[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-HobbitLong--RepDistiller":3,"tool-HobbitLong--RepDistiller":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",138956,2,"2026-04-05T11:33:21",[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":80,"owner_location":81,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":23,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":106,"github_topics":81,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":155},962,"HobbitLong\u002FRepDistiller","RepDistiller","[ICLR 2020] Contrastive Representation Distillation (CRD), and benchmark of recent knowledge distillation methods","RepDistiller 是一个面向知识蒸馏研究的 PyTorch 开源工具包，由 ICLR 2020 论文《Contrastive Representation Distillation》的作者团队维护。它既实现了对比表征蒸馏（CRD）这一创新方法，也系统整合了 12 种主流知识蒸馏算法的基准测试，包括经典的 KD、FitNet、Attention Transfer 等。\n\n知识蒸馏的核心挑战在于：如何让一个轻量级的\"学生\"模型高效学习大型\"教师\"模型的知识，从而在保持推理速度的同时提升准确率。RepDistiller 通过提供统一、可复现的实验框架，解决了研究者在对比不同蒸馏方法时面临的代码实现不一致、超参数设置混乱等问题。\n\n这款工具特别适合深度学习研究人员和算法工程师使用。如果你正在探索模型压缩、边缘设备部署，或需要为特定任务寻找最优的蒸馏策略，RepDistiller 提供了开箱即用的对比基准。其技术亮点在于 CRD 方法引入了对比学习思想，通过拉近正样本对、推远负样本对来传递结构化的表征知识，突破了传统基于软标签或特征匹配的局限。\n\n工具支持 CIFAR-100 等标准数据","RepDistiller 是一个面向知识蒸馏研究的 PyTorch 开源工具包，由 ICLR 2020 论文《Contrastive Representation Distillation》的作者团队维护。它既实现了对比表征蒸馏（CRD）这一创新方法，也系统整合了 12 种主流知识蒸馏算法的基准测试，包括经典的 KD、FitNet、Attention Transfer 等。\n\n知识蒸馏的核心挑战在于：如何让一个轻量级的\"学生\"模型高效学习大型\"教师\"模型的知识，从而在保持推理速度的同时提升准确率。RepDistiller 通过提供统一、可复现的实验框架，解决了研究者在对比不同蒸馏方法时面临的代码实现不一致、超参数设置混乱等问题。\n\n这款工具特别适合深度学习研究人员和算法工程师使用。如果你正在探索模型压缩、边缘设备部署，或需要为特定任务寻找最优的蒸馏策略，RepDistiller 提供了开箱即用的对比基准。其技术亮点在于 CRD 方法引入了对比学习思想，通过拉近正样本对、推远负样本对来传递结构化的表征知识，突破了传统基于软标签或特征匹配的局限。\n\n工具支持 CIFAR-100 等标准数据集，命令行接口设计清晰，可灵活组合多种蒸馏损失，方便研究者快速验证新想法或复现经典结果。","# RepDistiller\n\nThis repo:\n\n**(1) covers the implementation of the following ICLR 2020 paper:**\n\n\"Contrastive Representation Distillation\" (CRD). [Paper](http:\u002F\u002Farxiv.org\u002Fabs\u002F1910.10699), [Project Page](http:\u002F\u002Fhobbitlong.github.io\u002FCRD\u002F).\n\n\u003Cdiv style=\"text-align:center\">\u003Cimg src=\"http:\u002F\u002Fhobbitlong.github.io\u002FCRD\u002FCRD_files\u002Fteaser.jpg\" width=\"85%\" height=\"85%\">\u003C\u002Fdiv>  \n\n\u003Cp>\u003C\u002Fp>\n\n**(2) benchmarks 12 state-of-the-art knowledge distillation methods in PyTorch, including:**\n\n(KD) - Distilling the Knowledge in a Neural Network  \n(FitNet) - Fitnets: hints for thin deep nets  \n(AT) - Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks\n    via Attention Transfer  \n(SP) - Similarity-Preserving Knowledge Distillation  \n(CC) - Correlation Congruence for Knowledge Distillation  \n(VID) - Variational Information Distillation for Knowledge Transfer  \n(RKD) - Relational Knowledge Distillation  \n(PKT) - Probabilistic Knowledge Transfer for deep