[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-649453932--Chinese-Text-Classification-Pytorch":3,"tool-649453932--Chinese-Text-Classification-Pytorch":64},[4,17,25,39,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,14,15],"开发框架","Agent","语言模型","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":10,"last_commit_at":23,"category_tags":24,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,15],{"id":26,"name":27,"github_repo":28,"description_zh":29,"stars":30,"difficulty_score":10,"last_commit_at":31,"category_tags":32,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[33,34,35,36,14,37,15,13,38],"图像","数据工具","视频","插件","其他","音频",{"id":40,"name":41,"github_repo":42,"description_zh":43,"stars":44,"difficulty_score":45,"last_commit_at":46,"category_tags":47,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,3,"2026-04-04T04:44:48",[14,33,13,15,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":45,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74939,"2026-04-05T23:16:38",[15,33,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":45,"last_commit_at":62,"category_tags":63,"status":16},2181,"OpenHands","OpenHands\u002FOpenHands","OpenHands 是一个专注于 AI 驱动开发的开源平台，旨在让智能体（Agent）像人类开发者一样理解、编写和调试代码。它解决了传统编程中重复性劳动多、环境配置复杂以及人机协作效率低等痛点，通过自动化流程显著提升开发速度。\n\n无论是希望提升编码效率的软件工程师、探索智能体技术的研究人员，还是需要快速原型验证的技术团队，都能从中受益。OpenHands 提供了灵活多样的使用方式：既可以通过命令行（CLI）或本地图形界面在个人电脑上轻松上手，体验类似 Devin 的流畅交互；也能利用其强大的 Python SDK 自定义智能体逻辑，甚至在云端大规模部署上千个智能体并行工作。\n\n其核心技术亮点在于模块化的软件智能体 SDK，这不仅构成了平台的引擎，还支持高度可组合的开发模式。此外，OpenHands 在 SWE-bench 基准测试中取得了 77.6% 的优异成绩，证明了其解决真实世界软件工程问题的能力。平台还具备完善的企业级功能，支持与 Slack、Jira 等工具集成，并提供细粒度的权限管理，适合从个人开发者到大型企业的各类用户场景。",70626,"2026-04-05T22:51:36",[15,14,13,36],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":90,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":99,"github_topics":79,"view_count":45,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":100,"updated_at":101,"faqs":102,"releases":143},3123,"649453932\u002FChinese-Text-Classification-Pytorch","Chinese-Text-Classification-Pytorch","中文文本分类，TextCNN，TextRNN，FastText，TextRCNN，BiLSTM_Attention，DPCNN，Transformer，基于pytorch，开箱即用。","Chinese-Text-Classification-Pytorch 是一个专为中文文本分类任务打造的开源深度学习工具箱。它基于 PyTorch 框架，旨在帮助开发者快速搭建、训练并评估多种经典的文本分类模型，有效解决了中文自然语言处理中模型复现难、环境配置复杂等痛点。\n\n该工具集成了 TextCNN、TextRNN、FastText、TextRCNN、BiLSTM_Attention、DPCNN 以及 Transformer 等主流算法，并提供了基于 THUCNews 新闻标题整理的标准数据集，真正实现了“开箱即用”。用户只需简单运行命令，即可对比不同模型在相同数据下的表现，其中 FastText 模型在该数据集上甚至取得了超过 92% 的准确率。此外，项目支持灵活切换自定义数据集，既可按字输入，也可按分词后的词序列输入，并兼容搜狗新闻预训练词向量。\n\n这款工具非常适合人工智能开发者、算法研究人员以及高校学生使用。无论是需要快速验证算法原型的工程师，还是希望深入理解文本分类技术原理的学习者，都能从中获益。其代码结构清晰，超参数与模型定义整合在同一文件中，便于阅读与修改。对于想要探索","Chinese-Text-Classification-Pytorch 是一个专为中文文本分类任务打造的开源深度学习工具箱。它基于 PyTorch 框架，旨在帮助开发者快速搭建、训练并评估多种经典的文本分类模型，有效解决了中文自然语言处理中模型复现难、环境配置复杂等痛点。