[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-D-X-Y--AutoDL-Projects":3,"tool-D-X-Y--AutoDL-Projects":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",154349,2,"2026-04-13T23:32:16",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":10,"env_os":102,"env_gpu":103,"env_ram":102,"env_deps":104,"category_tags":111,"github_topics":112,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":160},7390,"D-X-Y\u002FAutoDL-Projects","AutoDL-Projects","Automated deep learning algorithms implemented in PyTorch.","AutoDL-Projects 是一个基于 PyTorch 构建的开源自动化深度学习项目，旨在让神经架构搜索（NAS）和超参数优化（HPO）变得简单易懂。它解决了传统 AutoDL 算法实现复杂、依赖繁多且难以复现的痛点，将多种主流算法整合在同一个轻量级代码库中，极大降低了学习与实验的门槛。\n\n无论是想要尝试不同 AutoDL 算法的初学者，还是希望验证自动化技术是否适用于自身项目的工程师，亦或是需要快速实现新想法的研究人员，都能从中受益。该项目不仅提供了 DARTS、GDAS、SETN 等经典算法的直接实现，还独家支持了 NAS-Bench-201 和 NATS-Bench 等权威基准测试工具，方便用户公平地评估算法性能。其核心亮点在于极简的依赖配置和活跃的社区维护，让用户无需耗费大量时间在环境搭建上，而是专注于算法本身的探索与优化。如果你希望轻松踏入自动化深度学习领域，或寻找一个可靠的实验平台，AutoDL-Projects 都是一个值得考虑的选择。","\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Fxuanyidong.com\u002Fresources\u002Fimages\u002FAutoDL-log.png\" width=\"400\"\u002F>\n\u003C\u002Fp>\n\n---------\n[![MIT licensed](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-brightgreen.svg)](LICENSE.md)\n\nAutomated Deep Learning Projects (AutoDL-Projects) is an open source, lightweight, but useful project for everyone.\nThis project implemented several neural architecture search (NAS) and hyper-parameter optimization (HPO) algorithms.\n中文介绍见[README_CN.md](https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FREADME_CN.md)\n\n**Who should consider using AutoDL-Projects**\n\n- Beginners who want to **try different AutoDL algorithms**\n- Engineers who want to **try AutoDL** to investigate whether AutoDL works on your projects\n- Researchers who want to **easily** implement and experiement **new** AutoDL algorithms.\n\n**Why should we use AutoDL-Projects**\n- Simple library dependencies\n- All algorithms are in the same codebase\n- Active maintenance\n\n## AutoDL-Projects Capabilities\n\nAt this moment, this project provides the following algorithms and scripts to run them. Please see the details in the link provided in the description column.\n\n\u003Ctable>\n \u003Ctbody>\n    \u003Ctr align=\"center\" valign=\"bottom\">\n      \u003Cth>Type\u003C\u002Fth>\n      \u003Cth>ABBRV\u003C\u002Fth>\n      \u003Cth>Algorithms\u003C\u002Fth>\n      \u003Cth>Description\u003C\u002Fth>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (1-st row) -->\n    \u003Ctd rowspan=\"6\" align=\"center\" valign=\"middle\" halign=\"middle\"> NAS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> TAS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.09717\">Network Pruning via Transformable Architecture Search\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FNeurIPS-2019-TAS.md\">NeurIPS-2019-TAS.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (2-nd row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> DARTS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.09055\">DARTS: Differentiable Architecture Search\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FICLR-2019-DARTS.md\">ICLR-2019-DARTS.