[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Harry24k--bayesian-neural-network-pytorch":3,"tool-Harry24k--bayesian-neural-network-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",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":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":100,"github_topics":101,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":106,"updated_at":107,"faqs":108,"releases":137},270,"Harry24k\u002Fbayesian-neural-network-pytorch","bayesian-neural-network-pytorch","PyTorch implementation of bayesian neural network [torchbnn]","bayesian-neural-network-pytorch（简称 torchbnn）是一个基于 PyTorch 的轻量级贝叶斯神经网络库，专门用于实现贝叶斯深度学习。\n\n传统的神经网络只输出一个确定性的预测值，而贝叶斯神经网络能够为预测结果提供不确定性估计。这意味着模型不仅能告诉你“这是什么”，还能告诉你它对这个预测有多大把握。这种能力在许多实际场景中非常重要，比如医疗诊断、自动驾驶等需要评估风险的应用。\n\n这个库的使用非常简单，开发者只需通过 pip install torchbnn 即可安装。它提供了完整的贝叶斯神经网络功能，包括回归和分类任务，支持将现有的普通神经网络一键转换为贝叶斯神经网络，还可以通过 freeze 功能让模型输出稳定的结果。\n\ntorchbnn 特别适合以下用户：机器学习研究人员在进行不确定性相关研究时可以直接使用；深度学习开发者想要为自己的模型添加预测不确定性估计；以及需要模型输出置信度的工程应用场景。\n\n该库的技术亮点在于它实现了权重上的贝叶斯推断，通过对网络权重引入概率分布来建模不确定性，同时保持了 PyTorch 的易用性特性。","# Bayesian-Neural-Network-Pytorch\n\n\u003Cp>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fadversarial-attacks-pytorch\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg alt=\"MIT License\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FHarry24k\u002Fbayesian-neural-network-pytorch\" \u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ftorchbnn\">\u003Cimg alt=\"Pypi\" src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ftorchbnn.svg\" \u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fbayesian-neural-network-pytorch.readthedocs.io\u002Fen\u002Flatest\u002F\">\u003Cimg alt=\"Documentation Status\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHarry24k_bayesian-neural-network-pytorch_readme_13d664e1afd7.png\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\nThis is a lightweight repository of bayesian neural network for PyTorch.\n\n## Usage\n\n### :clipboard: Dependencies\n\n- torch 1.2.0\n- python 3.6\n\n\n\n### :hammer: Installation\n\n- `pip install torchbnn` or\n- `git clone https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch`\n\n```python\nimport torchbnn\n```\n\n\n\n### :rocket: Demos\n\n* **Bayesian Neural Network Regression** ([code](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FBayesian%20Neural%20Network%20Regression.ipynb)): \nIn this demo, two-layer bayesian neural network is constructed and trained on simple custom data. It shows how bayesian-neural-network works and randomness of the model.\n* **Bayesian Neural Network Classification** ([code](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FBayesian%20Neural%20Network%20Classification.ipynb)): \nTo classify Iris data, in this demo, two-layer bayesian neural network is constructed and trained on the Iris data. It shows how bayesian-neural-network works and randomness of the model.