representation learning  \n(AB) - Knowledge Transfer via Distillation of Activation Boundaries Formed by Hidden Neurons  \n(FT) - Paraphrasing Complex Network: Network Compression via Factor Transfer  \n(FSP) - A Gift from Knowledge Distillation:\n    Fast Optimization, Network Minimization and Transfer Learning  \n(NST) - Like what you like: knowledge distill via neuron selectivity transfer \n\n## Installation\n\nThis repo was tested with Ubuntu 16.04.5 LTS, Python 3.5, PyTorch 0.4.0, and CUDA 9.0. But it should be runnable with recent PyTorch versions >=0.4.0\n\n## Running\n\n1. Fetch the pretrained teacher models by:\n\n    ```\n    sh scripts\u002Ffetch_pretrained_teachers.sh\n    ```\n   which will download and save the models to `save\u002Fmodels`\n   \n2. Run distillation by following commands in `scripts\u002Frun_cifar_distill.sh`. An example of running Geoffrey's original Knowledge Distillation (KD) is given by:\n\n    ```\n    python train_student.py --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth --distill kd --model_s resnet8x4 -r 0.1 -a 0.9 -b 0 --trial 1\n    ```\n    where the flags are explained as:\n    - `--path_t`: specify the path of the teacher model\n    - `--model_s`: specify the student model, see 'models\u002F\\_\\_init\\_\\_.py' to check the available model types.\n    - `--distill`: specify the distillation method\n    - `-r`: the weight of the cross-entropy loss between logit and ground truth, default: `1`\n    - `-a`: the weight of the KD loss, default: `None`\n    - `-b`: the weight of other distillation losses, default: `None`\n    - `--trial`: specify the experimental id to differentiate between multiple runs.\n    \n    Therefore, the command for running CRD is something like:\n    ```\n    python train_student.py --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth --distill crd --model_s resnet8x4 -a 0 -b 0.8 --trial 1\n    ```\n    \n3. Combining a distillation objective with KD is simply done by setting `-a` as a non-zero value, which results in the following example (combining CRD with KD)\n    ```\n    python train_student.py --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth --distill crd --model_s resnet8x4 -a 1 -b 0.8 --trial 1     \n    ```\n\n4. (optional) Train teacher networks from scratch. Example commands are in `scripts\u002Frun_cifar_vanilla.sh`\n\nNote: the default setting is for a single-GPU training. If you would like to play this repo with multiple GPUs, you might need to tune the learning rate, which empirically needs to be scaled up linearly with the batch size, see [this paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.02677)\n\n## Benchmark Results on CIFAR-100:\n\nPerformance is measured by classification accuracy (%)\n\n1. Teacher and student are of the **same** architectural type.