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (3-nd row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> GDAS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.04465\">Searching for A Robust Neural Architecture in Four GPU Hours\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FCVPR-2019-GDAS.md\">CVPR-2019-GDAS.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (4-rd row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> SETN \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.05733\">One-Shot Neural Architecture Search via Self-Evaluated Template Network\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FICCV-2019-SETN.md\">ICCV-2019-SETN.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (5-th row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> NAS-Bench-201 \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fopenreview.net\u002Fforum?id=HJxyZkBKDr\"> NAS-Bench-201: Extending the Scope of Reproducible Neural Architecture Search\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FNAS-Bench-201.md\">NAS-Bench-201.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (6-th row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> NATS-Bench \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fxuanyidong.com\u002Fassets\u002Fprojects\u002FNATS-Bench\"> NATS-Bench: Benchmarking NAS Algorithms for Architecture Topology and Size\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FNATS-Bench\u002Fblob\u002Fmain\u002FREADME.md\">NATS-Bench.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (7-th row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> ... \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> ENAS \u002F REA \u002F REINFORCE \u002F BOHB \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> Please check the original papers \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FNAS-Bench-201.md\">NAS-Bench-201.md\u003C\u002Fa>  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FNATS-Bench\u002Fblob\u002Fmain\u002FREADME.md\">NATS-Bench.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (start second block) -->\n    \u003Ctd rowspan=\"1\" align=\"center\" valign=\"middle\" halign=\"middle\"> HPO \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> HPO-CG \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> Hyperparameter optimization with approximate gradient \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> coming soon \u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (start third block) -->\n    \u003Ctd rowspan=\"1\" align=\"center\" valign=\"middle\" halign=\"middle\"> Basic \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> ResNet \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> Deep Learning-based Image Classification \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FBASELINE.md\">BASELINE.md\u003C\u002Fa> \u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n \u003C\u002Ftbody>\n\u003C\u002Ftable>\n\n\n\n## Requirements and Preparation\n\n\n**First of all**, please use `pip install .` to install `xautodl` library.\n\nPlease install `Python>=3.6` and `PyTorch>=1.5.0`. (You could use lower versions of Python and PyTorch, but may have bugs).\nSome visualization codes may require `opencv`.