\n* **Convert to Bayesian Neural Network** ([code](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FConvert%20to%20Bayesian%20Neural%20Network.ipynb)): \nTo convert a basic neural network to a bayesian neural network, this demo shows how `nonbayes_to_bayes` and `bayes_to_nonbayes` work.\n* **Freeze Bayesian Neural Network** ([code](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FFreeze%20Bayesian%20Neural%20Network.ipynb)): \nTo freeze a bayesian neural network, which means force a bayesian neural network to output same result for same input, this demo shows the effect of `freeze` and `unfreeze`.\n\n\n## Citation\nIf you use this package, please cite the following BibTex (SemanticScholar, GoogleScholar):\n\n```\n@article{lee2022graddiv,\n  title={Graddiv: Adversarial robustness of randomized neural networks via gradient diversity regularization},\n  author={Lee, Sungyoon and Kim, Hoki and Lee, Jaewook},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  year={2022},\n  publisher={IEEE}\n}\n```\n\n## :mag_right: Update Records\n\nHere is [update records](Update%20Records.md) of this package.\n\n\n## Thanks to\n\n* @kumar-shridhar [github:PyTorch-BayesianCNN](https:\u002F\u002Fgithub.com\u002Fkumar-shridhar\u002FPyTorch-BayesianCNN)\n* @xuanqing94 [github:BayesianDefense](https:\u002F\u002Fgithub.com\u002Fxuanqing94\u002FBayesianDefense)\n","# Bayesian-Neural-Network-Pytorch\n\n\u003Cp>\n  \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fadversarial-attacks-pytorch\u002Fblob\u002Fmaster\u002FLICENSE\">\u003Cimg alt=\"MIT License\" src=\"https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FHarry24k\u002Fbayesian-neural-network-pytorch\" \u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ftorchbnn\">\u003Cimg alt=\"Pypi\" src=\"https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ftorchbnn.svg\" \u002F>\u003C\u002Fa>\n  \u003Ca href=\"https:\u002F\u002Fbayesian-neural-network-pytorch.readthedocs.io\u002Fen\u002Flatest\u002F\">\u003Cimg alt=\"Documentation Status\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHarry24k_bayesian-neural-network-pytorch_readme_13d664e1afd7.png\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n这是一个用于 PyTorch 的轻量级贝叶斯神经网络（Bayesian Neural Network，简称 BNN）仓库。\n\n## 使用方法\n\n### :clipboard: 依赖项\n\n- torch 1.2.0\n- python 3.6\n\n### :hammer: 安装\n\n- `pip install torchbnn` 或\n- `git clone https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch`\n\n```python\nimport torchbnn\n```\n\n### :rocket: 示例\n\n* **贝叶斯神经网络回归**（[代码](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FBayesian%20Neural%20Network%20Regression.ipynb)）：\n  在本示例中，构建了一个两层贝叶斯神经网络，并在简单的自定义数据上进行训练。它展示了贝叶斯神经网络的工作原理以及模型的随机性。\n* **贝叶斯神经网络分类**（[代码](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FBayesian%20Neural%20Network%20Classification.ipynb)）：\n  为了对鸢尾花（Iris）数据进行分类，本示例构建了一个两层贝叶斯神经网络，并在 Iris 数据集上进行训练。