[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-KaiyangZhou--pytorch-center-loss":3,"tool-KaiyangZhou--pytorch-center-loss":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",147882,2,"2026-04-09T11:32:47",[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":76,"owner_location":76,"owner_email":76,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":89,"env_deps":91,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":137},5873,"KaiyangZhou\u002Fpytorch-center-loss","pytorch-center-loss","Pytorch implementation of Center Loss","pytorch-center-loss 是经典“中心损失”（Center Loss）算法的 PyTorch 实现版本，源自 ECCV 2016 关于深度人脸识别的研究。在深度学习分类任务中，传统的交叉熵损失函数虽能区分不同类别，却难以保证同一类别内部特征的紧凑性，导致模型在面对细微差异时判别力不足。\n\n该工具通过引入额外的中心损失项，专门解决这一痛点：它在训练过程中动态学习并更新每个类别的特征中心，强制拉近同类样本与中心的距离，同时配合交叉熵损失推远不同类别。这种“双管齐下”的策略显著提升了特征空间的判别能力，使同类数据聚集更紧密，异类数据分界更清晰，特别适用于人脸识别、行人重识别等对细粒度区分要求极高的场景。\n\npytorch-center-loss 主要面向 AI 开发者与研究人员。其核心亮点在于极简的集成方式：用户只需引入单一的 `center_loss.py` 文件，即可像定义普通网络层一样实例化损失函数，并灵活合并优化器进行联合训练。项目不仅提供了完整的 MNIST 演示代码和可视化对比，直观展示加入中心损失后特征分布的优化过程，还已被多个知名开源项目验证有效。对于希望提升模","pytorch-center-loss 是经典“中心损失”（Center Loss）算法的 PyTorch 实现版本，源自 ECCV 2016 关于深度人脸识别的研究。在深度学习分类任务中，传统的交叉熵损失函数虽能区分不同类别，却难以保证同一类别内部特征的紧凑性，导致模型在面对细微差异时判别力不足。\n\n该工具通过引入额外的中心损失项，专门解决这一痛点：它在训练过程中动态学习并更新每个类别的特征中心，强制拉近同类样本与中心的距离，同时配合交叉熵损失推远不同类别。这种“双管齐下”的策略显著提升了特征空间的判别能力，使同类数据聚集更紧密，异类数据分界更清晰，特别适用于人脸识别、行人重识别等对细粒度区分要求极高的场景。\n\npytorch-center-loss 主要面向 AI 开发者与研究人员。其核心亮点在于极简的集成方式：用户只需引入单一的 `center_loss.py` 文件，即可像定义普通网络层一样实例化损失函数，并灵活合并优化器进行联合训练。项目不仅提供了完整的 MNIST 演示代码和可视化对比，直观展示加入中心损失后特征分布的优化过程，还已被多个知名开源项目验证有效。对于希望提升模型特征提取质量、探索度量学习策略的技术人员而言，这是一个轻量且高效的基础组件。","# pytorch-center-loss\nPytorch implementation of center loss: [Wen et al. A Discriminative Feature Learning Approach for Deep Face Recognition. ECCV 2016.](https:\u002F\u002Fydwen.github.io\u002Fpapers\u002FWenECCV16.pdf)\n\nThis loss function is also used by [deep-person-reid](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fdeep-person-reid).\n\n## Get started\nClone this repo and run the code\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\n$ cd pytorch-center-loss\n$ python main.py --eval-freq 1 --gpu 0 --save-dir log\u002F --plot\n```\nYou will see the following info in your terminal\n```bash\nCurrently using GPU: 0\nCreating dataset: mnist\nCreating model: cnn\n==> Epoch 1\u002F100\nBatch 50\u002F469     Loss 2.332793 (2.557837) XentLoss 2.332744 (2.388296) CenterLoss 0.000048 (0.169540)\nBatch 100\u002F469    Loss 2.354638 (2.463851) XentLoss 2.354637 (2.379078) CenterLoss 0.000001 (0.084773)\nBatch 150\u002F469    Loss 2.361732 (2.434477) XentLoss 2.361732 (2.377962) CenterLoss 0.000000 (0.056515)\nBatch 200\u002F469    Loss 2.336701 (2.417842) XentLoss 2.336700 (2.375455) CenterLoss 0.000001 (0.042386)\nBatch 250\u002F469    Loss 2.404814 (2.407015) XentLoss 2.404813 (2.373106) CenterLoss 0.000001 (0.033909)\nBatch 300\u002F469    Loss 2.338753 (2.398546) XentLoss 