\n\nCIFAR and ImageNet should be downloaded and extracted into `$TORCH_HOME`.\nSome methods use knowledge distillation (KD), which require pre-trained models. Please download these models from [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ANmiYEGX-IQZTfH8w0aSpj-Wypg-0DR-) (or train by yourself) and save into `.latent-data`.\n\nPlease use\n```\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects.git XAutoDL\n```\nto download this repo with submodules.\n\n## Citation\n\nIf you find that this project helps your research, please consider citing the related paper:\n```\n@inproceedings{dong2021autohas,\n  title     = {{AutoHAS}: Efficient Hyperparameter and Architecture Search},\n  author    = {Dong, Xuanyi and Tan, Mingxing and Yu, Adams Wei and Peng, Daiyi and Gabrys, Bogdan and Le, Quoc V},\n  booktitle = {2nd Workshop on Neural Architecture Search at International Conference on Learning Representations (ICLR)},\n  year      = {2021}\n}\n@article{dong2021nats,\n  title   = {{NATS-Bench}: Benchmarking NAS Algorithms for Architecture Topology and Size},\n  author  = {Dong, Xuanyi and Liu, Lu and Musial, Katarzyna and Gabrys, Bogdan},\n  doi     = {10.1109\u002FTPAMI.2021.3054824},\n  journal = {IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI)},\n  year    = {2021},\n  note    = {\\mbox{doi}:\\url{10.1109\u002FTPAMI.2021.3054824}}\n}\n@inproceedings{dong2020nasbench201,\n  title     = {{NAS-Bench-201}: Extending the Scope of Reproducible Neural Architecture Search},\n  author    = {Dong, Xuanyi and Yang, Yi},\n  booktitle = {International Conference on Learning Representations (ICLR)},\n  url       = {https:\u002F\u002Fopenreview.net\u002Fforum?id=HJxyZkBKDr},\n  year      = {2020}\n}\n@inproceedings{dong2019tas,\n  title     = {Network Pruning via Transformable Architecture Search},\n  author    = {Dong, Xuanyi and Yang, Yi},\n  booktitle = {Neural Information Processing Systems (NeurIPS)},\n  pages     = {760--771},\n  year      = {2019}\n}\n@inproceedings{dong2019one,\n  title     = {One-Shot Neural Architecture Search via Self-Evaluated Template Network},\n  author    = {Dong, Xuanyi and Yang, Yi},\n  booktitle = {Proceedings of the IEEE International Conference on Computer Vision (ICCV)},\n  pages     = {3681--3690},\n  year      = {2019}\n}\n@inproceedings{dong2019search,\n  title     = {Searching for A Robust Neural Architecture in Four GPU Hours},\n  author    = {Dong, Xuanyi and Yang, Yi},\n  booktitle = {Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR)},\n  pages     = {1761--1770},\n  year      = {2019}\n}\n```\n\n# Others\n\nIf you want to contribute to this repo, please see [CONTRIBUTING.md](.github\u002FCONTRIBUTING.md).\nBesides, please follow [CODE-OF-CONDUCT.md](.github\u002FCODE-OF-CONDUCT.md).\n\nWe use [`black`](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack) for Python code formatter.\nPlease use `black . -l 88`.\n\n# License\nThe entire codebase is under the [MIT license](LICENSE.md).\n","\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Fxuanyidong.com\u002Fresources\u002Fimages\u002FAutoDL-log.png\" width=\"400\"\u002F>\n\u003C\u002Fp>\n\n---------\n[![MIT 许可](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-brightgreen.svg)](LICENSE.md)\n\n自动化深度学习项目（AutoDL-Projects）是一个开源、轻量级且对所有人都有用的工具库。