\n\n| Teacher \u003Cbr> Student | wrn-40-2 \u003Cbr> wrn-16-2 | wrn-40-2 \u003Cbr> wrn-40-1 | resnet56 \u003Cbr> resnet20 | resnet110 \u003Cbr> resnet20 | resnet110 \u003Cbr> resnet32 | resnet32x4 \u003Cbr> resnet8x4 |  vgg13 \u003Cbr> vgg8 |\n|:---------------:|:-----------------:|:-----------------:|:-----------------:|:------------------:|:------------------:|:--------------------:|:-----------:|\n| Teacher \u003Cbr> Student |    75.61 \u003Cbr> 73.26    |    75.61 \u003Cbr> 71.98    |    72.34 \u003Cbr> 69.06    |     74.31 \u003Cbr> 69.06    |     74.31 \u003Cbr> 71.14    |      79.42 \u003Cbr> 72.50     | 74.64 \u003Cbr> 70.36 |\n| KD | 74.92 | 73.54 | 70.66 | 70.67 | 73.08 | 73.33 | 72.98 |\n| FitNet | 73.58 | 72.24 | 69.21 | 68.99 | 71.06 | 73.50 | 71.02 |\n| AT | 74.08 | 72.77 | 70.55 | 70.22 | 72.31 | 73.44 | 71.43 |\n| SP | 73.83 | 72.43 | 69.67 | 70.04 | 72.69 | 72.94 | 72.68 |\n| CC | 73.56 | 72.21 | 69.63 | 69.48 | 71.48 | 72.97 | 70.71 |\n| VID | 74.11 | 73.30 | 70.38 | 70.16 | 72.61 | 73.09 | 71.23 |\n| RKD | 73.35 | 72.22 | 69.61 | 69.25 | 71.82 | 71.90 | 71.48 |\n| PKT | 74.54 | 73.45 | 70.34 | 70.25 | 72.61 | 73.64 | 72.88 |\n| AB | 72.50 | 72.38 | 69.47 | 69.53 | 70.98 | 73.17 | 70.94 |\n| FT | 73.25 | 71.59 | 69.84 | 70.22 | 72.37 | 72.86 | 70.58 |\n| FSP | 72.91 | N\u002FA | 69.95 | 70.11 | 71.89 | 72.62 | 70.23 |\n| NST | 73.68 | 72.24 | 69.60 | 69.53 | 71.96 | 73.30 | 71.53 |\n| **CRD** | **75.48** | **74.14** | **71.16** | **71.46** | **73.48** | **75.51** | **73.94** |\n\n2. Teacher and student are of **different** architectural type.\n\n| Teacher \u003Cbr> Student | vgg13 \u003Cbr> MobileNetV2 | ResNet50 \u003Cbr> MobileNetV2 | ResNet50 \u003Cbr> vgg8 | resnet32x4 \u003Cbr> ShuffleNetV1 | resnet32x4 \u003Cbr> ShuffleNetV2 | wrn-40-2 \u003Cbr> ShuffleNetV1 |\n|:---------------:|:-----------------:|:--------------------:|:-------------:|:-----------------------:|:-----------------------:|:---------------------:|\n| Teacher \u003Cbr> Student |    74.64 \u003Cbr> 64.60    |      79.34 \u003Cbr> 64.60     |  79.34 \u003Cbr> 70.36  |       79.42 \u003Cbr> 70.50       |       79.42 \u003Cbr> 71.82       |      75.61 \u003Cbr> 70.50      |\n| KD | 67.37 | 67.35 | 73.81 | 74.07 | 74.45 | 74.83 |\n| FitNet | 64.14 | 63.16 | 70.69 | 73.59 | 73.54 | 73.73 |\n| AT | 59.40 | 58.58 | 71.84 | 71.73 | 72.73 | 73.32 |\n| SP | 66.30 | 68.08 | 73.34 | 73.48 | 74.56 | 74.52 |\n| CC | 64.86 | 65.43 | 70.25 | 71.14 | 71.29 | 71.38 |\n| VID | 65.56 | 67.57 | 70.30 | 73.38 | 73.40 | 73.61 |\n| RKD | 64.52 | 64.43 | 71.50 | 72.28 | 73.21 | 72.21 |\n| PKT | 67.13 | 66.52 | 73.01 | 74.10 | 74.69 | 73.89 |\n| AB | 66.06 | 67.20 | 70.65 | 73.55 | 74.31 | 73.34 |\n| FT | 61.78 | 60.99 | 70.29 | 71.75 | 