2.338752 (2.370288) CenterLoss 0.000001 (0.028258)\nBatch 350\u002F469    Loss 2.367068 (2.390672) XentLoss 2.367059 (2.366450) CenterLoss 0.000009 (0.024221)\nBatch 400\u002F469    Loss 2.344178 (2.384820) XentLoss 2.344142 (2.363620) CenterLoss 0.000036 (0.021199)\nBatch 450\u002F469    Loss 2.329708 (2.379460) XentLoss 2.329661 (2.360611) CenterLoss 0.000047 (0.018848)\n==> Test\nAccuracy (%): 10.32  Error rate (%): 89.68\n... ...\n==> Epoch 30\u002F100\nBatch 50\u002F469     Loss 0.141117 (0.155986) XentLoss 0.084169 (0.091617) CenterLoss 0.056949 (0.064369)\nBatch 100\u002F469    Loss 0.138201 (0.151291) XentLoss 0.089146 (0.092839) CenterLoss 0.049055 (0.058452)\nBatch 150\u002F469    Loss 0.151055 (0.151985) XentLoss 0.090816 (0.092405) CenterLoss 0.060239 (0.059580)\nBatch 200\u002F469    Loss 0.150803 (0.153333) XentLoss 0.092857 (0.092156) CenterLoss 0.057946 (0.061176)\nBatch 250\u002F469    Loss 0.162954 (0.154971) XentLoss 0.094889 (0.092099) CenterLoss 0.068065 (0.062872)\nBatch 300\u002F469    Loss 0.162895 (0.156038) XentLoss 0.093100 (0.092034) CenterLoss 0.069795 (0.064004)\nBatch 350\u002F469    Loss 0.146187 (0.156491) XentLoss 0.082508 (0.091787) CenterLoss 0.063679 (0.064704)\nBatch 400\u002F469    Loss 0.171533 (0.157390) XentLoss 0.092526 (0.091674) CenterLoss 0.079007 (0.065716)\nBatch 450\u002F469    Loss 0.209196 (0.158371) XentLoss 0.098388 (0.091560) CenterLoss 0.110808 (0.066811)\n==> Test\nAccuracy (%): 98.51  Error rate (%): 1.49\n... ...\n```\n\nPlease run `python main.py -h` for more details regarding input arguments.\n\n## Results\nWe visualize the feature learning process below.\n\nSoftmax only. Left: training set. Right: test set.\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_a5981eac1755.gif\" alt=\"train\" width=\"30%\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_a27cd1ce86b4.gif\" alt=\"train\" width=\"30%\">\n\u003C\u002Fdiv>\n\nSoftmax + center loss. Left: training set. Right: test set.\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_f093be08ed26.gif\" alt=\"train\" width=\"30%\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_cf6577cdc50a.gif\" alt=\"train\" width=\"30%\">\n\u003C\u002Fdiv>\n\n## How to use center loss in your own project\n1. All you need is the `center_loss.py` file\n```python\nfrom center_loss import CenterLoss\n```\n2. Initialize center loss in the main function\n```python\ncenter_loss = CenterLoss(num_classes=10, feat_dim=2, use_gpu=True)\n```\n3. Construct an optimizer for center loss\n```python\noptimizer_centloss = torch.optim.SGD(center_loss.parameters(), lr=0.5)\n```\nAlternatively, you can merge optimizers of model and center loss, like\n```\nparams = list(model.parameters()) + list(center_loss.parameters())\noptimizer = torch.optim.SGD(params, lr=0.1) # here lr is the overall learning rate\n```\n\n4. Update class centers just like how you update a pytorch model\n```python\n# features (torch tensor): a 2D torch float tensor with shape (batch_size, feat_dim)\n# labels (torch long tensor): 1D torch long tensor with shape (batch_size)\n# alpha (float): weight for center loss\nloss = center_loss(features, labels) * alpha + other_loss\noptimizer_centloss.zero_grad()\nloss.backward()\n# multiple (1.