该项目实现了多种神经网络架构搜索（NAS）和超参数优化（HPO）算法。\n中文介绍见[README_CN.md](https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FREADME_CN.md)\n\n**哪些人适合使用 AutoDL-Projects**\n\n- 想要**尝试不同 AutoDL 算法**的初学者\n- 希望通过**试用 AutoDL**来评估其是否适用于自己项目的工程师\n- 想要**轻松**实现并实验**新**型 AutoDL 算法的研究人员\n\n**为什么选择 AutoDL-Projects**\n\n- 依赖库简单\n- 所有算法都集成在同一代码库中\n- 维护活跃\n\n## AutoDL-Projects 的功能\n\n目前，该项目提供了以下算法及其运行脚本。详细信息请参阅描述栏中提供的链接。\n\n\u003Ctable>\n \u003Ctbody>\n    \u003Ctr align=\"center\" valign=\"bottom\">\n      \u003Cth>类型\u003C\u002Fth>\n      \u003Cth>缩写\u003C\u002Fth>\n      \u003Cth>算法\u003C\u002Fth>\n      \u003Cth>描述\u003C\u002Fth>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (1-st row) -->\n    \u003Ctd rowspan=\"6\" align=\"center\" valign=\"middle\" halign=\"middle\"> NAS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> TAS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.09717\">基于可变换架构搜索的网络剪枝\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FNeurIPS-2019-TAS.md\">NeurIPS-2019-TAS.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (2-nd row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> DARTS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.09055\">可微架构搜索（DARTS）\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FICLR-2019-DARTS.md\">ICLR-2019-DARTS.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (3-nd row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> GDAS \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.04465\">四 GPU 小时内搜索鲁棒神经网络架构\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FCVPR-2019-GDAS.md\">CVPR-2019-GDAS.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (4-rd row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> SETN \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Farxiv.org\u002Fabs\u002F1910.05733\">基于自我评估模板网络的一次性神经网络架构搜索\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FICCV-2019-SETN.md\">ICCV-2019-SETN.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (5-th row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> NAS-Bench-201 \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fopenreview.net\u002Fforum?id=HJxyZkBKDr\">NAS-Bench-201：扩展可复现神经网络架构搜索的范围\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FNAS-Bench-201.md\">NAS-Bench-201.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (6-th row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> NATS-Bench \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fxuanyidong.com\u002Fassets\u002Fprojects\u002FNATS-Bench\">NATS-Bench：针对架构拓扑与大小的 NAS 算法基准测试\u003C\u002Fa> \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FNATS-Bench\u002Fblob\u002Fmain\u002FREADME.md\">NATS-Bench.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (7-th row) -->\n    \u003Ctd align=\"center\" valign=\"middle\"> ... \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> ENAS \u002F REA \u002F REINFORCE \u002F BOHB \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> 请查阅原始论文 \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FNAS-Bench-201.md\">NAS-Bench-201.md\u003C\u002Fa>  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FNATS-Bench\u002Fblob\u002Fmain\u002FREADME.md\">NATS-Bench.md\u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (start second block) -->\n    \u003Ctd rowspan=\"1\" align=\"center\" valign=\"middle\" halign=\"middle\"> HPO \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> HPO-CG \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> 基于近似梯度的超参数优化 \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> 即将推出 \u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr> \u003C!