\n\n该工具集成了 TextCNN、TextRNN、FastText、TextRCNN、BiLSTM_Attention、DPCNN 以及 Transformer 等主流算法，并提供了基于 THUCNews 新闻标题整理的标准数据集，真正实现了“开箱即用”。用户只需简单运行命令，即可对比不同模型在相同数据下的表现，其中 FastText 模型在该数据集上甚至取得了超过 92% 的准确率。此外，项目支持灵活切换自定义数据集，既可按字输入，也可按分词后的词序列输入，并兼容搜狗新闻预训练词向量。\n\n这款工具非常适合人工智能开发者、算法研究人员以及高校学生使用。无论是需要快速验证算法原型的工程师，还是希望深入理解文本分类技术原理的学习者，都能从中获益。其代码结构清晰，超参数与模型定义整合在同一文件中，便于阅读与修改。对于想要探索更先进模型的用户，作者还提供了独立的 BERT 和 ERNIE 版本仓库作为延伸学习资源。","# Chinese-Text-Classification-Pytorch\n[![LICENSE](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Anti%20996-blue.svg)](https:\u002F\u002Fgithub.com\u002F996icu\u002F996.ICU\u002Fblob\u002Fmaster\u002FLICENSE)\n\n中文文本分类，TextCNN，TextRNN，FastText，TextRCNN，BiLSTM_Attention, DPCNN, Transformer, 基于pytorch，开箱即用。\n\n## 介绍\n模型介绍、数据流动过程：[我的博客](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F73176084)  \n\n数据以字为单位输入模型，预训练词向量使用 [搜狗新闻 Word+Character 300d](https:\u002F\u002Fgithub.com\u002FEmbedding\u002FChinese-Word-Vectors)，[点这里下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F14k-9jsspp43ZhMxqPmsWMQ)  \n\n## 环境\npython 3.7  \npytorch 1.1  \ntqdm  \nsklearn  \ntensorboardX\n\n## 中文数据集\n我从[THUCNews](http:\u002F\u002Fthuctc.thunlp.org\u002F)中抽取了20万条新闻标题，已上传至github，文本长度在20到30之间。一共10个类别，每类2万条。\n\n类别：财经、房产、股票、教育、科技、社会、时政、体育、游戏、娱乐。\n\n数据集划分：\n\n数据集|数据量\n--|--\n训练集|18万\n验证集|1万\n测试集|1万\n\n\n### 更换自己的数据集\n - 如果用字，按照我数据集的格式来格式化你的数据。  \n - 如果用词，提前分好词，词之间用空格隔开，`python run.py --model TextCNN --word True`  \n - 使用预训练词向量：utils.py的main函数可以提取词表对应的预训练词向量。  \n\n\n## 效果\n\n模型|acc|备注\n--|--|--\nTextCNN|91.22%|Kim 2014 经典的CNN文本分类\nTextRNN|91.12%|BiLSTM \nTextRNN_Att|90.90%|BiLSTM+Attention\nTextRCNN|91.54%|BiLSTM+池化\nFastText|92.23%|bow+bigram+trigram， 效果出奇的好\nDPCNN|91.25%|深层金字塔CNN\nTransformer|89.91%|效果较差\nbert|94.83%|bert + fc  \nERNIE|94.61%|比bert略差(说好的中文碾压bert呢)  \n\nbert和ERNIE模型代码我放到另外一个仓库了，传送门：[Bert-Chinese-Text-Classification-Pytorch](https:\u002F\u002Fgithub.com\u002F649453932\u002FBert-Chinese-Text-Classification-Pytorch)，后续还会搞一些bert之后的东西，欢迎star。  \n\n## 使用说明\n```\n# 训练并测试：\n# TextCNN\npython run.py --model TextCNN\n\n# TextRNN\npython run.py --model TextRNN\n\n# TextRNN_Att\npython run.py --model TextRNN_Att\n\n# TextRCNN\npython run.py --model TextRCNN\n\n# FastText, embedding层是随机初始化的\npython run.py --model FastText --embedding random \n\n# DPCNN\npython run.py --model DPCNN\n\n# Transformer\npython run.py --model Transformer\n```\n\n### 参数\n模型都在models目录下，超参定义和模型定义在同一文件中。  \n\n\n## 对应论文\n[1] Convolutional Neural Networks for Sentence Classification  \n[2] Recurrent Neural Network for Text Classification with Multi-Task Learning  \n[3] Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification  \n[4] Recurrent Convolutional Neural Networks for Text Classification  \n[5] Bag of Tricks for Efficient Text Classification  \n[6] Deep Pyramid Convolutional Neural Networks for Text Categorization  \n[7] Attention Is All You Need  \n","# 中文文本分类-Pytorch\n[![LICENSE](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Anti%20996-blue.svg)](https:\u002F\u002Fgithub.com\u002F996icu\u002F996.ICU\u002Fblob\u002Fmaster\u002FLICENSE)\n\n中文文本分类，TextCNN，TextRNN，FastText，TextRCNN，BiLSTM_Attention, DPCNN, Transformer, 基于pytorch，开箱即用。\n\n## 介绍\n模型介绍、数据流动过程：[我的博客](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F73176084)  \n\n数据以字为单位输入模型，预训练词向量使用 [搜狗新闻 Word+Character 300d](https:\u002F\u002Fgithub.com\u002FEmbedding\u002FChinese-Word-Vectors)，[点这里下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F14k-9jsspp43ZhMxqPmsWMQ)  \n\n## 环境\npython 3.7  \npytorch 1.1  \ntqdm  \nsklearn  \ntensorboardX\n\n## 中文数据集\n我从[THUCNews](http:\u002F\u002Fthuctc.thunlp.org\u002F)中抽取了20万条新闻标题，已上传至github，文本长度在20到30之间。一共10个类别，每类2万条。\n\n类别：财经、房产、股票、教育、科技、社会、时政、体育、游戏、娱乐。\n\n数据集划分：\n\n数据集|数据量\n--|--\n训练集|18万\n验证集|1万\n测试集|1万\n\n\n### 更换自己的数据集\n - 如果用字，按照我数据集的格式来格式化你的数据。  \n - 如果用词，提前分好词，词之间用空格隔开，`python run.py --model TextCNN --word True`  \n - 使用预训练词向量：utils.py的main函数可以提取词表对应的预训练词向量。  \n\n\n## 效果\n\n模型|acc|备注\n--|--|--\nTextCNN|91.22%|Kim 2014 经典的CNN文本分类\nTextRNN|91.12%|BiLSTM \nTextRNN_Att|90.90%|BiLSTM+Attention\nTextRCNN|91.54%|BiLSTM+池化\nFastText|92.23%|bow+bigram+trigram， 效果出奇的好\nDPCNN|91.25%|深层金字塔CNN\nTransformer|89.91%|效果较差\nbert|94.83%|bert + fc  \nERNIE|94.61%|比bert略差(说好的中文碾压bert呢)  \n\nbert和ERNIE模型代码我放到另外一个仓库了，传送门：[Bert-Chinese-Text-Classification-Pytorch](https:\u002F\u002Fgithub.com\u002F649453932\u002FBert-Chinese-Text-Classification-Pytorch)，后续还会搞一些bert之后的东西，欢迎star。  \n\n## 使用说明\n```\n# 训练并测试：\n# TextCNN\npython run.py --model TextCNN\n\n# TextRNN\npython run.py --model TextRNN\n\n# TextRNN_Att\npython run.py --model TextRNN_Att\n\n# TextRCNN\npython run.py --model TextRCNN\n\n# FastText, embedding层是随机初始化的\npython run.py --model FastText --embedding random \n\n# DPCNN\npython run.py --model DPCNN\n\n# Transformer\npython run.py --model Transformer\n```\n\n### 参数\n模型都在models目录下，超参定义和模型定义在同一文件中。  \n\n\n## 对应论文\n[1] Convolutional Neural Networks for Sentence Classification  \n[2] Recurrent Neural Network for Text Classification with Multi-Task Learning  \n[3] Attention-Based Bidirectional Long Short-Term Memory Networks for Relation Classification  \n[4] Recurrent Convolutional Neural Networks for Text Classification  \n[5] Bag of Tricks for Efficient Text Classification  \n[6] Deep Pyramid Convolutional Neural Networks for Text Categorization  \n[7] Attention Is All You Need","# Chinese-Text-Classification-Pytorch 快速上手指南\n\n本项目基于 PyTorch 实现了多种经典的中文文本分类模型（如 TextCNN, TextRNN, FastText, BERT 等），开箱即用，适合快速验证算法效果。\n\n## 1. 