[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-AshwinRJ--Federated-Learning-PyTorch":3,"tool-AshwinRJ--Federated-Learning-PyTorch":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"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,"2026-04-04T04:44:48",[15,14,13,26,54],{"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":80,"owner_location":81,"owner_email":82,"owner_twitter":82,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":23,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":141},2816,"AshwinRJ\u002FFederated-Learning-PyTorch","Federated-Learning-PyTorch","Implementation of Communication-Efficient Learning of Deep Networks from Decentralized Data","Federated-Learning-PyTorch 是一个基于 PyTorch 框架实现的联邦学习开源项目，旨在复现经典的“去中心化数据下的高效深度学习”算法。它核心解决了在数据无法集中共享（如隐私保护或网络限制）的场景下，如何协同多个本地设备共同训练高质量全局模型的难题。\n\n该项目支持在 MNIST、Fashion-MNIST 和 CIFAR-10 等主流数据集上进行实验，并灵活模拟数据独立同分布（IID）与非独立同分布（Non-IID）等多种现实条件。用户不仅可以对比传统集中式训练与联邦学习的性能差异，还能通过调整参与用户比例、本地训练轮数及数据划分方式等参数，深入探究不同设置对模型收敛性和准确率的影响。\n\n其技术亮点在于提供了清晰易懂的代码结构，涵盖了从多层感知机（MLP）到卷积神经网络（CNN）的基础实现，并内置了详细的日志输出与参数配置选项，极大地降低了复现前沿论文的门槛。\n\n这款工具非常适合人工智能研究人员、高校学生以及希望入门联邦学习领域的开发者使用。无论是用于学术验证、算法教学，还是作为构建更复杂隐私计算系统的基准参考，Federated-Learning-PyTor","Federated-Learning-PyTorch 是一个基于 PyTorch 框架实现的联邦学习开源项目，旨在复现经典的“去中心化数据下的高效深度学习”算法。它核心解决了在数据无法集中共享（如隐私保护或网络限制）的场景下，如何协同多个本地设备共同训练高质量全局模型的难题。\n\n该项目支持在 MNIST、Fashion-MNIST 和 CIFAR-10 等主流数据集上进行实验，并灵活模拟数据独立同分布（IID）与非独立同分布（Non-IID）等多种现实条件。用户不仅可以对比传统集中式训练与联邦学习的性能差异，还能通过调整参与用户比例、本地训练轮数及数据划分方式等参数，深入探究不同设置对模型收敛性和准确率的影响。\n\n其技术亮点在于提供了清晰易懂的代码结构，涵盖了从多层感知机（MLP）到卷积神经网络（CNN）的基础实现，并内置了详细的日志输出与参数配置选项，极大地降低了复现前沿论文的门槛。\n\n这款工具非常适合人工智能研究人员、高校学生以及希望入门联邦学习领域的开发者使用。无论是用于学术验证、算法教学，还是作为构建更复杂隐私计算系统的基准参考，Federated-Learning-PyTorch 都能提供一个可靠且易于扩展的实验平台。","# Federated-Learning (PyTorch)\n\nImplementation of the vanilla federated learning paper : [Communication-Efficient Learning of Deep Networks from Decentralized Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629).\n\n\nExperiments are produced on MNIST, Fashion MNIST and CIFAR10 (both IID and non-IID). In case of non-IID, the data amongst the users can be split equally or unequally.\n\nSince the purpose of these experiments are to illustrate the effectiveness of the federated learning paradigm, only simple models such as MLP and CNN are used.\n\n## Requirments\nInstall all the packages from requirments.txt\n* Python3\n* Pytorch\n* Torchvision\n\n## Data\n* Download train and test datasets manually or they will be automatically downloaded from torchvision datasets.\n* Experiments are run on Mnist, Fashion Mnist and Cifar.