它展示了贝叶斯神经网络的工作原理以及模型的随机性。\n* **转换为贝叶斯神经网络**（[代码](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FConvert%20to%20Bayesian%20Neural%20Network.ipynb)）：\n  为了将基础神经网络转换为贝叶斯神经网络，本示例展示了 `nonbayes_to_bayes` 和 `bayes_to_nonbayes` 的使用方法。\n* **冻结贝叶斯神经网络**（[代码](https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fblob\u002Fmaster\u002Fdemos\u002FFreeze%20Bayesian%20Neural%20Network.ipynb)）：\n  为了冻结贝叶斯神经网络（即强制贝叶斯神经网络对相同输入输出相同结果），本示例展示了 `freeze` 和 `unfreeze` 的效果。\n\n## 引用\n\n如果您使用此包，请引用以下 BibTex（SemanticScholar、GoogleScholar）：\n\n```\n@article{lee2022graddiv,\n  title={Graddiv: Adversarial robustness of randomized neural networks via gradient diversity regularization},\n  author={Lee, Sungyoon and Kim, Hoki and Lee, Jaewook},\n  journal={IEEE Transactions on Pattern Analysis and Machine Intelligence},\n  year={2022},\n  publisher={IEEE}\n}\n```\n\n## :mag_right: 更新记录\n\n这里是该包的[更新记录](Update%20Records.md)。\n\n## 感谢\n\n* @kumar-shridhar [github:PyTorch-BayesianCNN](https:\u002F\u002Fgithub.com\u002Fkumar-shridhar\u002FPyTorch-BayesianCNN)\n* @xuanqing94 [github:BayesianDefense](https:\u002F\u002Fgithub.com\u002Fxuanqing94\u002FBayesianDefense)","# Bayesian-Neural-Network-Pytorch 快速上手指南\n\n## 环境准备\n\n- **Python**: 3.6 或更高版本\n- **PyTorch**: 1.2.0 或更高版本\n\n## 安装步骤\n\n### 方式一：pip 安装（推荐）\n\n```bash\npip install torchbnn\n```\n\n国内用户可使用镜像源加速：\n\n```bash\npip install torchbnn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\ncd bayesian-neural-network-pytorch\npip install .\n```\n\n## 基本使用\n\n### 导入库\n\n```python\nimport torch\nimport torchbnn as bnn\n```\n\n### 简单示例：构建贝叶斯神经网络\n\n```python\nimport torch\nimport torch.nn as nn\nimport torchbnn as bnn\n\n# 定义模型\nmodel = nn.Sequential(\n    bnn.BayesLinear(prior_mu=0, prior_sigma=0.1, in_features=1024, out_features=512),\n    nn.ReLU(),\n    bnn.BayesLinear(prior_mu=0, prior_sigma=0.1, in_features=512, out_features=10)\n)\n\n# 定义损失函数（KL 散度用于贝叶斯网络）\nce_loss = nn.CrossEntropyLoss()\nkl_loss = bnn.BayesKLLoss()\noptimizer = torch.optim.Adam(model.parameters(), lr=0.001)\n\n# 训练循环\nx = torch.randn(32, 1024)\ny = torch.randint(0, 10, (32,))\n\noptimizer.zero_grad()\noutput = model(x)\nce = ce_loss(output, y)\nkl = kl_loss(model)\nloss = ce + kl\nloss.backward()\noptimizer.step()\n```\n\n### 核心模块说明\n\n| 模块 | 说明 |\n|------|------|\n| `bnn.BayesLinear` | 贝叶斯线性层 |\n| `bnn.BayesConv2d` | 贝叶斯卷积层 |\n| `bnn.BayesKLLoss` | KL 散度损失 |\n| `bnn.BayesLSTM` | 贝叶斯 LSTM |\n| `nonbayes_to_bayes` | 将普通网络转为贝叶斯网络 |\n| `freeze` \u002F `unfreeze` | 冻结\u002F解冻贝叶斯网络 |\n\n## 相关链接\n\n- 官方文档：https:\u002F\u002Fbayesian-neural-network-pytorch.readthedocs.io\u002F\n- GitHub：https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\n- PyPI：https:\u002F\u002Fpypi.org\u002Fproject\u002Ftorchbnn\u002F","#疾病风险预测系统中的不确定性量化\n\n某三甲医院的数据科学团队正在开发一个基于患者体检数据的糖尿病风险预测模型，用于辅助基层医生进行早期筛查。