-- (start third block) -->\n    \u003Ctd rowspan=\"1\" align=\"center\" valign=\"middle\" halign=\"middle\"> 基础 \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> ResNet \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> 基于深度学习的图像分类 \u003C\u002Ftd>\n    \u003Ctd align=\"center\" valign=\"middle\"> \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Ftree\u002Fmain\u002Fdocs\u002FBASELINE.md\">BASELINE.md\u003C\u002Fa> \u003C\u002Fa> \u003C\u002Ftd>\n    \u003C\u002Ftr>\n \u003C\u002Ftbody}\n\u003C\u002Ftable>\n\n\n\n## 需求与准备\n\n\n**首先**, 请使用 `pip install .` 来安装 `xautodl` 库。\n\n请确保已安装 `Python>=3.6` 和 `PyTorch>=1.5.0`。（虽然可以使用较低版本的 Python 和 PyTorch，但可能会出现一些问题）。部分可视化代码可能需要 `opencv`。\n\nCIFAR 和 ImageNet 数据集需下载并解压至 `$TORCH_HOME` 目录下。某些方法会用到知识蒸馏（KD），这需要预先训练好的模型。请从 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fopen?id=1ANmiYEGX-IQZTfH8w0aSpj-Wypg-0DR-) 下载这些模型（或自行训练），并将它们保存为 `.latent-data` 文件。\n\n请使用以下命令克隆包含子模块的仓库：\n```\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects.git XAutoDL\n```\n\n## 引用\n\n如果您发现本项目对您的研究有所帮助，请考虑引用相关论文：\n```\n@inproceedings{dong2021autohas,\n  title     = {{AutoHAS}: 高效的超参数与架构搜索},\n  author    = {董轩毅、谭明星、Yu Adams Wei、彭代义、Gabrys Bogdan、Le Quoc V},\n  booktitle = {国际表征学习大会（ICLR）第二届神经架构搜索研讨会},\n  year      = {2021}\n}\n@article{dong2021nats,\n  title   = {{NATS-Bench}: 用于架构拓扑与规模评估的 NAS 算法基准测试},\n  author  = {董轩毅、刘璐、Musial Katarzyna、Gabrys Bogdan},\n  doi     = {10.1109\u002FTPAMI.2021.3054824},\n  journal = {IEEE 模式分析与机器智能汇刊（TPAMI）},\n  year    = {2021},\n  note    = {\\mbox{doi}:\\url{10.1109\u002FTPAMI.2021.3054824}}\n}\n@inproceedings{dong2020nasbench201,\n  title     = {{NAS-Bench-201}: 扩展可复现神经架构搜索的范围},\n  author    = {董轩毅、杨毅},\n  booktitle = {国际表征学习大会（ICLR）},\n  url       = {https:\u002F\u002Fopenreview.net\u002Fforum?id=HJxyZkBKDr},\n  year      = {2020}\n}\n@inproceedings{dong2019tas,\n  title     = {基于可变换架构搜索的网络剪枝},\n  author    = {董轩毅、杨毅},\n  booktitle = {神经信息处理系统会议（NeurIPS）},\n  pages     = {760--771},\n  year      = {2019}\n}\n@inproceedings{dong2019one,\n  title     = {通过自评估模板网络实现一次性神经架构搜索},\n  author    = {董轩毅、杨毅},\n  booktitle = {IEEE 国际计算机视觉大会（ICCV）论文集},\n  pages     = {3681--3690},\n  year      = {2019}\n}\n@inproceedings{dong2019search,\n  title     = {四 GPU 小时内搜索鲁棒神经架构},\n  author    = {董轩毅、杨毅},\n  booktitle = {IEEE 计算机视觉与模式识别会议（CVPR）论文集},\n  pages     = {1761--1770},\n  year      = {2019}\n}\n```\n\n# 其他\n\n如果您希望为本仓库做出贡献，请参阅 [CONTRIBUTING.md](.github\u002FCONTRIBUTING.md)。\n此外，请遵守 [CODE-OF-CONDUCT.md](.github\u002FCODE-OF-CONDUCT.md)。\n\n我们使用 [`black`](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack) 作为 Python 代码格式化工具。\n请运行 `black . -l 88`。\n\n# 许可证\n整个代码库采用 [MIT 许可证](LICENSE.md)。","# AutoDL-Projects 快速上手指南\n\nAutoDL-Projects 是一个开源、轻量且实用的自动化深度学习项目，集成了多种神经架构搜索（NAS）和超参数优化（HPO）算法。