\u002Falpha) in order to remove the effect of alpha on updating centers\nfor param in center_loss.parameters():\n    param.grad.data *= (1.\u002Falpha)\noptimizer_centloss.step()\n```\nIf you adopt the second way (i.e. use one optimizer for both model and center loss), the update code would look like\n```python\nloss = center_loss(features, labels) * alpha + other_loss\noptimizer.zero_grad()\nloss.backward()\nfor param in center_loss.parameters():\n    # lr_cent is learning rate for center loss, e.g. lr_cent = 0.5\n    param.grad.data *= (lr_cent \u002F (alpha * lr))\noptimizer.step()\n```","# PyTorch 中心损失\nPyTorch 中心损失的实现：[Wen 等人. 一种用于深度人脸识别的判别特征学习方法. ECCV 2016.](https:\u002F\u002Fydwen.github.io\u002Fpapers\u002FWenECCV16.pdf)\n\n该损失函数也被 [deep-person-reid](https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fdeep-person-reid) 使用。\n\n## 快速入门\n克隆此仓库并运行代码：\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\n$ cd pytorch-center-loss\n$ python main.py --eval-freq 1 --gpu 0 --save-dir log\u002F --plot\n```\n您将在终端中看到以下信息：\n```bash\n当前使用 GPU: 0\n创建数据集: mnist\n创建模型: cnn\n==> 第 1 轮\u002F100 轮\n第 50 批\u002F469 批     损失 2.332793 (2.557837) 交叉熵损失 2.332744 (2.388296) 中心损失 0.000048 (0.169540)\n第 100 批\u002F469 批    损失 2.354638 (2.463851) 交叉熵损失 2.354637 (2.379078) 中心损失 0.000001 (0.084773)\n第 150 批\u002F469 批    损失 2.361732 (2.434477) 交叉熵损失 2.361732 (2.377962) 中心损失 0.000000 (0.056515)\n第 200 批\u002F469 批    损失 2.336701 (2.417842) 交叉熵损失 2.336700 (2.375455) 中心损失 0.000001 (0.042386)\n第 250 批\u002F469 批    损失 2.404814 (2.407015) 交叉熵损失 2.404813 (2.373106) 中心损失 0.000001 (0.033909)\n第 300 批\u002F469 批    损失 2.338753 (2.398546) 交叉熵损失 2.338752 (2.370288) 中心损失 0.000001 (0.028258)\n第 350 批\u002F469 批    损失 2.367068 (2.390672) 交叉熵损失 2.367059 (2.366450) 中心损失 0.000009 (0.024221)\n第 400 批\u002F469 批    损失 2.344178 (2.384820) 交叉熵损失 2.344142 (2.363620) 中心损失 0.000036 (0.021199)\n第 450 批\u002F469 批    损失 2.329708 (2.379460) 交叉熵损失 2.329661 (2.360611) 中心损失 0.000047 (0.018848)\n==> 测试\n准确率 (%): 10.32  错误率 (%): 89.68\n... ...\n==> 第 30 轮\u002F100 轮\n第 50 批\u002F469 批     损失 0.141117 (0.155986) 交叉熵损失 0.084169 (0.091617) 中心损失 0.056949 (0.064369)\n第 100 批\u002F469 批    损失 0.138201 (0.151291) 交叉熵损失 0.089146 (0.092839) 中心损失 0.049055 (0.058452)\n第 150 批\u002F469 批    损失 0.151055 (0.151985) 交叉熵损失 0.090816 (0.092405) 中心损失 0.060239 (0.059580)\n第 200 批\u002F469 批    损失 0.150803 (0.153333) 交叉熵损失 0.092857 (0.092156) 中心损失 0.057946 (0.061176)\n第 250 批\u002F469 批    损失 0.162954 (0.154971) 交叉熵损失 0.094889 (0.092099) 中心损失 0.068065 (0.062872)\n第 300 批\u002F469 批    损失 0.162895 (0.156038) 交叉熵损失 0.093100 (0.092034) 中心损失 0.069795 (0.064004)\n第 350 批\u002F469 批    损失 0.146187 (0.156491) 交叉熵损失 0.082508 (0.091787) 中心损失 0.063679 (0.064704)\n第 400 批\u002F469 批    损失 0.171533 (0.157390) 交叉熵损失 0.092526 (0.091674) 中心损失 0.079007 (0.065716)\n第 450 批\u002F469 批    损失 0.209196 (0.158371) 交叉熵损失 0.098388 (0.091560) 中心损失 0.110808 (0.066811)\n==> 测试\n准确率 (%): 98.51  错误率 (%): 1.49\n... ...