\n* To use your own dataset: Move your dataset to data directory and write a wrapper on pytorch dataset class.\n\n## Running the experiments\nThe baseline experiment trains the model in the conventional way.\n\n* To run the baseline experiment with MNIST on MLP using CPU:\n```\npython src\u002Fbaseline_main.py --model=mlp --dataset=mnist --epochs=10\n```\n* Or to run it on GPU (eg: if gpu:0 is available):\n```\npython src\u002Fbaseline_main.py --model=mlp --dataset=mnist --gpu=0 --epochs=10\n```\n-----\n\nFederated experiment involves training a global model using many local models.\n\n* To run the federated experiment with CIFAR on CNN (IID):\n```\npython src\u002Ffederated_main.py --model=cnn --dataset=cifar --gpu=0 --iid=1 --epochs=10\n```\n* To run the same experiment under non-IID condition:\n```\npython src\u002Ffederated_main.py --model=cnn --dataset=cifar --gpu=0 --iid=0 --epochs=10\n```\n\nYou can change the default values of other parameters to simulate different conditions. Refer to the options section.\n\n## Options\nThe default values for various paramters parsed to the experiment are given in ```options.py```. Details are given some of those parameters:\n\n* ```--dataset:```  Default: 'mnist'. Options: 'mnist', 'fmnist', 'cifar'\n* ```--model:```    Default: 'mlp'. Options: 'mlp', 'cnn'\n* ```--gpu:```      Default: None (runs on CPU). Can also be set to the specific gpu id.\n* ```--epochs:```   Number of rounds of training.\n* ```--lr:```       Learning rate set to 0.01 by default.\n* ```--verbose:```  Detailed log outputs. Activated by default, set to 0 to deactivate.\n* ```--seed:```     Random Seed. Default set to 1.\n\n#### Federated Parameters\n* ```--iid:```      Distribution of data amongst users. Default set to IID. Set to 0 for non-IID.\n* ```--num_users:```Number of users. Default is 100.\n* ```--frac:```     Fraction of users to be used for federated updates. Default is 0.1.\n* ```--local_ep:``` Number of local training epochs in each user. Default is 10.\n* ```--local_bs:``` Batch size of local updates in each user. Default is 10.\n* ```--unequal:```  Used in non-iid setting. Option to split the data amongst users equally or unequally. Default set to 0 for equal splits. Set to 1 for unequal splits.\n\n## Results on MNIST\n#### Baseline Experiment:\nThe experiment involves training a single model in the conventional way.\n\nParameters: \u003Cbr \u002F>\n* ```Optimizer:```    : SGD \n* ```Learning Rate:``` 0.01\n\n```Table 1:``` Test accuracy after training for 10 epochs:\n\n| Model | Test Acc |\n| ----- | -----    |\n|  MLP  |  92.71%  |\n|  CNN  |  98.42%  |\n\n----\n\n#### Federated Experiment:\nThe experiment involves training a global model in the federated setting.