[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-EdGENetworks--attention-networks-for-classification":3,"tool-EdGENetworks--attention-networks-for-classification":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",158594,2,"2026-04-16T23:34:05",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":77,"difficulty_score":32,"env_os":76,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":144},8185,"EdGENetworks\u002Fattention-networks-for-classification","attention-networks-for-classification","Hierarchical Attention Networks for Document Classification in PyTorch","attention-networks-for-classification 是一个基于 PyTorch 实现的开源项目，专注于利用分层注意力网络（Hierarchical Attention Networks）进行文档分类。它针对传统模型往往忽略文本内在层级结构的问题，创新地将“词组成句、句组成文”的层次关系融入模型设计中。通过分别在单词和句子层面引入注意力机制，该工具能让模型自动聚焦于对分类结果最关键的内容，从而显著提升长文档处理的准确率与可解释性。\n\n该项目高度还原了相关学术论文的核心算法，并支持双向 GRU 等先进结构。技术亮点在于其联合优化策略，能够同时训练单词级和句子级的注意力模型；此外，它还适配了 PyTorch 最新的变长序列处理功能（pack_padded_sequence），有效解决了填充数据带来的梯度干扰问题。代码库中包含了在电影评论数据集上的完整训练示例，为复现研究提供了便利。\n\nattention-networks-for-classification 非常适合自然语言处理领域的研究人员、算法工程师以及深度学习开发者使用。如果你正在探索如何提升文本分类效果，或希","attention-networks-for-classification 是一个基于 PyTorch 实现的开源项目，专注于利用分层注意力网络（Hierarchical Attention Networks）进行文档分类。它针对传统模型往往忽略文本内在层级结构的问题，创新地将“词组成句、句组成文”的层次关系融入模型设计中。通过分别在单词和句子层面引入注意力机制，该工具能让模型自动聚焦于对分类结果最关键的内容，从而显著提升长文档处理的准确率与可解释性。\n\n该项目高度还原了相关学术论文的核心算法，并支持双向 GRU 等先进结构。技术亮点在于其联合优化策略，能够同时训练单词级和句子级的注意力模型；此外，它还适配了 PyTorch 最新的变长序列处理功能（pack_padded_sequence），有效解决了填充数据带来的梯度干扰问题。代码库中包含了在电影评论数据集上的完整训练示例，为复现研究提供了便利。\n\nattention-networks-for-classification 非常适合自然语言处理领域的研究人员、算法工程师以及深度学习开发者使用。如果你正在探索如何提升文本分类效果，或希望深入理解注意力机制在层级化文本建模中的应用，这个项目将是一个极具参考价值的实践范本。","\n##  Hierarchical Attention Networks for Document Classification\n\nWe know that documents have a hierarchical structure, words combine to form sentences and sentences combine to form documents. We can try to learn that structure or we can input this hierarchical structure into the model and see if it improves the performance of existing models. [This paper](https:\u002F\u002Fwww.cs.cmu.edu\u002F~diyiy\u002Fdocs\u002Fnaacl16.pdf) exploits that structure to build a classification model. \n\nThis is an (close) implementation of the model in PyTorch. \n\n### Note:\n\n1. I jointly optimize both the word and sentence attention models with the same optimizer.\n2. The minibatches are padded with zeros. This can be improved, one can sort senteces with similar length together, and minimize the paddings.\n3. ~~Pytorch does not yet support gradient masking, so padded zeros will have gradients flowing through them during backpropagation. One can create a mask, but since I am interested in using Bidirectional GRU, it is not possible to use a mask. I've seen that variable length RNN supoort is coming soon to Pytorch as well.~~\n  Update: Pytorch does supoort masked RNN now with pack_padded_sequence method.