预处理
def preprocess_text(text, tokenizer):
    """
    对文本进行预处理，转换为模型输入格式。
    :param text: 输入文本
    :param tokenizer: 分词器
    :return: 预处理后的文本张量
    """
    return tokenizer(text, return_tensors='pt', padding=True, truncation=True)

# 数据增强
def augment_data(image, mode):
    """
    对图像进行数据增强。
    :param image: 输入图像
    :param mode: 增强模式（'train' 或 'test'）
    :return: 增强后的图像
    """
    if mode == 'train':
        transform = transforms.Compose([
            transforms.RandomHorizontalFlip(),
            transforms.RandomRotation(10),
            transforms.RandomResizedCrop(64, scale=(0.8, 1.0)),
            transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),
            transforms.ToTensor(),
            transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
        ])
    else:
        transform = transforms.Compose([
            transforms.Resize((64, 64)),
            transforms.ToTensor(),
            transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
        ])
    return transform(image)

# 文本编码器
class TextEncoder(nn.Module):
    """
    文本编码器，使用预训练的BERT模型。
    """
    def __init__(self, model_name):
        super(TextEncoder, self).__init__()
        self.tokenizer = AutoTokenizer.from_pretrained(model_name)
        self.model = AutoModel.from_pretrained(model_name)

    def forward(self, text):
        """
        前向传播，将文本编码为特征向量。
        :param text: 输入文本
        :return: 编码后的特征向量
        """
        inputs = self.tokenizer(text, return_tensors='pt', padding=True, truncation=True)
        outputs = self.model(**inputs)
        return outputs.last_hidden_state.mean(dim=1)

# 图像生成器
class ImageGenerator(nn.Module):
    """
    图像生成器，使用卷积转置层生成图像。
    """
    def __init__(self, in_channels):
        super(ImageGenerator, self).__init__()
        self.decoder = nn.Sequential(
            nn.ConvTranspose2d(in_channels, 512, kernel_size=4, stride=1, padding=0),
            nn.BatchNorm2d(