72.50 | 72.03 |\n| NST | 58.16 | 64.96 | 71.28 | 74.12 | 74.68 | 74.89 |\n| **CRD** | **69.73** | **69.11** | **74.30** | **75.11** | **75.65** | **76.05** |\n\n## Citation\n\nIf you find this repo useful for your research, please consider citing the paper\n\n```\n@inproceedings{tian2019crd,\n  title={Contrastive Representation Distillation},\n  author={Yonglong Tian and Dilip Krishnan and Phillip Isola},\n  booktitle={International Conference on Learning Representations},\n  year={2020}\n}\n```\nFor any questions, please contact Yonglong Tian (yonglong@mit.edu).\n\n## Acknowledgement\n\nThanks to Baoyun Peng for providing the code of CC and to Frederick Tung for verifying our reimplementation of SP. Thanks also go to authors of other papers who make their code publicly available.\n","# RepDistiller\n\n本仓库：\n\n**(1) 包含以下 ICLR 2020 论文的实现：**\n\n\"Contrastive Representation Distillation\"（对比表示蒸馏，CRD）。[论文](http:\u002F\u002Farxiv.org\u002Fabs\u002F1910.10699)，[项目主页](http:\u002F\u002Fhobbitlong.github.io\u002FCRD\u002F)。\n\n\u003Cdiv style=\"text-align:center\">\u003Cimg src=\"http:\u002F\u002Fhobbitlong.github.io\u002FCRD\u002FCRD_files\u002Fteaser.jpg\" width=\"85%\" height=\"85%\">\u003C\u002Fdiv>  \n\n\u003Cp>\u003C\u002Fp>\n\n**(2) 在 PyTorch 中基准测试了 12 种最先进的知识蒸馏（Knowledge Distillation，KD）方法，包括：**\n\n(KD) - Distilling the Knowledge in a Neural Network  \n(FitNet) - Fitnets: hints for thin deep nets  \n(AT) - Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks\n    via Attention Transfer  \n(SP) - Similarity-Preserving Knowledge Distillation  \n(CC) - Correlation Congruence for Knowledge Distillation  \n(VID) - Variational Information Distillation for Knowledge Transfer  \n(RKD) - Relational Knowledge Distillation  \n(PKT) - Probabilistic Knowledge Transfer for deep representation learning  \n(AB) - Knowledge Transfer via Distillation of Activation Boundaries Formed by Hidden Neurons  \n(FT) - Paraphrasing Complex Network: Network Compression via Factor Transfer  \n(FSP) - A Gift from Knowledge Distillation:\n    Fast Optimization, Network Minimization and Transfer Learning  \n(NST) - Like what you like: knowledge distill via neuron selectivity transfer \n\n## 安装\n\n本仓库在 Ubuntu 16.04.5 LTS、Python 3.5、PyTorch 0.4.0 和 CUDA 9.0 环境下测试通过。但应该可以在 PyTorch >=0.4.0 的较新版本上运行。\n\n## 运行\n\n1. 通过以下命令获取预训练的教师模型：\n\n    ```\n    sh scripts\u002Ffetch_pretrained_teachers.sh\n    ```\n   该命令将下载模型并保存到 `save\u002Fmodels` 目录\n   \n2. 按照 `scripts\u002Frun_cifar_distill.sh` 中的命令运行蒸馏。