\n\nThis picture from [Explosion blog](https:\u002F\u002Fexplosion.ai\u002Fblog\u002Fdeep-learning-formula-nlp) explains the structure perfectly.\n\n![alt text](deep-learning-formula-nlp_example.png \"Document Classification\")\n\n### Notebook\n\nThe notebook contains an example of trained model on IMDB movie review dataset. I could not get the original IMDB dataset that the paper referred to, so I have used [this data](http:\u002F\u002Fir.hit.edu.cn\u002F~dytang\u002Fpaper\u002Facl2015\u002Fdataset.7z)\n\nThe preprocessed data is available [here](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B1RmSd_tWx4CUnFQaXdvV2R1NFk\u002Fview?usp=sharing)\n\nThe best accuracy that I got was around ~ 0.35. This dataset has only 84919 samples and 10 classes. Here is the training loss for the dataset. \n\n![alt text](imdb_data_attn.png \"Document Classification\")","## 用于文档分类的层次化注意力网络\n\n我们知道，文档具有层次结构：单词组成句子，句子再组成文档。我们可以尝试学习这种层次结构，也可以将该层次结构直接输入到模型中，看看是否能提升现有模型的性能。[这篇论文](https:\u002F\u002Fwww.cs.cmu.edu\u002F~diyiy\u002Fdocs\u002Fnaacl16.pdf)正是利用了这种结构来构建分类模型。\n\n这里提供了一个使用 PyTorch 实现的（近似）版本模型。\n\n### 注意事项：\n\n1. 我使用同一个优化器同时优化词级和句级的注意力模型。\n2. 小批量数据会用零进行填充。这一点可以改进：可以将长度相近的句子放在一起，从而减少填充的数量。\n3. ~~目前 PyTorch 尚不支持梯度掩码，因此在反向传播过程中，填充的零也会产生梯度。理论上可以创建一个掩码，但由于我使用的是双向 GRU，无法应用掩码。不过，我了解到 PyTorch 即将支持变长 RNN，并提供了 pack_padded_sequence 方法。~~ 更新：PyTorch 现已通过 pack_padded_sequence 方法支持带掩码的 RNN。\n\n这张来自 [Explosion 博客](https:\u002F\u002Fexplosion.ai\u002Fblog\u002Fdeep-learning-formula-nlp) 的图片完美地解释了该模型的结构。\n\n![alt text](deep-learning-formula-nlp_example.png \"文档分类\")\n\n### 笔记本\n\n笔记本中包含了一个在 IMDB 电影评论数据集上训练好的示例模型。由于我未能获取论文中提到的原始 IMDB 数据集，因此使用了 [这份数据](http:\u002F\u002Fir.hit.edu.cn\u002F~dytang\u002Fpaper\u002Facl2015\u002Fdataset.7z)。\n\n预处理后的数据可在此下载：[链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B1RmSd_tWx4CUnFQaXdvV2R1NFk\u002Fview?usp=sharing)\n\n我得到的最佳准确率约为 0.35 左右。该数据集仅有 84,919 个样本和 10 个类别。以下是该数据集的训练损失曲线：\n\n![alt text](imdb_data_attn.png \"文档分类\")","# attention-networks-for-classification 快速上手指南\n\n本文档基于 PyTorch 实现的层次化注意力网络（Hierarchical Attention Networks），用于文档分类任务。该模型利用文档的层级结构（词组成句，句组成文档）来提升分类性能。\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, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.6+\n*   **核心依赖**：\n    *   PyTorch (支持 `pack_padded_sequence` 的版本)\n    *   torchvision (可选，视具体代码导入情况而定)\n*   **数据集**：本项目示例使用了预处理后的 IMDB 电影评论数据集（非原始 IMDB 数据，而是来自 HIT-SCIR 的变体，含 10 个类别）。\n\n> **国内加速建议**：\n> 安装 PyTorch 时，推荐使用清华或中科大镜像源以提升下载速度。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002Fattention-networks-for-classification.git\n    cd attention-networks-for-classification\n    ```\n    *(注：请将上述 URL 替换为实际的项目仓库地址)*\n\n2.  **安装依赖库**\n    如果项目包含 `requirements.txt`，请直接运行：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n    若需手动安装 PyTorch（以 CPU 版本为例，GPU 版本请访问 pytorch.org 获取对应命令）：\n    ```bash\n    pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **准备数据**\n    下载预处理后的数据集并解压到项目目录：\n    *   数据来源：[Google Drive 链接](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B1RmSd_tWx4CUnFQaXdvV2R1NFk\u002Fview?usp=sharing)\n    *   备用数据源（原论文参考）：[HIT-SCIR Dataset](http:\u002F\u002Fir.hit.edu.cn\u002F~dytang\u002Fpaper\u002Facl2015\u002Fdataset.7z)\n    \n    将下载的数据文件放置在代码期望读取的路径下（通常为 `data\u002F` 文件夹，具体请参考 notebook 中的路径设置）。\n\n## 基本使用\n\n该项目主要通过 Jupyter Notebook 提供训练和评估示例。\n\n1.  **启动 Jupyter Notebook**\n    ```bash\n    jupyter notebook\n    ```\n\n2.  **运行示例脚本**\n    在浏览器中打开项目目录下的 Notebook 文件（通常命名为 `example.ipynb` 或类似名称）。\n\n3.  **核心逻辑说明**\n    Notebook 中包含了完整的模型定义与训练流程：\n    *   **模型结构**：同时优化词级（word-level）和句级（sentence-level）的注意力机制。\n    *   **数据处理**：使用零填充（zero-padding）处理 mini-batch。代码已更新支持 `pack_padded_sequence` 以正确处理变长序列的梯度掩码。\n    *   **训练执行**：直接按顺序运行 Notebook 单元格即可开始训练。\n\n    **简单代码片段示例（模型初始化）**：\n    ```python\n    # 假设已在 Notebook 中导入相关类\n    model = HierarchicalAttnNetwork(\n        vocab_size=vocab_size,\n        embed_dim=300,\n        hidden_dim=128,\n        num_classes=10\n    )\n    \n    # 定义优化器\n    optimizer = torch.optim.Adam(model.parameters(), lr=0.001)\n    \n    # 开始训练循环 (具体逻辑请参阅 Notebook)\n    # train(model, train_loader, optimizer)\n    ```\n\n> **注意**：根据作者记录，在该特定数据集（84,919 个样本，10 个类别）上，最佳准确率约为 0.35。如需复现论文结果，建议尝试更大的标准 IMDB 数据集并调整超参数。","某电商内容风控团队需要自动识别海量用户评论中的恶意刷单或违规内容，但传统模型难以处理长文本中关键信息的定位问题。\n\n### 没有 attention-networks-for-classification 时\n- 模型将整条评论视为扁平的词序列，无法区分“物流太慢”与“产品质量极差”在语义层级上的差异，导致分类精度低下。\n- 面对长篇大论的评论，模型容易迷失在大量无关的语气词或冗余描述中，无法聚焦真正决定情感倾向的核心句子。\n- 缺乏可解释性，运营人员无法得知模型是依据哪句话判定评论违规，导致人工复核成本高昂且信任度低。\n- 直接填充零值处理变长文本引入了噪声梯度，影响了双向 GRU 对上下文依赖关系的捕捉能力。\n\n### 使用 attention-networks-for-classification 后\n- 利用层级注意力机制，模型先聚合词向量生成句子表示，再聚合句子生成文档表示，精准捕捉了“词 - 句 - 文”的嵌套结构特征。\n- 注意力权重自动高亮关键语句（如“完全是假货”），有效抑制了无关废话的干扰，显著提升了长文本分类的准确率。\n- 生成的注意力热力图直观展示了模型决策依据，风控人员可快速定位风险源头，大幅降低了人工审核的时间成本。\n- 结合 PyTorch 的 `pack_padded_sequence` 技术优化了填充掩码，消除了无效梯度的传播，使双向 GRU 能更纯净地学习上下文逻辑。\n\nattention-networks-for-classification 通过模拟人类阅读时的层级关注机制，让机器不仅能读懂文档内容，更能像专家一样抓住重点并解释判断理由。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEdGENetworks_attention-networks-for-classification_a9fd4f0f.png","EdGENetworks","EDGE","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FEdGENetworks_ac144b9a.jpg","",null,"devops@edgenetworks.in","getedge.ai","https:\u002F\u002Fgithub.com\u002FEdGENetworks",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",87,{"name":87,"color":88,"percentage":89},"Python","#3572A5",13,608,130,"2025-12-23T06:48:20","未说明",{"notes":95,"python":93,"dependencies":96},"该项目是 PyTorch 实现的层次化注意力网络。README 提到使用了 pack_padded_sequence 方法处理变长序列以支持掩码 RNN。示例数据为 IMDB 电影评论数据集（84919 个样本，10 个类别），作者在该数据集上获得的最高准确率约为 0.35。