[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Eric-mingjie--rethinking-network-pruning":3,"tool-Eric-mingjie--rethinking-network-pruning":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",140436,2,"2026-04-05T23:32:43",[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":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":10,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":106,"updated_at":107,"faqs":108,"releases":139},4028,"Eric-mingjie\u002Frethinking-network-pruning","rethinking-network-pruning","Rethinking the Value of Network Pruning (Pytorch) (ICLR 2019)","rethinking-network-pruning 是一个基于 PyTorch 的开源项目，旨在复现 ICLR 2019 获奖论文《Rethinking the Value of Network Pruning》中的实验结果与预训练模型。它主要解决了深度学习模型压缩领域的一个核心误区：传统观点认为必须通过“训练大模型、剪枝、再微调”的复杂流程才能获得高效模型，而该项目通过严谨实验证明，对于结构化剪枝，直接从零开始训练剪枝后的架构，往往能获得同等甚至更高的准确率。\n\n这一发现表明，大模型中学习到的“重要权重”对最终的小模型帮助有限，真正决定效率的是剪枝后的网络架构本身。因此，剪枝在某种程度上可被视为一种高效的神经架构搜索手段。项目内置了 L1 范数剪枝、ThiNet、Network Slimming 等七种主流剪枝方法的实现代码，并提供了针对 CIFAR 和 ImageNet 数据集的完整评估方案。\n\n该工具非常适合人工智能研究人员和深度学习开发者使用。对于研究者，它提供了验证剪枝算法基线的可靠标准，有助于避免无效对比；对于开发者，其模块化的代码实现可直接复用，帮助快速构建更轻量、高效","rethinking-network-pruning 是一个基于 PyTorch 的开源项目，旨在复现 ICLR 2019 获奖论文《Rethinking the Value of Network Pruning》中的实验结果与预训练模型。它主要解决了深度学习模型压缩领域的一个核心误区：传统观点认为必须通过“训练大模型、剪枝、再微调”的复杂流程才能获得高效模型，而该项目通过严谨实验证明，对于结构化剪枝，直接从零开始训练剪枝后的架构，往往能获得同等甚至更高的准确率。\n\n这一发现表明，大模型中学习到的“重要权重”对最终的小模型帮助有限，真正决定效率的是剪枝后的网络架构本身。因此，剪枝在某种程度上可被视为一种高效的神经架构搜索手段。项目内置了 L1 范数剪枝、ThiNet、Network Slimming 等七种主流剪枝方法的实现代码，并提供了针对 CIFAR 和 ImageNet 数据集的完整评估方案。\n\n该工具非常适合人工智能研究人员和深度学习开发者使用。对于研究者，它提供了验证剪枝算法基线的可靠标准，有助于避免无效对比；对于开发者，其模块化的代码实现可直接复用，帮助快速构建更轻量、高效的部署模型，无需再依赖繁琐的大模型预训练流程。","# Rethinking the Value of Network Pruning\nThis repository contains the code for reproducing the results, and trained ImageNet models, in the following paper:  \n\nRethinking the Value of Network Pruning. [[arXiv]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.05270) [[OpenReview]](https:\u002F\u002Fopenreview.net\u002Fforum?id=rJlnB3C5Ym)\n\n[Zhuang Liu](https:\u002F\u002Fliuzhuang13.github.io\u002F)\\*, [Mingjie Sun](https:\u002F\u002Feric-mingjie.github.io\u002F)\\*, [Tinghui Zhou](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~tinghuiz\u002F), [Gao Huang](http:\u002F\u002Fwww.gaohuang.net\u002F), [Trevor Darrell](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~trevor\u002F) (\\* equal contribution).\n\nICLR 2019. Also [Best Paper Award](https:\u002F\u002Fnips.cc\u002FConferences\u002F2018\u002FSchedule?showEvent=10941) at NIPS 2018 Workshop on Compact Deep Neural Networks.\n\nSeveral pruning methods' implementations contained in this repo can also be readily used for other research purposes.\n\n## Paper Summary\n\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEric-mingjie_rethinking-network-pruning_readme_13c506af61ed.png\" width=\"360\">\n\u003C\u002Fdiv>\n\n\u003Cdiv align=center>\nFig 1: A typical three-stage network pruning\npipeline.\n\u003C\u002Fdiv>\n\n\u003Cbr>\n\nOur paper shows that for **structured** pruning, **training the pruned model from scratch can almost always achieve comparable or higher level of accuracy than the model obtained from the typical \"training, pruning and fine-tuning\" (Fig. 1) procedure**. We conclude that for those pruning methods:\n\n1. Training a large, over-parameterized model is often not necessary to obtain an efficient final model.