运行 Geoffrey 原始知识蒸馏（KD）的示例如下：\n\n    ```\n    python train_student.py --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth --distill kd --model_s resnet8x4 -r 0.1 -a 0.9 -b 0 --trial 1\n    ```\n    各参数说明如下：\n    - `--path_t`：指定教师模型的路径\n    - `--model_s`：指定学生模型，查看 `models\u002F__init__.py` 了解可用的模型类型\n    - `--distill`：指定蒸馏方法\n    - `-r`：logit 与真实标签之间交叉熵损失的权重，默认值：`1`\n    - `-a`：KD 损失的权重，默认值：`None`\n    - `-b`：其他蒸馏损失的权重，默认值：`None`\n    - `--trial`：指定实验 ID，用于区分多次运行\n    \n    因此，运行 CRD 的命令如下：\n    ```\n    python train_student.py --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth --distill crd --model_s resnet8x4 -a 0 -b 0.8 --trial 1\n    ```\n    \n3. 将蒸馏目标与 KD 结合使用，只需将 `-a` 设为非零值，示例如下（CRD 与 KD 结合）：\n    ```\n    python train_student.py --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth --distill crd --model_s resnet8x4 -a 1 -b 0.8 --trial 1     \n    ```\n\n4. （可选）从头开始训练教师网络。示例命令见 `scripts\u002Frun_cifar_vanilla.sh`\n\n注意：默认设置为单 GPU 训练。如需使用多 GPU 运行本仓库，可能需要调整学习率，根据经验，学习率需要随批量大小（batch size）线性放大，详见[此论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.02677)。\n\n## CIFAR-100 基准测试结果：\n\n性能以分类准确率（%）衡量\n\n1. 教师和学生模型为**相同**架构类型。\n\n| 教师 \u003Cbr> 学生 | wrn-40-2 \u003Cbr> wrn-16-2 | wrn-40-2 \u003Cbr> wrn-40-1 | resnet56 \u003Cbr> resnet20 | resnet110 \u003Cbr> resnet20 | resnet110 \u003Cbr> resnet32 | resnet32x4 \u003Cbr> resnet8x4 |  vgg13 \u003Cbr> vgg8 |\n|:---------------:|:-----------------:|:-----------------:|:-----------------:|:------------------:|:------------------:|:--------------------:|:-----------:|\n| 教师 \u003Cbr> 学生 |    75.61 \u003Cbr> 73.26    |    75.61 \u003Cbr> 71.98    |    72.34 \u003Cbr> 69.06    |     74.31 \u003Cbr> 69.06    |     74.31 \u003Cbr> 71.14    |      79.42 \u003Cbr> 72.50     | 74.64 \u003Cbr> 70.36 |\n| KD | 74.92 | 73.54 | 70.66 | 70.67 | 73.08 | 73.33 | 72.98 |\n| FitNet | 73.58 | 72.24 | 69.21 | 68.99 | 71.06 | 73.50 | 71.02 |\n| AT | 74.08 | 72.77 | 70.55 | 70.22 | 72.31 | 73.44 | 71.43 |\n| SP | 73.83 | 72.43 | 69.67 | 70.04 | 72.69 | 72.94 | 72.68 |\n| CC | 73.56 | 72.21 | 69.63 | 69.48 | 71.48 | 72.97 | 70.71 |\n| VID | 74.11 | 73.30 | 70.38 | 70.16 | 72.61 | 73.09 | 71.23 |\n| RKD | 73.35 | 72.22 | 69.61 | 69.25 | 71.82 | 71.90 | 71.48 |\n| PKT | 74.54 | 73.45 | 70.34 | 70.25 | 72.61 | 73.64 | 72.88 |\n| AB | 72.50 | 72.38 | 69.47 | 69.53 | 70.98 | 73.17 | 70.94 |\n| FT | 73.25 | 71.59 | 69.84 | 70.22 | 72.37 | 72.86 | 70.58 |\n| FSP | 72.91 | N\u002FA | 69.95 | 70.11 | 71.89 | 72.62 | 70.23 |\n| NST | 73.68 | 72.24 | 69.60 | 69.53 | 71.96 | 73.30 | 71.53 |\n| **CRD** | **75.48** | **74.14** | **71.16** | **71.46** | **73.48** | **75.51** | **73.94** |\n\n2. 教师和学生模型为**不同**架构类型。