[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-FreedomIntelligence--TextClassificationBenchmark":3,"tool-FreedomIntelligence--TextClassificationBenchmark":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",146793,2,"2026-04-08T23:32:35",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":32,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":99,"github_topics":101,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":142},5705,"FreedomIntelligence\u002FTextClassificationBenchmark","TextClassificationBenchmark","A Benchmark of Text Classification in PyTorch","TextClassificationBenchmark 是一个基于 PyTorch 构建的文本分类基准测试平台，旨在为自然语言处理领域提供一套标准化的实验框架。它主要解决了研究人员和开发者在对比不同文本分类算法时，面临的数据集格式不统一、模型复现困难以及评估标准缺失等痛点。\n\n该项目非常适合 AI 研究人员、算法工程师以及深度学习爱好者使用。无论是需要快速验证新想法的学者，还是希望学习经典模型实现的学生，都能从中获益。TextClassificationBenchmark 集成了 IMDB、SST、Trec 等多个主流情感分析与主题分类数据集，并内置了从基础的 FastText、CNN、LSTM 到前沿的 Transformer、胶囊网络（Capsule）乃至量子启发神经网络等多种模型架构。\n\n其独特的技术亮点在于模块化的设计结构，将数据加载、模型定义与参数配置清晰分离，支持用户通过简单的命令行指令即可切换模型或数据集进行训练与测试。此外，项目还提供了预训练的词向量资源，进一步降低了实验门槛。作为一个开源协作项目，它不仅帮助用户高效完成模型性能比对，也为探索混合架构（如 CNN 与 R","TextClassificationBenchmark 是一个基于 PyTorch 构建的文本分类基准测试平台，旨在为自然语言处理领域提供一套标准化的实验框架。它主要解决了研究人员和开发者在对比不同文本分类算法时，面临的数据集格式不统一、模型复现困难以及评估标准缺失等痛点。\n\n该项目非常适合 AI 研究人员、算法工程师以及深度学习爱好者使用。无论是需要快速验证新想法的学者，还是希望学习经典模型实现的学生，都能从中获益。TextClassificationBenchmark 集成了 IMDB、SST、Trec 等多个主流情感分析与主题分类数据集，并内置了从基础的 FastText、CNN、LSTM 到前沿的 Transformer、胶囊网络（Capsule）乃至量子启发神经网络等多种模型架构。\n\n其独特的技术亮点在于模块化的设计结构，将数据加载、模型定义与参数配置清晰分离，支持用户通过简单的命令行指令即可切换模型或数据集进行训练与测试。此外，项目还提供了预训练的词向量资源，进一步降低了实验门槛。作为一个开源协作项目，它不仅帮助用户高效完成模型性能比对，也为探索混合架构（如 CNN 与 RNN 结合）提供了便捷的实验床，是深入理解文本分类技术的实用工具。","# Text Classification Benchmark\nA Benchmark of Text Classification in PyTorch\n\n\n## Motivation\n\nWe are trying to build a Benchmark for Text Classification including\n\n\n>Many Text Classification  **DataSet**, including Sentiment\u002FTopic Classfication, popular language(e.g. English and Chinese). Meanwhile, a basic word embedding is provided.\n\n>Implment many popular and state-of-art **Models**, especially in deep neural network.\n\n## Have done\nWe have done some dataset and models\n### Dataset done\n- IMDB\n- SST \n- Trec\n\n### Models done\n- FastText\n- BasicCNN (KimCNN,MultiLayerCNN, Multi-perspective CNN)\n- InceptionCNN\n- LSTM (BILSTM, StackLSTM)\n- LSTM with Attention (Self Attention \u002F Quantum Attention)\n- Hybrids between CNN and RNN (RCNN, C-LSTM)\n- Transformer - Attention is all you need\n- ConS2S\n- Capsule\n- Quantum-inspired NN\n\n## Libary\n\nYou should have install [these librarys](docs\u002Fwindows_torch_en.md)\n\u003Cpre>\npython3\ntorch\ntorchtext (optional)\n\u003C\u002Fpre>\n\n## Dataset \nDataset will be automatically configured in current path, or download manually your data in [Dataset](docs\u002Fdata_config_en.md),  step-by step.