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：3.7\n*   **核心依赖**：\n    *   PyTorch 1.1+\n    *   tqdm (进度条)\n    *   sklearn (评估指标)\n    *   tensorboardX (可视化训练过程)\n\n> **提示**：国内用户建议使用清华源或阿里源加速安装依赖：\n> `pip install torch torchvision tqdm scikit-learn tensorboardX -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 2. 安装步骤\n\n### 第一步：克隆项目\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch.git\ncd Chinese-Text-Classification-Pytorch\n```\n\n### 第二步：下载预训练词向量\n本项目默认使用字级别输入，需下载搜狗新闻的预训练词向量（Word+Character 300d）。\n\n*   **下载地址**：[百度网盘链接](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F14k-9jsspp43ZhMxqPmsWMQ)\n*   **操作**：下载后解压，将生成的 `sgns.sogou.char` 文件放入项目根目录（或与代码同级目录）。\n\n> **注意**：项目中已内置了从 THUCNews 抽取的 20 万条新闻标题数据集（10 个类别），无需额外下载即可直接运行。若需使用自定义数据集，请参考 README 中的格式要求进行调整。\n\n## 3. 基本使用\n\n项目封装了统一的启动脚本 `run.py`，通过指定 `--model` 参数即可切换不同的模型进行训练和测试。\n\n### 运行示例\n\n**1. 运行 TextCNN 模型**\n```bash\npython run.py --model TextCNN\n```\n\n**2. 运行 TextRNN (BiLSTM) 模型**\n```bash\npython run.py --model TextRNN\n```\n\n**3. 运行 FastText 模型**\n> 注意：FastText 默认 embedding 层随机初始化，若需使用预训练向量可调整参数。\n```bash\npython run.py --model FastText --embedding random\n```\n\n**4. 运行其他模型**\n```bash\n# TextRNN + Attention\npython run.py --model TextRNN_Att\n\n# TextRCNN\npython run.py --model TextRCNN\n\n# DPCNN\npython run.py --model DPCNN\n\n# Transformer\npython run.py --model Transformer\n```\n\n### 查看结果\n运行结束后，终端将输出模型在测试集上的准确率（Acc）。同时，训练过程中的 Loss 和 Acc 曲线可通过 TensorBoard 查看（需安装并运行 `tensorboard --logdir=runs`）。\n\n> **进阶提示**：若需使用 BERT 或 ERNIE 模型（准确率可达 94%+），请移步作者的另一仓库：[Bert-Chinese-Text-Classification-Pytorch](https:\u002F\u002Fgithub.com\u002F649453932\u002FBert-Chinese-Text-Classification-Pytorch)。","某电商内容运营团队每天需处理数万条用户商品评论，急需自动识别评论情感倾向（正面\u002F负面）及所属品类，以便快速响应客诉和优化推荐策略。\n\n### 没有 Chinese-Text-Classification-Pytorch 时\n- **算法复现成本极高**：团队需从零编写 TextCNN、BiLSTM 等复杂模型的 PyTorch 代码，调试注意力机制和池化层耗费数周时间。\n- **中文预处理繁琐**：缺乏针对中文优化的分词与字向量加载流程，自行对接搜狗新闻预训练词向量容易出错，导致模型收敛困难。\n- **模型选型试错慢**：难以快速对比 FastText、DPCNN 等不同架构在中文场景下的表现，往往凭经验盲目选择，准确率长期停留在 85% 以下。\n- **数据格式不统一**：每次更换数据集都要重写数据加载器（DataLoader），无法灵活切换“按字”或“按词”输入模式。\n\n### 使用 Chinese-Text-Classification-Pytorch 后\n- **开箱即用加速研发**：直接调用封装好的 TextRCNN 或 BiLSTM_Attention 模型，一行命令即可启动训练，将模型上线周期从数周缩短至 2 天。\n- **预置中文生态支持**：内置搜狗新闻 300d 词向量加载逻辑及 THUCNews 标准数据格式，无需手动处理编码与分词，模型初始准确率即达 90%+。\n- **高效模型横向评测**：通过修改 `--model` 参数，一天内即可完成从 FastText 到 Transformer 的 7 种模型效果对比，最终选定准确率 92.23% 的 FastText 方案。\n- **灵活适配业务数据**：只需简单调整文本格式，即可无缝切换自有评论数据集进行微调，迅速将分类准确率提升至 93%。\n\nChinese-Text-Classification-Pytorch 通过提供标准化的中文文本分类基线，让团队从重复造轮子中解放出来，专注于业务逻辑优化与模型效果调优。