\n2. Learned “important” weights of the large model are typically not useful for the small pruned model. \n3. The pruned architecture itself, rather than a set of inherited “important” weights, is more crucial to the efficiency in the final model, which suggests that in some cases pruning can be useful as an architecture search paradigm. \n\nOur results suggest the need for more careful baseline evaluations in future research on structured pruning methods. \n\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEric-mingjie_rethinking-network-pruning_readme_47d47b7bc82f.png\" width=\"400\">\n\u003C\u002Fdiv>\n\nFig 2: Difference between predefined and automatically discovered target architectures, in channel pruning. The pruning ratio x is user-specified, while a, b, c, d are determined by the pruning algorithm. Unstructured sparse pruning can also be viewed as automatic. Our finding has different implications for predefined and automatic methods: for a predefined method, it is possible to skip the traditional \"training, pruning and fine-tuning\" pipeline and directly train the pruned model; for automatic methods, the pruning can be seen as a form of architecture learning.\n\n\u003Cbr>\n\nWe also compare with the \"[Lottery Ticket Hypothesis](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.03635)\" (Frankle & Carbin 2019), and find that with optimal learning rate, the \"winning ticket\" initialization as used in Frankle & Carbin (2019) does not bring improvement over random initialization. For more details please refer to our paper.\n\n## Implementation\nWe evaluated the following seven pruning methods. \n\n1. [L1-norm based channel pruning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.08710)\n2. [ThiNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.06342)\n3. [Regression based feature reconstruction](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.06168)\n4. [Network Slimming](https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.06519)\n5. [Sparse Structure Selection](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.01213)\n6. [Soft filter pruning](https:\u002F\u002Fwww.ijcai.org\u002Fproceedings\u002F2018\u002F0309.pdf)\n7. [Unstructured weight-level pruning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.02626)\n\nThe first six is structured while the last one is unstructured (or sparse). For CIFAR, our code is based on [pytorch-classification](https:\u002F\u002Fgithub.com\u002Fbearpaw\u002Fpytorch-classification) and [network-slimming](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Fnetwork-slimming). For ImageNet, we use the [official Pytorch ImageNet training code](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fexamples\u002Fblob\u002F0.3.1\u002Fimagenet\u002Fmain.py). The instructions and models are in each subfolder.\n\nFor experiments on [The Lottery Ticket Hypothesis](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.03635), please refer to the folder [cifar\u002Flottery-ticket](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Ftree\u002Fmaster\u002Fcifar\u002Flottery-ticket).