\n\nFederated parameters (default values):\n* ```Fraction of users (C)```: 0.1 \n* ```Local Batch size  (B)```: 10 \n* ```Local Epochs      (E)```: 10 \n* ```Optimizer            ```: SGD \n* ```Learning Rate        ```: 0.01 \u003Cbr \u002F>\n\n```Table 2:``` Test accuracy after training for 10 global epochs with:\n\n| Model |    IID   | Non-IID (equal)|\n| ----- | -----    |----            |\n|  MLP  |  88.38%  |     73.49%     |\n|  CNN  |  97.28%  |     75.94%     |\n\n\n## Further Readings\n### Papers:\n* [Federated Learning: Challenges, Methods, and Future Directions](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.07873)\n* [Communication-Efficient Learning of Deep Networks from Decentralized Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629)\n* [Deep Learning with Differential Privacy](https:\u002F\u002Farxiv.org\u002Fabs\u002F1607.00133)\n\n### Blog Posts:\n* [CMU MLD Blog Post: Federated Learning: Challenges, Methods, and Future Directions](https:\u002F\u002Fblog.ml.cmu.edu\u002F2019\u002F11\u002F12\u002Ffederated-learning-challenges-methods-and-future-directions\u002F)\n* [Leaf: A Benchmark for Federated Settings (CMU)](https:\u002F\u002Fleaf.cmu.edu\u002F)\n* [TensorFlow Federated](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated)\n* [Google AI Blog Post](https:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html)\n","# 联邦学习（PyTorch）\n\n实现了经典联邦学习论文：[来自去中心化数据的高效通信深度网络学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629)。\n\n实验在 MNIST、Fashion MNIST 和 CIFAR10 数据集上进行（包括 IID 和非 IID 情况）。在非 IID 情况下，用户之间的数据可以均等或不均等地划分。\n\n由于这些实验旨在展示联邦学习范式的有效性，因此仅使用了 MLP 和 CNN 等简单模型。\n\n## 需求\n请从 `requirements.txt` 文件中安装所有依赖包：\n* Python 3\n* PyTorch\n* Torchvision\n\n## 数据\n* 可以手动下载训练集和测试集，或者它们将自动从 torchvision 数据集中下载。\n* 实验在 MNIST、Fashion MNIST 和 CIFAR 数据集上运行。\n* 如果要使用自己的数据集：请将数据集移动到 `data` 目录，并基于 PyTorch 的 `Dataset` 类编写一个包装器。\n\n## 运行实验\n基线实验以传统方式训练模型。\n\n* 在 CPU 上使用 MLP 模型对 MNIST 数据集运行基线实验：\n```\npython src\u002Fbaseline_main.py --model=mlp --dataset=mnist --epochs=10\n```\n* 或者在 GPU 上运行（例如，如果存在 `gpu:0`）：\n```\npython src\u002Fbaseline_main.py --model=mlp --dataset=mnist --gpu=0 --epochs=10\n```\n\n-----\n\n联邦实验涉及使用多个本地模型来训练全局模型。\n\n* 在 GPU 上使用 CNN 模型对 CIFAR 数据集运行 IID 条件下的联邦实验：\n```\npython src\u002Ffederated_main.py --model=cnn --dataset=cifar --gpu=0 --iid=1 --epochs=10\n```\n* 在非 IID 条件下运行相同的实验：\n```\npython src\u002Ffederated_main.py --model=cnn --dataset=cifar --gpu=0 --iid=0 --epochs=10\n```\n\n您可以更改其他参数的默认值以模拟不同的条件。请参阅选项部分。\n\n## 选项\n传递给实验的各种参数的默认值在 `options.py` 中给出。