\n\n| 教师 \u003Cbr> 学生 | vgg13 \u003Cbr> MobileNetV2 | ResNet50 \u003Cbr> MobileNetV2 | ResNet50 \u003Cbr> vgg8 | resnet32x4 \u003Cbr> ShuffleNetV1 | resnet32x4 \u003Cbr> ShuffleNetV2 | wrn-40-2 \u003Cbr> ShuffleNetV1 |\n|:---------------:|:-----------------:|:--------------------:|:-------------:|:-----------------------:|:-----------------------:|:---------------------:|\n| 教师 \u003Cbr> 学生 |    74.64 \u003Cbr> 64.60    |      79.34 \u003Cbr> 64.60     |  79.34 \u003Cbr> 70.36  |       79.42 \u003Cbr> 70.50       |       79.42 \u003Cbr> 71.82       |      75.61 \u003Cbr> 70.50      |\n| KD | 67.37 | 67.35 | 73.81 | 74.07 | 74.45 | 74.83 |\n| FitNet | 64.14 | 63.16 | 70.69 | 73.59 | 73.54 | 73.73 |\n| AT | 59.40 | 58.58 | 71.84 | 71.73 | 72.73 | 73.32 |\n| SP | 66.30 | 68.08 | 73.34 | 73.48 | 74.56 | 74.52 |\n| CC | 64.86 | 65.43 | 70.25 | 71.14 | 71.29 | 71.38 |\n| VID | 65.56 | 67.57 | 70.30 | 73.38 | 73.40 | 73.61 |\n| RKD | 64.52 | 64.43 | 71.50 | 72.28 | 73.21 | 72.21 |\n| PKT | 67.13 | 66.52 | 73.01 | 74.10 | 74.69 | 73.89 |\n| AB | 66.06 | 67.20 | 70.65 | 73.55 | 74.31 | 73.34 |\n| FT | 61.78 | 60.99 | 70.29 | 71.75 | 72.50 | 72.03 |\n| NST | 58.16 | 64.96 | 71.28 | 74.12 | 74.68 | 74.89 |\n| **CRD** | **69.73** | **69.11** | **74.30** | **75.11** | **75.65** | **76.05** |\n\n## 引用\n\n如果本仓库对您的研究有所帮助，请考虑引用该论文：\n\n```\n@inproceedings{tian2019crd,\n  title={Contrastive Representation Distillation},\n  author={Yonglong Tian and Dilip Krishnan and Phillip Isola},\n  booktitle={International Conference on Learning Representations},\n  year={2020}\n}\n```\n\n如有任何问题，请联系 Yonglong Tian（yonglong@mit.edu）。\n\n## 致谢\n\n感谢 Baoyun Peng 提供 CC（Correlation Congruence，相关性一致性）的代码，以及 Frederick Tung 帮助我们验证 SP（Similarity Preserving，相似性保持）的重新实现。同时感谢其他论文的作者公开他们的代码。","# RepDistiller 快速上手指南\n\nRepDistiller 是知识蒸馏领域的综合基准框架，实现了 ICLR 2020 论文 \"Contrastive Representation Distillation\" (CRD)，并集成了 12 种主流知识蒸馏方法。\n\n---\n\n## 环境准备\n\n| 项目 | 要求 |\n|:---|:---|\n| 操作系统 | Ubuntu 16.04+（推荐） |\n| Python | 3.5+ |\n| PyTorch | ≥ 0.4.0 |\n| CUDA | 9.0+ |\n\n> 注：框架兼容更高版本 PyTorch，但多 GPU 训练时需按线性比例调整学习率。\n\n---\n\n## 安装步骤\n\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller.git\ncd RepDistiller\n\n# 2. 安装依赖（建议先创建虚拟环境）\npip install torch torchvision\n\n# 3. 下载预训练教师模型\nsh scripts\u002Ffetch_pretrained_teachers.sh\n```\n模型将自动保存至 `save\u002Fmodels\u002F` 目录。\n\n---\n\n## 基本使用\n\n### 单方法蒸馏（以 CRD 为例）\n\n```bash\npython train_student.py \\\n    --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth \\\n    --distill crd \\\n    --model_s resnet8x4 \\\n    -a 0 \\\n    -b 0.8 \\\n    --trial 1\n```\n\n### 组合蒸馏（CRD + KD）\n\n```bash\npython train_student.py \\\n    --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth \\\n    --distill crd \\\n    --model_s resnet8x4 \\\n    -a 1 \\\n    -b 0.8 \\\n    --trial 1\n```\n\n### 经典 KD 方法\n\n```bash\npython train_student.py \\\n    --path_t .