适合初学者尝试不同算法、工程师验证项目可行性以及研究人员快速实现新算法。\n\n## 环境准备\n\n在开始之前，请确保您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**：>= 3.6\n*   **PyTorch 版本**：>= 1.5.0\n    *   *注：虽然支持更低版本，但建议使用上述版本以避免潜在 Bug。*\n*   **其他依赖**：部分可视化代码需要安装 `opencv` (`pip install opencv-python`)。\n*   **数据集准备**：\n    *   需下载并解压 CIFAR 和 ImageNet 数据集至 `$TORCH_HOME` 目录。\n    *   部分方法（如知识蒸馏）需要预训练模型，请下载至 `.latent-data` 目录（或自行训练）。\n\n## 安装步骤\n\n### 1. 克隆仓库\n请使用以下命令克隆仓库并同步子模块（Submodules 对于运行某些基准测试至关重要）：\n\n```bash\ngit clone --recurse-submodules https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects.git XAutoDL\ncd XAutoDL\n```\n\n> **国内加速建议**：如果 GitHub 连接缓慢，可使用国内镜像源克隆：\n> ```bash\n> git clone --recurse-submodules https:\u002F\u002Fgitee.com\u002Fmirrors\u002FAutoDL-Projects.git XAutoDL\n> ```\n> *(注：若 Gitee 镜像未及时更新，请以官方 GitHub 为准)*\n\n### 2. 安装核心库\n进入项目目录后，使用 pip 安装 `xautodl` 库及其依赖：\n\n```bash\npip install .\n```\n\n## 基本使用\n\n本项目将不同的算法整合在同一代码库中，通过配置文件或脚本启动。以下是基于 **NAS-Bench-201** 的最简使用示例流程：\n\n### 1. 查看可用算法文档\n项目为每个算法提供了详细的说明文档。例如，要运行 DARTS 或 GDAS，请先阅读对应文档了解参数配置：\n*   DARTS: `docs\u002FICLR-2019-DARTS.md`\n*   NAS-Bench-201: `docs\u002FNAS-Bench-201.md`\n\n### 2. 运行示例脚本\n通常可以通过运行 `experiments` 目录下的脚本来启动搜索或训练。以在 CIFAR-10 上运行 NAS-Bench-201 的随机搜索为例：\n\n```bash\n# 示例：运行 NAS-Bench-201 上的随机搜索算法 (Random Search)\n# 具体命令参数请参考 docs\u002FNAS-Bench-201.md 中的详细说明\npython experiments\u002Fnas-bench-201\u002Fsearch-random.sh cifar10\n```\n\n或者使用 Python 直接调用接口进行简单测试：\n\n```python\nfrom xautodl import nas_bench\n\n# 初始化 NAS-Bench-201 接口\napi = nas_bench.NASBench201API(archive_path=\"path\u002Fto\u002Fnas-bench-201-v1_0-e61699.pth\")\n\n# 查询特定架构的性能\narch_index = 0\ninfo = api.get_meta_info_by_index(arch_index)\nprint(f\"Architecture {arch_index} info: {info}\")\n```\n\n### 3. 代码规范与贡献\n本项目使用 `black` 进行代码格式化。如果您计划修改代码或贡献新功能，请在提交前运行：\n\n```bash\nblack . -l 88\n```\n\n---\n*更多高级用法（如自定义搜索空间、分布式训练等），请参阅项目根目录下 `docs\u002F` 文件夹中的具体算法文档。*","某初创计算机视觉团队需要在有限算力下，为工业缺陷检测任务快速寻找最优卷积神经网络架构。\n\n### 没有 AutoDL-Projects 时\n- **复现成本极高**：团队成员需分别查找 DARTS、GDAS 等不同论文的独立代码库，环境依赖冲突频发，光是配置运行环境就耗费数天。\n- **算法对比困难**：由于各算法代码结构差异巨大，无法在同一框架下公平对比性能，难以判断哪种神经架构搜索（NAS）策略更适合当前数据集。\n- **试错门槛过高**：缺乏统一的超参数优化接口，研究人员若想尝试新的搜索策略，必须从零编写底层训练循环和评估逻辑，创新验证周期长达数周。\n- **资源浪费严重**：因缺乏高效的剪枝与搜索算法（如 TAS），只能盲目堆砌大模型进行暴力测试，导致昂贵的 GPU 算力大量空转。\n\n### 使用 AutoDL-Projects 后\n- **开箱即用**：直接调用项目内集成的 DARTS 或 GDAS 脚本，所有算法共享统一且轻量级的 PyTorch 依赖，环境搭建缩短至几小时以内。\n- **标准化评估**：利用内置的 NAS-Bench-201 和 NATS-Bench 基准，团队能在同一代码库中快速横向评测多种算法，迅速锁定最适合缺陷检测的架构拓扑。\n- **敏捷创新**：研究人员基于现有模块化代码，仅需修改少量配置即可实验新的搜索算法，将新想法的验证周期从数周压缩至数天。\n- **算力增效**：通过应用 TAS 等自动化剪枝与搜索技术，在四张 GPU 上即可搜素出鲁棒性强且参数量小的模型，显著降低了训练成本并提升了推理速度。\n\nAutoDL-Projects 通过统一且轻量的代码实现，将原本繁琐的算法复现与对比工作转化为高效的标准化流程，让团队能专注于业务逻辑而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FD-X-Y_AutoDL-Projects_3791c1c0.png","D-X-Y","Barry (Xuanyi) Dong","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FD-X-Y_61eeccbb.jpg","Member of Technical Staff@OpenAI","OpenAI ← Augment ← Google DeepMind","Mountain View, CA, USA",null,"https:\u002F\u002Fd-x-y.github.io\u002F","https:\u002F\u002Fgithub.com\u002FD-X-Y",[82,86,90,94],{"name":83,"color":84,"percentage":85},"Python","#3572A5",72.3,{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",24.8,{"name":91,"color":92,"percentage":93},"Shell","#89e051",2.7,{"name":95,"color":96,"percentage":97},"Vim