以下是一些参数的详细说明：\n\n* `--dataset:` 默认值为 `'mnist'`。可选值：`'mnist'`、`'fmnist'`、`'cifar'`。\n* `--model:` 默认值为 `'mlp'`。可选值：`'mlp'`、`'cnn'`。\n* `--gpu:` 默认值为 `None`（在 CPU 上运行）。也可以设置为特定的 GPU ID。\n* `--epochs:` 训练轮数。\n* `--lr:` 学习率，默认为 0.01。\n* `--verbose:` 详细日志输出。默认开启，设置为 0 可关闭。\n* `--seed:` 随机种子。默认值为 1。\n\n#### 联邦相关参数\n* `--iid:` 用户之间数据的分布情况。默认为 IID。设置为 0 表示非 IID。\n* `--num_users:` 用户数量。默认值为 100。\n* `--frac:` 用于联邦更新的用户比例。默认值为 0.1。\n* `--local_ep:` 每个用户的本地训练轮数。默认值为 10。\n* `--local_bs:` 每个用户本地更新的批量大小。默认值为 10。\n* `--unequal:` 用于非 IID 设置。可以选择在用户之间均等地或不均等地划分数据。默认值为 0 表示均等划分，设置为 1 表示不均等划分。\n\n## MNIST 数据集上的结果\n#### 基线实验：\n该实验以传统方式训练单个模型。\n\n参数：\n* 优化器：SGD\n* 学习率：0.01\n\n```表格 1：``` 训练 10 个 epoch 后的测试准确率：\n\n| 模型 | 测试准确率 |\n| ----- | -----    |\n| MLP | 92.71%   |\n| CNN | 98.42%   |\n\n----\n\n#### 联邦实验：\n该实验在联邦学习环境中训练全局模型。\n\n联邦参数（默认值）：\n* 用户比例 (C)：0.1\n* 本地批量大小 (B)：10\n* 本地轮数 (E)：10\n* 优化器：SGD\n* 学习率：0.01\n\n```表格 2：``` 使用以下条件训练 10 个全局轮次后的测试准确率：\n\n| 模型 | IID | 非 IID（均等）|\n| ----- | -----    |----            |\n| MLP | 88.38%  | 73.49%     |\n| CNN | 97.28%  | 75.94%     |\n\n## 更多阅读\n### 论文：\n* [联邦学习：挑战、方法与未来方向](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.07873)\n* [来自去中心化数据的高效通信深度网络学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629)\n* [具有差分隐私的深度学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1607.00133)\n\n### 博客文章：\n* [CMU MLD 博客文章：联邦学习：挑战、方法与未来方向](https:\u002F\u002Fblog.ml.cmu.edu\u002F2019\u002F11\u002F12\u002Ffederated-learning-challenges-methods-and-future-directions\u002F)\n* [Leaf：联邦学习基准测试（CMU）](https:\u002F\u002Fleaf.cmu.edu\u002F)\n* [TensorFlow Federated](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated)\n* [Google AI 博客文章](https:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html)","# Federated-Learning-PyTorch 快速上手指南\n\n本指南基于 `Federated-Learning-PyTorch` 开源项目，帮助开发者快速搭建联邦学习环境并运行基础实验。该项目复现了经典的联邦学习论文算法，支持 MNIST、Fashion-MNIST 和 CIFAR-10 数据集。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.x\n*   **核心依赖**：\n    *   PyTorch\n    *   Torchvision\n\n> **国内加速建议**：\n> 安装 PyTorch 时，推荐访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取适合您环境的命令，或使用清华\u002F中科大镜像源加速 pip 安装：\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone \u003Crepository_url>\n    cd Federated-Learning-PyTorch\n    ```\n    *(注：请将 `\u003Crepository_url>` 替换为实际的仓库地址)*\n\n2.  **安装依赖包**\n    使用项目提供的 `requirements.txt` 一键安装所需库（建议使用国内镜像源）：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **数据准备**\n    *   **自动下载**：首次运行实验时，脚本会自动从 Torchvision 下载 MNIST、Fashion-MNIST 或 CIFAR-10 数据集。\n    *   **自定义数据集**：若需使用自有数据，请将数据集放入 `data` 目录，并编写一个继承自 `torch.utils.data.Dataset` 的包装类。