\n\nincluding\n\u003Cpre>\nGlove embeding\nSentiment classfication dataset IMDB\n\u003C\u002Fpre>\n\n\n## usage\n\n\nRun in default  setting\n\u003Cpre>\u003Ccode>python main.py\u003C\u002Fcode>\u003C\u002Fpre>\n\nCNN \n\u003Cpre>\u003Ccode>python main.py --model cnn\u003C\u002Fcode>\u003C\u002Fpre>\n\nLSTM\n\u003Cpre>\u003Ccode>python main.py --model lstm\u003C\u002Fcode>\u003C\u002Fpre>\n\n## Road Map\n- [X] Data preprossing framework\n- [X] Models modules\n- [ ] Loss, Estimator and hyper-paramter tuning.\n- [ ] Test modules\n- [ ] More Dataset\n- [ ] More models\n\n\n\n## Organisation of the repository\nThe core of this repository is models and dataset.\n\n\n* ```dataloader\u002F```: loading all dataset such as ```IMDB```, ```SST```\n\n* ```models\u002F```: creating all models such as ```FastText```, ```LSTM```,```CNN```,```Capsule```,```QuantumCNN``` ,```Multi-Head Attention```\n\n* ```opts.py```: Parameter and config info.\n\n* ```utils.py```: tools.\n\n* ```dataHelper```: data helper\n\n\n\n\n## Contributor\n-\t[@Allenzhai](https:\u002F\u002Fgithub.com\u002Fzhaizheng)\n-\t[@JaredWei](https:\u002F\u002Fgithub.com\u002Fjacobwei)\n-\t[@AlexMeng](https:\u002F\u002Fgithub.com\u002FEdwardLorenz)\n-\t[@Lilianwang](https:\u002F\u002Fgithub.com\u002FWangLilian)\n-\t[@ZhanSu](https:\u002F\u002Fgithub.com\u002Fshuishen112)\n-\t[@Wabywang](https:\u002F\u002Fgithub.com\u002FWabyking)\n\nWelcome your issues and contribution!!!\n\n","# 文本分类基准测试\nPyTorch 中的文本分类基准测试\n\n\n## 动机\n\n我们正在构建一个文本分类基准测试，其中包括\n\n\n> 许多文本分类 **数据集**，涵盖情感\u002F主题分类以及多种流行语言（例如英语和中文）。同时，还提供基础的词嵌入。\n\n> 实现许多流行且最先进的 **模型**，尤其是在深度神经网络领域。\n\n## 已完成的工作\n我们已经完成了一些数据集和模型。\n### 已完成的数据集\n- IMDB\n- SST\n- TREC\n\n### 已完成的模型\n- FastText\n- 基础 CNN（KimCNN、多层 CNN、多视角 CNN）\n- InceptionCNN\n- LSTM（BiLSTM、StackLSTM）\n- 带注意力机制的 LSTM（自注意力 \u002F 量子注意力）\n- CNN 和 RNN 的混合模型（RCNN、C-LSTM）\n- Transformer - Attention is all you need\n- ConS2S\n- Capsule\n- 量子启发式神经网络\n\n## 库依赖\n您需要安装[这些库](docs\u002Fwindows_torch_en.md)\n\u003Cpre>\npython3\ntorch\ntorchtext（可选）\n\u003C\u002Fpre>\n\n## 数据集 \n数据集将自动配置在当前路径下，或者您可以按照[数据集配置文档](docs\u002Fdata_config_en.md)中的步骤手动下载数据。\n\n包括：\n\u003Cpre>\nGlove 词嵌入\nIMDB 情感分类数据集\n\u003C\u002Fpre>\n\n\n## 使用方法\n\n\n使用默认设置运行\n\u003Cpre>\u003Ccode>python main.py\u003C\u002Fcode>\u003C\u002Fpre>\n\nCNN\n\u003Cpre>\u003Ccode>python main.py --model cnn\u003C\u002Fcode>\u003C\u002Fpre>\n\nLSTM\n\u003Cpre>\u003Ccode>python main.py --model lstm\u003C\u002Fcode>\u003C\u002Fpre>\n\n## 路线图\n- [X] 数据预处理框架\n- [X] 模型模块\n- [ ] 损失函数、评估器及超参数调优。\n- [ ] 测试模块\n- [ ] 更多数据集\n- [ ] 更多模型\n\n\n\n## 仓库组织结构\n该仓库的核心是模型和数据集。