\n\nOur experiment environment is Python 3.6 & PyTorch 0.3.1. \n\n## Contact\nFeel free to discuss papers\u002Fcode with us through issues\u002Femails!\n\nsunmj15 at gmail.com  \nliuzhuangthu at gmail.com\n\n## Citation\nIf you use our code in your research, please cite:\n```\n@inproceedings{liu2018rethinking,\n  title={Rethinking the Value of Network Pruning},\n  author={Liu, Zhuang and Sun, Mingjie and Zhou, Tinghui and Huang, Gao and Darrell, Trevor},\n  booktitle={ICLR},\n  year={2019}\n}\n```\n","# 重新思考网络剪枝的价值\n本仓库包含用于复现以下论文结果的代码及训练好的 ImageNet 模型：\n\n重新思考网络剪枝的价值。[[arXiv]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.05270) [[OpenReview]](https:\u002F\u002Fopenreview.net\u002Fforum?id=rJlnB3C5Ym)\n\n[Zhuang Liu](https:\u002F\u002Fliuzhuang13.github.io\u002F)、[Mingjie Sun](https:\u002F\u002Feric-mingjie.github.io\u002F)、[Tinghui Zhou](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~tinghuiz\u002F)、[Gao Huang](http:\u002F\u002Fwww.gaohuang.net\u002F)、[Trevor Darrell](https:\u002F\u002Fpeople.eecs.berkeley.edu\u002F~trevor\u002F)（* 共同第一作者）。\n\nICLR 2019。同时荣获 NIPS 2018 紧凑型深度神经网络研讨会“最佳论文奖”。\n\n本仓库中包含的几种剪枝方法实现也可直接用于其他研究目的。\n\n## 论文摘要\n\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEric-mingjie_rethinking-network-pruning_readme_13c506af61ed.png\" width=\"360\">\n\u003C\u002Fdiv>\n\n\u003Cdiv align=center>\n图 1：典型的三阶段网络剪枝流程。\n\u003C\u002Fdiv>\n\n\u003Cbr>\n\n我们的研究表明，对于**结构化**剪枝而言，**从头开始训练剪枝后的模型，几乎总是能够达到与传统“训练—剪枝—微调”流程（图 1）所得到的模型相当甚至更高的精度**。由此我们得出结论：对于这些剪枝方法，\n\n1. 为了获得高效的最终模型，通常并不需要先训练一个参数量过大的大型模型。\n2. 大型模型中学习到的“重要”权重，往往对小型剪枝模型并无助益。\n3. 最终模型的效率更多取决于剪枝后的架构本身，而非继承自大型模型的一组“重要”权重；这表明在某些情况下，剪枝可以作为一种架构搜索范式来使用。\n\n我们的研究结果提示，在未来关于结构化剪枝方法的研究中，需要更加谨慎地进行基线评估。\n\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEric-mingjie_rethinking-network-pruning_readme_47d47b7bc82f.png\" width=\"400\">\n\u003C\u002Fdiv>\n\n图 2：通道剪枝中，预定义目标架构与自动发现目标架构之间的差异。剪枝比例 x 由用户指定，而 a、b、c、d 则由剪枝算法决定。非结构化稀疏剪枝同样可以视为一种自动化过程。我们的发现对预定义方法和自动化方法具有不同的启示：对于预定义方法，可以直接跳过传统的“训练—剪枝—微调”流程，转而直接训练剪枝后的模型；而对于自动化方法，则可将剪枝视为一种架构学习的过程。\n\n\u003Cbr>\n\n我们还对比了“彩票彩票假说”（Frankle & Carbin, 2019），并发现，在采用最优学习率的情况下，“中奖彩票”初始化方法并未比随机初始化带来任何性能提升。更多细节请参阅我们的论文。\n\n## 实现\n我们评估了以下七种剪枝方法。\n\n1. [基于 L1 范数的通道剪枝](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.08710)\n2. [ThiNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.06342)\n3. [基于回归的特征重建](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.06168)\n4. [Network Slimming](https:\u002F\u002Farxiv.org\u002Fabs\u002F1708.06519)\n5. [稀疏结构选择](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.01213)\n6. [软过滤器剪枝](https:\u002F\u002Fwww.ijcai.org\u002Fproceedings\u002F2018\u002F0309.pdf)\n7. [非结构化权重级剪枝](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.02626)\n\n前六种属于结构化剪枝，而最后一种则属于非结构化（或稀疏）剪枝。针对 CIFAR 数据集，我们的代码基于 [pytorch-classification](https:\u002F\u002Fgithub.com\u002Fbearpaw\u002Fpytorch-classification) 和 [network-slimming](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Fnetwork-slimming)；针对 ImageNet 数据集，则使用 [PyTorch 官方 ImageNet 训练代码](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fexamples\u002Fblob\u002F0.3.1\u002Fimagenet\u002Fmain.py)。相关说明和模型文件均位于各自的子文件夹中。\n\n关于“彩票彩票假说”的实验，请参阅 [cifar\u002Flottery-ticket](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Ftree\u002Fmaster\u002Fcifar\u002Flottery-ticket) 文件夹。