\n\n## 基本使用\n\n项目提供两种主要运行模式：**基准实验**（传统集中式训练）和 **联邦实验**（分布式联邦训练）。\n\n### 1. 运行基准实验 (Baseline)\n在传统模式下训练单个模型。以下示例使用 MLP 模型在 MNIST 数据集上训练 10 个 epoch。\n\n*   **CPU 运行：**\n    ```bash\n    python src\u002Fbaseline_main.py --model=mlp --dataset=mnist --epochs=10\n    ```\n\n*   **GPU 运行（指定显卡 ID，例如 0）：**\n    ```bash\n    python src\u002Fbaseline_main.py --model=mlp --dataset=mnist --gpu=0 --epochs=10\n    ```\n\n### 2. 运行联邦实验 (Federated Learning)\n模拟多用户协作训练全局模型。以下示例使用 CNN 模型在 CIFAR-10 数据集上进行联邦训练。\n\n*   **独立同分布 (IID) 场景：**\n    ```bash\n    python src\u002Ffederated_main.py --model=cnn --dataset=cifar --gpu=0 --iid=1 --epochs=10\n    ```\n\n*   **非独立同分布 (Non-IID) 场景：**\n    ```bash\n    python src\u002Ffederated_main.py --model=cnn --dataset=cifar --gpu=0 --iid=0 --epochs=10\n    ```\n\n### 关键参数说明\n您可以通过修改命令行参数来调整实验配置（默认值定义在 `src\u002Foptions.py` 中）：\n\n| 参数 | 说明 | 默认值\u002F选项 |\n| :--- | :--- | :--- |\n| `--dataset` | 数据集选择 | `'mnist'`, `'fmnist'`, `'cifar'` |\n| `--model` | 模型架构 | `'mlp'`, `'cnn'` |\n| `--iid` | 数据分布类型 | `1` (IID), `0` (Non-IID) |\n| `--num_users` | 参与用户总数 | `100` |\n| `--frac` | 每轮参与训练的用户比例 | `0.1` |\n| `--local_ep` | 每个用户的本地训练轮数 | `10` |\n| `--local_bs` | 每个用户的本地批量大小 | `10` |\n| `--unequal` | Non-IID 下数据是否不均分 | `0` (均分), `1` (不均分) |\n| `--epochs` | 全局训练轮数 | - |\n| `--lr` | 学习率 | `0.01` |","某跨国医疗联盟希望联合多家医院训练一个肺炎 X 光片识别模型，但受限于患者隐私法规，各医院的原始影像数据严禁出域或集中上传。\n\n### 没有 Federated-Learning-PyTorch 时\n- **数据孤岛难打破**：由于无法将分散在各医院的敏感数据汇聚到中心服务器，导致无法利用大规模数据集训练高精度的深度学习模型。\n- **隐私合规风险高**：若强行通过脱敏后传输数据，仍面临极高的法律合规风险和数据泄露隐患，项目极易被叫停。\n- **开发验证成本高**：团队需从零手写复杂的分布式通信逻辑和本地更新算法，难以快速模拟非独立同分布（Non-IID）的真实医疗数据场景进行验证。\n- **模型泛化能力弱**：仅依靠单一医院的小样本数据训练，模型在面对不同设备、不同人群产生的影像时，准确率大幅下降。\n\n### 使用 Federated-Learning-PyTorch 后\n- **数据不出域即可训练**：利用该工具实现的联邦学习范式，各医院仅在本地更新模型参数，仅上传加密后的梯度至中心端聚合，彻底规避数据出境问题。\n- **原生支持隐私保护架构**：直接复用其去中心化通信机制，无需自行构建复杂的同步协议，天然满足 GDPR 等严格隐私法规要求。\n- **快速模拟真实场景**：通过调整 `--iid=0` 和 `--unequal=1` 等参数，可轻松模拟各家医院数据分布不均的现状，高效验证算法在复杂环境下的鲁棒性。\n- **显著提升模型精度**：成功聚合了百家医院的隐性知识，在保持数据隔离的前提下，使全局模型的诊断准确率接近集中式训练水平（如 CNN 在 IID 下可达 97% 以上）。\n\nFederated-Learning-PyTorch 让医疗机构在不共享原始数据的前提下，安全高效地协作构建了高质量的通用 AI 诊断模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAshwinRJ_Federated-Learning-PyTorch_3fce7e6e.png","AshwinRJ","Ashwin R Jadhav","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAshwinRJ_99a956ba.jpg","Machine Learning @ Pinterest | Enlitic | Carnegie Mellon","Pinterest | CMU","San Francisco",null,"https:\u002F\u002Fgithub.com\u002FAshwinRJ",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,1435,464,"2026-03-31T20:15:29","MIT","未说明","非必需。