\n\n\n* ```dataloader\u002F```: 加载所有数据集，如```IMDB```、```SST```等。\n\n* ```models\u002F```: 创建所有模型，如```FastText```、```LSTM```、```CNN```、```Capsule```、```QuantumCNN```、```多头注意力```等。\n\n* ```opts.py```: 参数和配置信息。\n\n* ```utils.py```: 工具函数。\n\n* ```dataHelper```: 数据辅助工具。\n\n\n\n\n## 贡献者\n-\t[@Allenzhai](https:\u002F\u002Fgithub.com\u002Fzhaizheng)\n-\t[@JaredWei](https:\u002F\u002Fgithub.com\u002Fjacobwei)\n-\t[@AlexMeng](https:\u002F\u002Fgithub.com\u002FEdwardLorenz)\n-\t[@Lilianwang](https:\u002F\u002Fgithub.com\u002FWangLilian)\n-\t[@ZhanSu](https:\u002F\u002Fgithub.com\u002Fshuishen112)\n-\t[@Wabywang](https:\u002F\u002Fgithub.com\u002FWabyking)\n\n欢迎提出问题和贡献！！！","# TextClassificationBenchmark 快速上手指南\n\nTextClassificationBenchmark 是一个基于 PyTorch 的文本分类基准测试工具，集成了多种主流数据集（如 IMDB、SST、TREC）和前沿深度学习模型（如 CNN、LSTM、Transformer、Capsule 等），支持中英文任务及基础词向量。\n\n## 环境准备\n\n**系统要求**\n- 操作系统：Linux \u002F macOS \u002F Windows\n- Python 版本：Python 3.x\n\n**前置依赖**\n本项目核心依赖如下：\n- `python3`\n- `torch` (PyTorch)\n- `torchtext` (可选，用于简化数据加载)\n\n> **国内加速建议**：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> 例如使用 pip 安装：\n> ```bash\n> pip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. **克隆仓库**\n   将项目代码下载到本地：\n   ```bash\n   git clone \u003Crepository_url>\n   cd TextClassificationBenchmark\n   ```\n\n2. **安装依赖库**\n   确保已安装 Python 3，然后安装必要的 Python 包：\n   ```bash\n   pip install torch\n   pip install torchtext\n   ```\n   *(注：若仅需运行基础功能，`torchtext` 为可选依赖)*\n\n3. **配置数据集**\n   数据集将在首次运行时自动配置并下载到当前路径。\n   - 默认包含：Glove 词向量、IMDB 情感分类数据集等。\n   - 如需手动下载或配置其他数据集（如 SST, TREC），请参考 `docs\u002Fdata_config_en.md` 文档。\n\n## 基本使用\n\n所有实验均通过 `main.py` 脚本启动。\n\n**1. 使用默认设置运行**\n默认情况下，系统将使用预设模型和数据集进行训练与评估：\n```bash\npython main.py\n```\n\n**2. 指定模型运行**\n您可以通过 `--model` 参数选择特定的深度学习模型：\n\n- 运行 **CNN** 模型（包含 KimCNN, MultiLayerCNN 等变体）：\n  ```bash\n  python main.py --model cnn\n  ```\n\n- 运行 **LSTM** 模型（包含 BiLSTM, StackLSTM 等变体）：\n  ```bash\n  python main.py --model lstm\n  ```\n\n> **提示**：更多模型选项（如 `transformer`, `capsule`, `fasttext` 等）可直接替换上述命令中的模型名称，具体支持的模型列表请参阅 `models\u002F` 目录。","某电商数据团队急需构建多语言评论情感分析系统，以快速评估新上线产品的用户口碑。\n\n### 没有 TextClassificationBenchmark 时\n- **模型选型盲目**：面对 FastText、LSTM、Transformer 等众多架构，团队需从零复现代码进行对比，耗时数周仍难确定最优方案。\n- **数据预处理繁琐**：处理 IMDB 英文数据集和中文评论时，缺乏统一的加载与清洗框架，每次实验都要重复编写数据管道代码。\n- **基线建立困难**：缺少预置的 Word Embedding（如 Glove）和标准评测流程，导致实验结果难以横向对比，无法验证新改进的有效性。\n- **环境配置易错**：手动安装 PyTorch 及相关依赖库时常出现版本冲突，排查环境问题占据了大量开发时间。\n\n### 使用 TextClassificationBenchmark 后\n- **一键模型比对**：通过 `python main.py --model lstm` 等简单命令，即可在统一框架下快速切换并测试 CNN、BiLSTM、Capsule 等十几种主流模型，当天完成基线筛选。\n- **数据自动就绪**：工具自动配置并下载 IMDB、SST 等数据集，内置多语言支持及基础词向量，让团队能立即专注于算法调优而非数据清洗。