Script","#199f4b",0.1,1588,287,"2026-04-12T14:05:48","MIT","未说明","需要 GPU（文中提及 'Four GPU Hours' 及 ImageNet 训练场景），具体型号、显存大小及 CUDA 版本未说明",{"notes":105,"python":106,"dependencies":107},"需将 CIFAR 和 ImageNet 数据集下载并解压至 $TORCH_HOME 目录；部分使用知识蒸馏（KD）的方法需要预训练模型，需从 Google Drive 下载或自行训练并保存至 .latent-data 目录；建议使用 git clone --recurse-submodules 命令克隆仓库以包含子模块。",">=3.6",[108,109,110],"PyTorch>=1.5.0","xautodl","opencv (部分可视化代码需要)",[14],[113,114,115,116,117],"nas","neural-architecture-search","automl","pytorch","autodl","2026-03-27T02:49:30.150509","2026-04-14T15:25:28.558560",[121,126,131,136,141,146,150,155],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},33171,"GDAS 中 Gumbel-softmax 的实现与原始定义不同，这样修改有什么特殊目的？","这种实现差异是经过实验验证的。您可以参考论文中的表 5（Table 5），其中展示了替换该实现后的结果对比，证明了当前实现的有效性。","https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Fissues\u002F54",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},33172,"如何复现 GDAS 论文中在全搜索空间（full search space）下的搜索结果？","目前 README 中提供的脚本主要针对 NAS-Bench-102 小搜索空间。虽然可以将 `search_space_name` 改为 \"full\"，但代码底层仍基于 NAS-Bench-102 设置。维护者表示会在有空时完善全搜索空间的脚本和设置，建议关注项目更新或暂时使用现有基准进行测试。","https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Fissues\u002F45",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},33173,"为什么在重训练（retraining）阶段不使用搜索阶段相同的 Gumbel-softmax 采样技巧？","如果您使用的是 NAS-Bench-201 或 NATS-Bench，实际上不需要重新训练模型。您可以直接通过项目提供的 API 查询已发现架构的性能指标（如验证准确率）。如果必须重训练，通常是因为需要评估非基准数据集上的表现，但在基准测试中直接调用 API 是标准做法。","https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Fissues\u002F91",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},33174,"运行 ImageNet16-120 数据集准备脚本时遇到链接失效或文件缺失错误怎么办？","这通常是因为 Google Drive 链接被误删或暂时不可用。维护者已确认并恢复了相关文件。如果遇到链接失效（如 `1T3UIyZXUhMmIuJLOBMIYKAsJknAtrrO4`），请检查项目 README 或 Issue 评论区获取最新的下载链接，或等待维护者修复。确保 `$TORCH_HOME\u002FILSVRC2012` 路径配置正确。","https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Fissues\u002F77",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},33175,"NAS-Bench-201 中每个单元（cell）的边是否只能有一个操作？输出是求和还是拼接？","1. 在 NAS-Bench-201 定义的 15,625 个候选细胞中，每条边只包含一个操作。\n2. 每个节点的输出是该节点所有入边操作变换后的特征图之“和”（sum），而不是“拼接”（concatenate）。这与 DARTS 等方法的拼接方式不同，因此输出通道数不会随节点数量增加而倍增。","https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Fissues\u002F85",{"id":147,"question_zh":148,"answer_zh":149,"source_url":145},33176,"使用 NAS-Bench-201 API 时每次运行初始化都很慢，这是正常现象吗？","是的，这是正常现象。API 在首次运行或每次重新初始化时需要加载大量的预计算数据（包含所有架构的性能指标），因此会消耗一定时间。建议在长时间运行的任务中保持进程活跃以避免重复加载，或者确认是否使用了正确的缓存机制。",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},33177,"搜索过程比论文描述的要慢很多（例如在 TITAN X 上需要 27 小时），如何解决？","搜索速度受硬件和具体配置影响较大。如果速度远低于预期，请检查：\n1. 是否使用了正确的搜索脚本（参考 `scripts-cnn` 目录）。\n2. 确认 GPU 内存是否充足，默认代码可能使用并行处理。\n3. 注意部分高级搜索代码可能在特定版本发布后才完全开放，请关注仓库的 Release 说明以获取优化后的搜索代码。","https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Fissues\u002F5",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},33178,"如何在 Jetson Nano (4GB 内存) 等低资源设备上训练模型？","官方并未针对 Jetson Nano 进行专门优化或测试。由于硬件架构差异和显存限制（默认代码可能占用超过 4GB 或使用多卡并行），直接运行可能会失败。建议尝试手动修改代码以减少批量大小（batch size）或禁用并行处理，但需注意这可能影响收敛效果。目前暂无官方支持的低资源配置方案。","https:\u002F\u002Fgithub.com\u002FD-X-Y\u002FAutoDL-Projects\u002Fissues\u002F20",[]]