支持 CPU 运行；若使用 GPU，需指定 GPU ID（如 --gpu=0），具体型号、显存及 CUDA 版本未在文档中明确说明。",{"notes":96,"python":97,"dependencies":98},"实验默认在 MNIST、Fashion MNIST 和 CIFAR10 数据集上运行，数据可通过 torchvision 自动下载或手动放置于 data 目录。该工具主要用于演示联邦学习范式，仅使用简单的 MLP 和 CNN 模型。可通过参数调整用户数量、数据分布（IID\u002FNon-IID）及本地训练轮数等条件。","Python3",[99,100],"Pytorch","Torchvision",[13],[103,104,105,106,107],"federated-learning","distributed-computing","deep-learning","pytorch","python","2026-03-27T02:49:30.150509","2026-04-06T06:51:52.417310",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},13030,"客户端的优化器（optimizer）是每个 epoch 都重新创建的吗？","是的，优化器是在每次全局迭代（global iteration）时重新创建的。这意味着学习率等超参数会在每次迭代时重置，如果需要设置学习率衰减，需要在代码逻辑中额外处理，因为默认的优化器创建方式不会保留上一轮的状态。","https:\u002F\u002Fgithub.com\u002FAshwinRJ\u002FFederated-Learning-PyTorch\u002Fissues\u002F5",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},13031,"运行 CIFAR10 数据集上的 CNN 模型时报错，如何解决？","需要修改两处代码：\n1. 在 `utils.py` 的 `get_dataset` 函数中，将 `datasets.MNIST` 改为 `datasets.CIFAR10`。\n2. 在 `sampling.py` 的 `cifar_noniid` 函数中（约第 175 行），确保标签获取方式为 `labels = np.array(dataset.targets)`。\n修改后即可正常运行。","https:\u002F\u002Fgithub.com\u002FAshwinRJ\u002FFederated-Learning-PyTorch\u002Fissues\u002F4",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},13032,"运行时报错 'RuntimeError: Expected one of cpu, cuda... device type at start of device string: 0'，如何解决？","这是因为 `torch.cuda.set_device` 接收的参数类型不正确。需要将代码中的 `torch.cuda.set_device(args.gpu)` 修改为 `torch.cuda.set_device(int(args.gpu))`，确保传入的是整数类型而非字符串。","https:\u002F\u002Fgithub.com\u002FAshwinRJ\u002FFederated-Learning-PyTorch\u002Fissues\u002F15",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},13033,"为什么无法复现论文中 CIFAR10 的实验结果？","本仓库使用的 CIFAR CNN 架构包含 2 个卷积层和 3 个全连接层，而论文中描述的架构（源自 TensorFlow 教程）包含 2 个卷积层、2 个全连接层和 1 个线性变换层。结果不一致可能是因为隐藏层大小或具体架构实现的差异导致的。","https:\u002F\u002Fgithub.com\u002FAshwinRJ\u002FFederated-Learning-PyTorch\u002Fissues\u002F2",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},13034,"在 `utils.py` 中发现 `get_dataset` 函数写错了数据集类型，应该是什么？","这是一个笔误。在 `src\u002Futils.py` 的 `_get_dataset` 函数中，原本错误地写成了 `datasets.MNIST`。如果目的是处理 CIFAR-10 数据，应将其修改为 `datasets.CIFAR10`，包括训练集和测试集的加载部分。","https:\u002F\u002Fgithub.com\u002FAshwinRJ\u002FFederated-Learning-PyTorch\u002Fissues\u002F10",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},13035,"运行时出现 'FileNotFoundError: No such file or directory' 错误，提示保存路径不存在，怎么办？","该错误是因为代码试图将结果保存到 `..\u002Fsave\u002Fobjects\u002F` 目录下，但该目录不存在。解决方法是在运行脚本前，手动在项目根目录的上上级目录创建 `save\u002Fobjects` 文件夹，或者修改代码中的保存路径为当前项目中已存在的路径。","https:\u002F\u002Fgithub.com\u002FAshwinRJ\u002FFederated-Learning-PyTorch\u002Fissues\u002F20",[]]