\n\n我们的实验环境为 Python 3.6 和 PyTorch 0.3.1。\n\n## 联系方式\n欢迎通过 Issues 或邮件与我们讨论论文和代码！\n\nsunmj15 at gmail.com  \nliuzhuangthu at gmail.com\n\n## 引用\n如果您在研究中使用了我们的代码，请引用：\n```\n@inproceedings{liu2018rethinking,\n  title={Rethinking the Value of Network Pruning},\n  author={Liu, Zhuang and Sun, Mingjie and Zhou, Tinghui and Huang, Gao and Darrell, Trevor},\n  booktitle={ICLR},\n  year={2019}\n}\n```","# Rethinking Network Pruning 快速上手指南\n\n本指南基于论文《Rethinking the Value of Network Pruning》（ICLR 2019），旨在帮助开发者复现结构化剪枝实验结果。核心结论表明：对于结构化剪枝，**从头训练剪枝后的模型**通常能获得与“训练 - 剪枝 - 微调”流程相当甚至更高的精度。\n\n## 环境准备\n\n本项目官方测试环境较旧，建议在兼容环境中运行，或根据现代 PyTorch 版本适当调整代码。\n\n- **操作系统**: Linux (推荐 Ubuntu)\n- **Python**: 3.6\n- **深度学习框架**: PyTorch 0.3.1\n- **数据集**: CIFAR-10 或 ImageNet\n\n> **注意**：由于 PyTorch 0.3.1 版本较老，若在现代环境（如 PyTorch 1.x\u002F2.x）中运行，可能需要修改部分 API 调用（如 `Variable` 已废弃，优化器参数格式变化等）。\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning.git\n   cd rethinking-network-pruning\n   ```\n\n2. **创建虚拟环境并安装依赖**\n   由于官方要求特定版本，建议使用 `conda` 创建隔离环境：\n   ```bash\n   conda create -n pruning python=3.6\n   conda activate pruning\n   \n   # 安装对应版本的 PyTorch (0.3.1) 和 torchvision\n   # 注：旧版本可能需在 pytorch 官网历史版本页查找具体命令，或使用 pip 指定版本\n   pip install torch==0.3.1 torchvision==0.2.1\n   \n   # 安装其他通用依赖\n   pip install numpy scipy opencv-python\n   ```\n\n   *若国内下载缓慢，可配置清华源加速：*\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch==0.3.1 torchvision==0.2.1 numpy scipy opencv-python\n   ```\n\n## 基本使用\n\n项目包含 CIFAR 和 ImageNet 两个主要实验目录。以下以 **CIFAR-10** 上的 **L1-norm 通道剪枝** 为例，演示“从头训练剪枝模型”的核心流程。\n\n### 1. 进入 CIFAR 实验目录\n```bash\ncd cifar\n```\n\n### 2. 训练原始大模型（可选）\n若需先获取未剪枝的基准模型：\n```bash\npython main.py --arch resnet18 --dataset cifar10 --save_path .\u002Fcheckpoints\u002Foriginal\n```\n\n### 3. 执行剪枝并从头训练\n根据论文核心观点，直接定义剪枝比例并从头训练新架构是更高效的方案。以下命令演示如何对 ResNet-18 进行 50% 通道剪枝并从头训练：\n\n```bash\n# 示例：使用 L1-norm 策略，剪枝率 0.5，从头训练\npython prune.py --arch resnet18 --dataset cifar10 --prune_ratio 0.5 --method l1 --save_path .\u002Fcheckpoints\u002Fpruned_from_scratch\n```\n\n*参数说明：*\n- `--arch`: 网络架构 (如 `resnet18`, `vgg19`)\n- `--prune_ratio`: 剪枝比例 (0.0 ~ 1.0)\n- `--method`: 剪枝方法 (支持 `l1`, `thinet`, `slimming` 等，对应论文中实现的 7 种方法)\n- `--save_path`: 模型保存路径\n\n### 4. 验证模型精度\n训练完成后，使用测试集评估剪枝后模型的性能：\n```bash\npython main.py --arch resnet18 --dataset cifar10 --resume .\u002Fcheckpoints\u002Fpruned_from_scratch\u002Fcheckpoint.pth.tar --evaluate\n```\n\n> **提示**：具体的脚本文件名（如 `prune.py` 或 `main.py` 中的参数）可能因子文件夹结构略有不同，请查阅 `cifar\u002F` 或 `imagenet\u002F` 目录下各具体方法文件夹中的 `README` 或脚本头部注释以获取最准确的命令行参数。","某自动驾驶初创公司的算法团队正致力于将高精度图像识别模型部署到算力受限的车载边缘芯片上，急需在压缩模型体积的同时保持检测准确率。\n\n### 没有 rethinking-network-pruning 时\n- 团队遵循传统的“训练大模型→剪枝→微调”三阶段流程，耗费数周 GPU 时间进行冗长的微调，却难以恢复剪枝后的精度损失。\n- 误以为大模型中学习到的“重要权重”对最终小模型至关重要，因此不敢直接从头训练精简后的架构，导致研发路径被锁定在低效范式中。\n- 在对比不同剪枝算法时，由于基线评估方法不当（未对比从头训练的效果），错误地高估了某些复杂剪枝策略的实际收益，浪费了宝贵的工程资源。\n\n### 使用 rethinking-network-pruning 后\n- 团队依据论文结论，跳过耗时的微调阶段，直接对剪枝后的目标架构从头训练，发现准确率不仅完全恢复，甚至略高于传统流程所得模型。\n- 认识到对于结构化剪枝，核心优势在于“剪枝后的网络架构”而非“继承的权重”，从而大胆简化工作流，将模型迭代周期从数周缩短至几天。\n- 利用工具中集成的多种剪枝方法（如 L1-norm、ThiNet 等）作为架构搜索范式，快速筛选出最适合车载芯片的高效网络结构，避免了无效的超参数调优。