\u002Fsave\u002Fmodels\u002Fresnet32x4_vanilla\u002Fckpt_epoch_240.pth \\\n    --distill kd \\\n    --model_s resnet8x4 \\\n    -r 0.1 \\\n    -a 0.9 \\\n    -b 0 \\\n    --trial 1\n```\n\n---\n\n## 参数说明\n\n| 参数 | 说明 | 默认值 |\n|:---|:---|:---|\n| `--path_t` | 教师模型路径 | 必填 |\n| `--model_s` | 学生模型类型 | 必填 |\n| `--distill` | 蒸馏方法（`kd`\u002F`crd`\u002F`at`\u002F`sp` 等） | 必填 |\n| `-r` | 交叉熵损失权重 | 1 |\n| `-a` | KD 损失权重 | None |\n| `-b` | 其他蒸馏损失权重 | None |\n| `--trial` | 实验编号（区分多次运行） | 0 |\n\n可用模型类型见 `models\u002F__init__.py`，完整命令参考 `scripts\u002Frun_cifar_distill.sh`。\n\n---\n\n## 可选：从头训练教师网络\n\n```bash\n# 参考脚本中的命令\nsh scripts\u002Frun_cifar_vanilla.sh\n```","某边缘 AI 创业公司正在开发一款智能安防摄像头，需要在低功耗芯片上实时运行人员检测与识别模型，但原始 ResNet-50 模型体积过大、推理延迟过高。\n\n### 没有 RepDistiller 时\n\n- 团队尝试手动剪枝和量化，但精度从 92% 暴跌至 78%，无法满足商用标准，反复调参耗费 3 周仍无突破\n- 调研知识蒸馏方法时发现论文实现分散在各处，代码风格差异大，复现 CRD、RKD 等 5 种方法花了 2 周，还因环境冲突导致结果不可比\n- 不确定哪种蒸馏策略最适合安防场景的小模型，只能逐个试错，每次完整训练需 2 天，决策成本极高\n- 最终选定的 KD 基线方案精度仅恢复至 85%，与目标差距明显，产品上线被迫推迟\n\n### 使用 RepDistiller 后\n\n- 直接调用 CRD（对比表征蒸馏），利用对比学习机制捕捉教师网络的深层语义关系，学生模型 ResNet-8 精度达到 90.3%，满足商用阈值\n- 12 种 SOTA 方法统一在 PyTorch 框架下实现，一行命令切换蒸馏策略，3 天内完成全量基准测试\n- 开箱即用的脚本和预训练教师模型支持快速验证，团队清晰对比出 CRD+KD 组合在安防数据集上最优，训练周期压缩至 1.5 天\n- 模型体积缩减 87%，推理速度提升 4 倍，顺利部署到海思 Hi3519 芯片，产品按期交付\n\nRepDistiller 将知识蒸馏从\"论文复现工程\"转变为\"标准化模型压缩方案\"，让边缘 AI 团队在有限算力约束下快速获得高精度轻量模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHobbitLong_RepDistiller_ce780492.png","HobbitLong","Yonglong Tian","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHobbitLong_7499641b.jpg","Temporarily @OpenAI. Previously @Google-DeepMind, @MIT.","MIT CSAIL",null,"YonglongT","http:\u002F\u002Fpeople.csail.mit.edu\u002Fyonglong\u002F","https:\u002F\u002Fgithub.com\u002FHobbitLong",[86,90],{"name":87,"color":88,"percentage":89},"Python","#3572A5",97.4,{"name":91,"color":92,"percentage":93},"Shell","#89e051",2.6,2427,402,"2026-04-03T14:57:46","BSD-2-Clause","Linux","需要 NVIDIA GPU，CUDA 9.0+（测试环境为 CUDA 9.0），支持 PyTorch >=0.4.0","未说明",{"notes":102,"python":103,"dependencies":104},"默认设置为单 GPU 训练；若使用多 GPU 训练，需要线性放大学习率。首次运行需执行脚本下载预训练教师模型到 save\u002Fmodels 目录。代码在 Ubuntu 16.04.5 LTS 上测试通过，但应可在 PyTorch >=0.4.0 的较新版本上运行。","3.5+（测试环境为 Python 3.5）",[105],"torch>=0.4.0",[14,13,54],"2026-03-27T02:49:30.150509","2026-04-06T07:01:02.422700",[110,115,120,125,130,135,140,145,150],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},4249,"CRD中的ContrastMemory为什么要注册两个memory buffer？","CRD（Contrastive Representation Distillation）的核心思想是对比教师网络和学生网络。具体来说：\n- memory_v2：用于存储教师网络的特征，从中选择anchor（锚点）\n- memory_v1：用于存储学生网络的特征，从中选择正样本和负样本\n\n即使只有学生网络被训练而教师网络固定，这种双内存设计也是CRD方法的本质要求，用于实现教师-学生之间的对比学习。","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F11",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},4250,"论文中报告的实验结果是基于最佳模型还是最后一轮？","论文中发表的结果是基于**最后一轮（last epoch）**的准确率，而不是最佳测试准确率。\n\n因此，你在实验中观察到的最佳测试准确率通常会**高于**论文中报告的结果。这是有意为之的设计选择，而非基于早停（early stopping）或最佳模型选择。","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F16",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},4251,"ContrastMemory中的Z_v1和Z_v2归一化常数的作用是什么？","Z_v1和Z_v2可以看作是两个用于扩大分数函数动态范围的常数。