\n- **标准化评测体系**：基于预置的数据加载器（dataloader）和模型模块，实验结果具备高度可比性，迅速锁定了适合混合语言场景的 Hybrid CNN-RNN 架构。\n- **开箱即用体验**：依托清晰的依赖文档和默认运行设置，团队成员在几分钟内即可完成环境搭建并跑通第一个 Demo。\n\nTextClassificationBenchmark 将原本需要数周的模型调研与基建工作压缩至数小时，让团队能聚焦于核心业务逻辑的迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FFreedomIntelligence_TextClassificationBenchmark_6856d2ab.png","FreedomIntelligence","Freedom AI","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FFreedomIntelligence_05188041.png","",null,"https:\u002F\u002Fgithub.com\u002FFreedomIntelligence",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.7,{"name":85,"color":86,"percentage":87},"Shell","#89e051",0.3,607,134,"2026-03-31T06:45:45","MIT","未说明",{"notes":94,"python":95,"dependencies":96},"数据集（如 IMDB, SST, Trec）和预训练词向量（Glove）会自动配置在当前路径，也可参考文档手动下载。项目包含多种深度学习模型（CNN, LSTM, Transformer 等）的实现。","python3",[97,98],"torch","torchtext (可选)",[14,35,100],"其他",[102,103,104,105,106,107,108,109,110,111,112,113],"text-classification","benchmark","lstm","pytorch","capusle","cnn","cnn-classification","lstm-sentiment-analysis","attention-is-all-you-need","rcnn","crnn","quantum","2026-03-27T02:49:30.150509","2026-04-09T09:28:37.374404",[117,122,127,132,137],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},25899,"如何运行该项目？入口文件在哪里？","项目包含 main.py 作为入口文件。此前因移除部分敏感代码导致文件缺失，现已修复并重新添加。请直接运行 main.py 即可启动项目。","https:\u002F\u002Fgithub.com\u002FFreedomIntelligence\u002FTextClassificationBenchmark\u002Fissues\u002F12",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},25900,"是否需要新的数据预处理来替代 torchText？","是的，需要新的数据预处理脚本。因为 torchText 无法支持所有可能用到的数据集，所以构建新的数据处理脚本是必要的。目前新的数据预处理已实现，对于新数据集，通常只需要编写一个简单的适配器（adapter）即可；初期可以优先为那些 torchText 无法处理的数据集编写脚本。","https:\u002F\u002Fgithub.com\u002FFreedomIntelligence\u002FTextClassificationBenchmark\u002Fissues\u002F2",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},25901,"为什么 Windows 和 Linux 下的训练结果（Loss 和精度）差异巨大？","这种差异可能与操作系统环境及深度学习框架版本有关（例如用户报告的 Windows\u002FPyTorch 0.3\u002FPython3 与 Linux\u002FPyTorch 0.2\u002FPython2 环境对比）。维护者表示暂时无法复现该特定结果差异，具体原因尚不明确。建议检查并确保两端环境的 PyTorch 版本、Python 版本以及随机种子设置保持一致，以排除环境因素导致的误差。","https:\u002F\u002Fgithub.com\u002FFreedomIntelligence\u002FTextClassificationBenchmark\u002Fissues\u002F1",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},25902,"项目是否提供英文文档？","是的，项目已支持英文文档。社区贡献者已提交包含翻译后文档文件的 Pull Request，维护者已接受并合并，现在用户可以查阅英文版的文档资料。","https:\u002F\u002Fgithub.com\u002FFreedomIntelligence\u002FTextClassificationBenchmark\u002Fissues\u002F16",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},25903,"是否有英文版的 README 说明文件？","有的。针对用户提出的需求，维护者已经更新并添加了英文版的 README 文件，解决了此前只有中文说明的问题。","https:\u002F\u002Fgithub.com\u002FFreedomIntelligence\u002FTextClassificationBenchmark\u002Fissues\u002F6",[]]