代码中未明确列出具体的操作系统、GPU、内存或 Python 版本要求。",[97],"torch",[14,35],[100,101,102,103,104,105],"pytorch","deep-learning","nlp","hierarchical-attention-networks","document-classification","lstm","2026-03-27T02:49:30.150509","2026-04-17T08:25:54.158561",[109,114,119,124,129,134,139],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},36601,"训练过程中 Loss 出现 NaN 怎么办？","这通常是因为参数（bias_word 和 bias_sent）未初始化导致的。解决方法是在 AttentionWordRNN 和 AttentionSentRNN 的 init() 函数中分别添加以下代码进行初始化：\nself.bias_word.data.uniform_(-0.1, 0.1)\nself.bias_sent.data.uniform_(-0.1, 0.1)\n这种情况通常发生在隐藏层维度较小时。","https:\u002F\u002Fgithub.com\u002FEdGENetworks\u002Fattention-networks-for-classification\u002Fissues\u002F7",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},36602,"如何保存和加载训练好的模型？","可以分别保存 Word 和 Sentence 编码器。保存时使用：\ntorch.save(model_name.state_dict(), model_path)\n加载时，先使用 torch.load 将文件读入内存，然后使用：\nmodel.load_state_dict()\n来恢复模型参数。","https:\u002F\u002Fgithub.com\u002FEdGENetworks\u002Fattention-networks-for-classification\u002Fissues\u002F4",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},36603,"在哪里可以获取示例数据集 imdb_final.json？","维护者提供了该文件的 Google Drive 下载链接：\nhttps:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F0B1RmSd_tWx4CUnFQaXdvV2R1NFk\u002Fview?usp=sharing","https:\u002F\u002Fgithub.com\u002FEdGENetworks\u002Fattention-networks-for-classification\u002Fissues\u002F2",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},36604,"当 GRU 设置为非双向（bidirectional=False）时无法训练，如何解决？","这是一个代码 bug。在 model.py 文件的第 135 行，需要将 bidirectional 参数显式设置为 False。请将代码从：\nself.sent_gru = nn.GRU(word_gru_hidden, sent_gru_hidden, bidirectional=True)\n修改为：\nself.sent_gru = nn.GRU(word_gru_hidden, sent_gru_hidden, bidirectional=False)","https:\u002F\u002Fgithub.com\u002FEdGENetworks\u002Fattention-networks-for-classification\u002Fissues\u002F12",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},36605,"运行脚本时报错\"RuntimeError: input must have 3 dimensions, got 2\"怎么办？","这个错误通常发生在某个文档只包含一个句子时。解决方法是修改代码逻辑，当句子长度为 1 时不要进入循环处理，这样可以避免维度不匹配的问题。","https:\u002F\u002Fgithub.com\u002FEdGENetworks\u002Fattention-networks-for-classification\u002Fissues\u002F6",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},36606,"如何使用该模型对单条数据进行预测？","你可以加载训练好的模型，并将 batch size 设置为 1 来进行单条数据预测。维护者提供了一个具体的代码示例供参考：\nhttps:\u002F\u002Fgist.github.com\u002FSandeep42\u002Fb4af6aaf1fa92a69f26558fda246dd6f","https:\u002F\u002Fgithub.com\u002FEdGENetworks\u002Fattention-networks-for-classification\u002Fissues\u002F5",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},36607,"为什么所有句子都共享同一个 LSTM 参数，而不是为每个句子训练不同的 LSTM？","原始论文并未提及为不同句子训练不同的 RNN。该模型强制分类器学习句子序列和词序列之间的共享表示，这种共享表示有助于模型更好地泛化到未见过的数据。虽然技术上可以训练不同的 GRU，但这被认为是徒劳的努力。","https:\u002F\u002Fgithub.com\u002FEdGENetworks\u002Fattention-networks-for-classification\u002Fissues\u002F3",[]]