\n\nrethinking-network-pruning 的核心价值在于颠覆了传统剪枝认知，证明直接训练精简架构往往优于复杂的微调流程，从而大幅降低了高效模型的开发成本与时间门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FEric-mingjie_rethinking-network-pruning_45d57655.png","Eric-mingjie","Mingjie Sun","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FEric-mingjie_ce8e2164.png","CMU CS PhD","Pittsburgh, PA",null,"https:\u002F\u002Feric-mingjie.github.io","https:\u002F\u002Fgithub.com\u002FEric-mingjie",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,1516,291,"2026-04-03T09:27:26","MIT","未说明","需要 NVIDIA GPU（基于 PyTorch ImageNet 训练代码推断），具体型号和显存大小未说明，CUDA 版本未说明",{"notes":96,"python":97,"dependencies":98},"该工具主要基于 PyTorch 0.3.1 开发，代码分别基于 pytorch-classification、network-slimming 以及官方 PyTorch ImageNet 训练脚本。由于依赖的 PyTorch 版本较老（0.3.1），在现代环境中运行可能需要调整代码或寻找兼容环境。项目包含 CIFAR 和 ImageNet 两个数据集的实验代码，ImageNet 实验通常需要较高的计算资源。","3.6",[99],"torch==0.3.1",[13],[102,103,104,105],"convolutional-neural-networks","network-pruning","deep-learning","pytorch","2026-03-27T02:49:30.150509","2026-04-06T08:44:25.313195",[109,114,119,124,129,134],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},18337,"为什么我的网络剪枝（Network Slimming）结果与论文中描述的通道分布不同？","这通常是因为使用了多轮次（multi-pass）方案。在论文《Rethinking the Value of Network Pruning》中，作者明确指出他们没有使用多轮次方案。如果您发现高层的 gamma 平均值较高导致前层被大量剪枝且精度下降，请检查是否遵循了单轮次剪枝的设置。","https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F24",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},18338,"ImageNet 上 Network Slimming 的训练 epoch 数应该是 60 还是 90？","标准设置应为 90 个 epoch。原始 Network Slimming 论文中使用 60 个 epoch 是由于当时的资源限制，且该论文在 VGG-11 实验中存在一个关于全连接层激活函数的严重 Bug。本项目修复了该 Bug 并采用了标准的 90 个 epoch 进行训练。如果下载的模型字典中显示 epoch 为 60，那是元数据未更新，实际训练是符合标准设置的。","https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F3",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},18339,"在进行高比例剪枝（如 70% 或更高）时遇到\"IndexError: index 0 is out of bounds\"错误，剩余通道数为 0 怎么办？","这是普通模型在高比例剪枝下可能出现的问题，即某些层的通道被完全剪除导致维度为 0。解决方法是使用掩码实现（mask implementation）。对于激进剪枝（aggressive pruning），请参考并使用该项目提供的 mask 实现代码：https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Fnetwork-slimming\u002Ftree\u002Fmaster\u002Fmask-impl。普通的基于阈值的剪枝方法在这种情况下可能不适用。","https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F50",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},18340,"在训练 Network Slimming 时，是否应该对 BatchNorm 层应用 L2 权重衰减（weight decay）？","在该项目的代码中，为了遵循通用实践，会对 BatchNorm 层应用 L2 惩罚（weight decay）。虽然在基线训练（无稀疏正则化）中，不对 BN 层应用 L2 衰减可能表现更好，但为了保持与代码库和常规做法的一致性，建议保留默认设置（即应用 L2 衰减），即使同时应用了 L1 稀疏损失。","https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F27",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},18341,"剪枝流程应该是先剪枝再训练，还是先训练再剪枝微调？预训练模型是随机权重的吗？","论文的核心观点是“从头训练（training from scratch）”可以达到与“微调（fine-tuning）”相似的性能，但这并不违反使用预训练模型的实践。预训练模型不是随机权重的。在实际操作中，如果您已有预训练模型，直接剪枝后微调通常更快。如果您想复现论文中关于随机初始化权重的实验结论，则需要从头训练；否则，使用预训练模型进行剪枝和微调是标准且高效的做法。","https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F46",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},18342,"运行剪枝脚本时出现 PyTorch 版本相关的错误或维度不匹配问题，推荐使用什么版本？","该仓库的代码是基于 PyTorch 0.3.1 版本编写的。如果您在使用较新版本的 PyTorch 时遇到维度错误或类似\"IndexError\"的问题，可能是因为版本差异导致的。建议尝试在 PyTorch 0.3.1 环境下运行，或者根据新版 PyTorch 的 API 变化对代码进行相应调整。特别是进行激进剪枝实验时，版本兼容性至关重要。","https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F44",[]]