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F649453932_Chinese-Text-Classification-Pytorch_11b0dcd0.png","649453932","huwenxing","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002F649453932_df9d4e57.jpg",null,"https:\u002F\u002Fgithub.com\u002F649453932",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,5724,1269,"2026-04-03T09:13:27","MIT","未说明",{"notes":92,"python":93,"dependencies":94},"数据以字为单位输入，预训练词向量需单独下载（搜狗新闻 Word+Character 300d）。若使用词输入模式，需提前对数据进行分词处理并用空格隔开。BERT 和 ERNIE 模型代码位于独立仓库，不包含在此项目主代码中。","3.7",[95,96,97,98],"pytorch==1.1","tqdm","sklearn","tensorboardX",[15],"2026-03-27T02:49:30.150509","2026-04-06T08:09:09.383295",[103,108,113,118,123,128,133,138],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},14404,"vocab.pkl 文件是如何生成的？如果无法加载该怎么办？","通常由数据预处理脚本生成。如果找不到问题所在或无法加载 pickle 文件，可以将词表存成 txt 格式，直接使用 Python 的 open 函数读取即可。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F3",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},14405,"运行 FastText 时报错\"Assertion `cur_target >= 0 && cur_target \u003C n_classes' failed\"如何解决？","这通常是因为数据文件中除了用于分隔文本和标签的制表符外，文本内容内部也包含了制表符。解决方法是将文本内容中的制表符替换为空格，只保留列之间的分隔符为制表符。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F5",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},14406,"项目支持英文预训练词向量（Embedding）吗？有哪些推荐？","支持。对于英文任务，可以使用经典的 word2vec、GloVe 或 FastText 预训练词向量，用法与中文词向量类似。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F21",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},14407,"代码中 PAD 填充后转换为 ID 时全部变成了 UNK 的 ID，这是为什么？","这是一个逻辑错误。在构建词表时虽然加入了 PAD 和 UNK，但在填充时应直接填入 PAD 字符串，而不是提前转为 ID。如果在填充阶段就获取了 ID，后续再次进行 word-to-id 转换时，因为 ID 不在词表键中，会被默认映射为 UNK。修正方法是在填充行使用 `token.extend([PAD] * (pad_size - len(token)))` 而不是 `token.extend([vocab.get(PAD)] ...)`。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F24",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},14408,"utils.py 中的迭代器 `__next__` 方法在处理整除批次时是否有问题？","是的，原代码中判断条件 `elif self.index > self.n_batches` 缺少等号。当数据量刚好能被 batch_size 整除时，会导致索引越界或逻辑错误。应将其修改为 `elif self.index >= self.n_batches`。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F15",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},14409,"模型推理（测试）时是否需要手动关闭 Dropout 层？","不需要手动移除 Dropout 代码。只要在测试前调用了 `model.eval()`，PyTorch 会自动将模型切换到评估模式，从而自动关闭 Dropout 层和 BatchNorm 的训练行为。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F37",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},14410,"DPCNN 模型中的循环停止条件似乎有误，应该如何修正？","用户指出代码中 `while` 循环的停止条件可能应为 `>= 2` 而非当前写法。如果遇到问题，建议参考腾讯开源的 NeuralNLP-NeuralClassifier 项目中的 DPCNN 实现作为修正参考。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F45",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},14411,"TextCNN 训练速度非常慢甚至无法跑完一个 epoch，可能的原因是什么？","这可能是由于代码与新版本的 PyTorch 不兼容导致的。如果在本机或云平台（如 AutoDL）上遇到此问题且调整环境无效，建议检查 PyTorch 版本是否符合项目原始要求，或者考虑该代码可能需要适配新版框架。","https:\u002F\u002Fgithub.com\u002F649453932\u002FChinese-Text-Classification-Pytorch\u002Fissues\u002F115",[]]