\n\n具体原理：\n- 在NCE（Noise Contrastive Estimation）中，通常可以处理未归一化的分布并自动调整分数范围\n- 但在CRD中，分数由两个L2归一化向量的内积产生，范围被限制在[-1, 1]\n- 这个范围可能不足以让NCE进行有效的分数调整\n\n因此，Z_v1和Z_v2采用简单的蒙特卡洛估计来近似完整softmax的配分函数（partition function），帮助调整分数范围。参考论文：\n- 论文第2.4节：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1906.05849.pdf\n- 论文第3.4节：https:\u002F\u002Farxiv.org\u002Fpdf\u002F1805.01978.pdf","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F5",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},4252,"CRD能否应用于跨域知识蒸馏（如VQA或不同视觉域）？","可以。CRD和CMC（Cross-Modal Distillation）在跨域\u002F跨模态场景中通常都能工作。\n\n关键要点：\n- 作者已在跨模态蒸馏场景中验证过CRD的有效性\n- 成功应用的前提：正确构建变量X和Y，并定义它们的联合分布以及边缘分布的乘积\n- 只要满足上述条件，CRD\u002FCMC可以推广到VQA、不同视觉域等跨域场景","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F19",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},4253,"CCKD的实现与论文不一致怎么办？","当前仓库中的CCKD实现是作者提供的简化版本（经过少量重构以兼容运行框架），原因如下：\n\n- 该版本在CIFAR数据集上的表现与完整版本几乎相当\n- 作者没有提供完整版本的访问权限\n- 因此仓库采用了这个简化版本作为折中方案\n\n如果需要在其他数据集上获得最佳性能，可能需要参考原论文自行实现完整版本。","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F15",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},4254,"对于无限\u002F超大数据集，h函数的形式应该如何设计？","对于无法存储全部嵌入向量的超大数据集，h函数仍然可以正常工作，关键设置如下：\n\n1. 设置参数：\n   - N：每个正样本配对的负样本数量\n   - M：数据集总大小\n\n2. 训练动态：\n   - h在训练初期会接近1，但会随着训练快速调整\n   - 这是NCE（Noise Contrastive Estimation）的正常工作机制\n\n3. 温度参数：\n   - 使用较低的温度（0.02-0.3）来补偿N\u002FM比值较小的问题\n\n不建议将h替换为角相似度，因为这样会失去NCE中后验概率的核心思想。","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F13",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},4255,"运行NST Loss时出现显存不足（OOM）如何解决？","NST（Neural Style Transfer）Loss由于Gram矩阵较大，容易导致显存不足。解决方案按优先级排序：\n\n1. **设置full_loss为false**：\n   修改 `distiller_zoo\u002FNST.py` 第31-36行，将full_loss设为False\n\n2. **减小batch size**：\n   同时相应降低学习率（learning rate）\n\n3. **使用混合精度训练**：\n   启用FP16\u002F混合精度训练以减少显存占用\n\n对于大部分网络组合，NST应该可以直接运行。如果上述方法仍不足，可能需要考虑梯度累积或模型分片等更激进的显存优化策略。","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F12",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},4256,"教师网络与学生网络的参数比例多少比较合适？","教师-学生网络的参数比例建议：\n\n**推荐范围：2~10倍**\n\n即教师网络的参数量应该是学生网络的2到10倍。这是一个经验性的指导范围，基于作者的初步实验观察。\n\n注意：\n- 这是针对相同架构（如ResNet-ResNet）的情况\n- 实际效果可能因具体任务、数据集和蒸馏方法而异\n- 建议在此范围内进行网格搜索以找到最优比例","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F7",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},4257,"运行代码时出现'CIFAR100Instance' object has no attribute 'train_data'错误？","这个错误是由于PyTorch版本更新导致的API变化。`train_data`属性在新版本中被移除或重命名。\n\n解决方案：\n- 检查PyTorch版本，建议使用与代码兼容的版本（如PyTorch 1.0-1.4）\n- 或者修改数据集类，将`train_data`替换为`data`或`dataset`等新的属性名\n- 具体修改位置在`dataset\u002Fcifar100.py`中的`CIFAR100Instance`类\n\n这是一个常见的版本兼容性问题，需要根据实际PyTorch版本调整代码。","https:\u002F\u002Fgithub.com\u002FHobbitLong\u002FRepDistiller\u002Fissues\u002F4",[]]