传统深度学习模型只输出“是否患病”的确定结果，医生无法判断这个预测究竟有几分可信度。\n\n### 没有 bayesian-neural-network-pytorch 时\n\n- 医生只能看到模型输出的二分类结果，无法得知预测的置信度\n- 对于处于决策边界附近的患者（如患病概率在 45%-55% 之间），医生完全无法判断该相信模型还是依赖经验\n- 模型在训练数据分布外的异常样本（如数据录入错误）上也会给出过度自信的错误预测\n- 团队需要额外开发复杂的校准算法来估计模型不确定性，开发成本高\n- 当模型给出极端预测结果时，医生不敢轻易采信，影响实际临床使用率\n\n### 使用 bayesian-neural-network-pytorch 后\n\n- 模型输出预测结果的同时，还提供预测的标准差，直接反映不确定性水平\n- 医生可以设定阈值：当标准差超过 0.15 时，提示“建议复查”，低于 0.08 时可较放心采纳\n- 对于边界案例（如标准差 0.12），系统自动标记为“需结合其他检查”，辅助医生决策\n- 贝叶斯神经网络天然具备对分布外样本的“不确定性检测”能力，异常数据会表现出高方差\n- 只需几行代码即可将现有 PyTorch 模型转换为贝叶斯版本，无需从头开发\n\n通过引入贝叶斯神经网络，模型从“盲目给出答案”转变为“知道自己在什么时候不确定”，让 AI 辅助诊断真正变得可信可用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHarry24k_bayesian-neural-network-pytorch_8fc250f4.png","Harry24k","Hoki Kim","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHarry24k_b5ef1696.png",null,"Chung-Ang University","SEOUL, KOREA","hokikim@cau.ac.kr","HokiKimKR","trustworthyai.co.kr","https:\u002F\u002Fgithub.com\u002FHarry24k",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,555,87,"2026-04-02T03:59:06","MIT",1,"未说明",{"notes":95,"python":97,"dependencies":98},"3.6",[99],"torch 1.2.0",[13],[102,103,104,105],"bayesian","neural-network","deep-learning","pytorch","2026-03-27T02:49:30.150509","2026-04-06T08:45:18.634298",[109,114,119,124,128,133],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},866,"如何自定义 KL 散度损失函数和先验分布？","可以自定义 KL 散度损失函数和先验分布。为了提高性能，建议将先验 sigma 设置为 1.0。从示例图中可以看到 log_sigmas 接近 0，也就是说 sigma 接近 1.0，这表明后验分布与先验分布的匹配较好。","https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fissues\u002F2",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},867,"如何使用 BNN 进行不确定性估计？","可以使用类似 dropout 的方法进行多次推理，然后计算多次输出的方差来估计不确定性。具体做法是：多次（前向传播）运行模型，收集输出结果，然后计算这些输出的方差作为不确定性度量。另一种方法是只将最后一层设为 Bayesian 层（使用 bnn.BayesLinear），前面的层使用普通的 nn.Linear，这样可以解析计算输出方差。","https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fissues\u002F16",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},868,"BNN 中的后验 sigma 初始化可以修改吗？","可以修改后验 sigma 的初始化方式。代码中使用 fill_(self.prior_log_sigma) 初始化只是一种初始化方法，并非必须遵守。您可以根据需要选择其他初始化方式，这不会违反 BNN 理论。","https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":123},869,"重参数化技巧可以修改吗？","重参数化技巧（reparameterization techniques）是 BNN 的核心组成部分，必须保持不变。标准的重参数化公式为 z = mu + exp(sigma) * epsilon，其中 mu 是均值，sigma 是标准差的对数，epsilon 是从标准正态分布采样的噪声。这是实现变分推断的关键步骤。",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},870,"如何快速开始构建和训练一个简单的 BNN？","该仓库提供了 demos 文件夹，其中包含多个示例代码，如使用 Iris 数据集的自定义 KL 损失示例。您可以参考这些示例来构建和训练 BNN。仓库仍在重构中以检查错误，但简单的演示代码将很快发布。","https:\u002F\u002Fgithub.com\u002FHarry24k\u002Fbayesian-neural-network-pytorch\u002Fissues\u002F1",{"id":134,"question_zh":135,"answer_zh":136,"source_url":113},871,"为什么设置先验 sigma 为 0.05 但后验 sigma 接近 1.0？","这是正常现象。KL 损失的目标是缩小先验和后验之间的差距，但最终的后验 sigma 会根据数据和训练目标进行调整。默认情况下，log_sigmas 初始化为先验 log_sigma 的值，训练过程中会逐渐调整。如果想让后验更接近先验，可以将先验 sigma 设置为 1.0，这样训练后 log_sigmas 会接近 0（即 sigma 接近 1）。",[]]