\n```\n\n有关输入参数的更多详细信息，请运行 `python main.py -h`。\n\n## 结果\n我们在下方可视化了特征学习过程。\n\n仅使用 Softmax。左：训练集。右：测试集。\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_a5981eac1755.gif\" alt=\"train\" width=\"30%\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_a27cd1ce86b4.gif\" alt=\"train\" width=\"30%\">\n\u003C\u002Fdiv>\n\nSoftmax + 中心损失。左：训练集。右：测试集。\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_f093be08ed26.gif\" alt=\"train\" width=\"30%\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_readme_cf6577cdc50a.gif\" alt=\"train\" width=\"30%\">\n\u003C\u002Fdiv>\n\n## 如何在您自己的项目中使用中心损失\n1. 您只需要 `center_loss.py` 文件：\n```python\nfrom center_loss import CenterLoss\n```\n2. 在主函数中初始化中心损失：\n```python\ncenter_loss = CenterLoss(num_classes=10, feat_dim=2, use_gpu=True)\n```\n3. 为中心损失构建优化器：\n```python\noptimizer_centloss = torch.optim.SGD(center_loss.parameters(), lr=0.5)\n```\n或者，您可以将模型和中心损失的优化器合并，例如：\n```python\nparams = list(model.parameters()) + list(center_loss.parameters())\noptimizer = torch.optim.SGD(params, lr=0.1) # 这里 lr 是整体学习率\n```\n\n4. 更新类别中心的方式与更新 PyTorch 模型相同：\n```python\n# features (torch 张量): 形状为 (batch_size, feat_dim) 的二维浮点张量\n# labels (torch 长整型张量): 形状为 (batch_size) 的一维长整型张量\n# alpha (float): 中心损失的权重\nloss = center_loss(features, labels) * alpha + other_loss\noptimizer_centloss.zero_grad()\nloss.backward()\n# 乘以 (1.\u002Falpha)，以消除 alpha 对更新中心的影响\nfor param in center_loss.parameters():\n    param.grad.data *= (1.\u002Falpha)\noptimizer_centloss.step()\n```\n如果您采用第二种方式（即使用一个优化器同时优化模型和中心损失），更新代码将如下所示：\n```python\nloss = center_loss(features, labels) * alpha + other_loss\noptimizer.zero_grad()\nloss.backward()\nfor param in center_loss.parameters():\n    # lr_cent 是中心损失的学习率，例如 lr_cent = 0.5\n    param.grad.data *= (lr_cent \u002F (alpha * lr))\noptimizer.step()\n```","# pytorch-center-loss 快速上手指南\n\n## 环境准备\n- **系统要求**：Linux \u002F macOS \u002F Windows\n- **前置依赖**：\n  - Python 3.x\n  - PyTorch (建议版本 >= 1.0)\n  - torchvision\n  - matplotlib (用于绘图展示)\n\n> **国内加速建议**：推荐使用清华或阿里镜像源安装依赖，以提升下载速度。\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n克隆仓库并进入目录：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\ncd pytorch-center-loss\n```\n*(注：若 GitHub 访问缓慢，可尝试使用国内代码托管平台镜像或配置代理)*\n\n## 基本使用\n\n### 1. 运行示例代码\n直接运行提供的 `main.py` 脚本，在 MNIST 数据集上演示 Center Loss 的训练过程：\n```bash\npython main.py --eval-freq 1 --gpu 0 --save-dir log\u002F --plot\n```\n运行后终端将输出每个 Epoch 的 Loss 变化（包含 `XentLoss` 和 `CenterLoss`）以及测试集准确率。\n\n### 2. 集成到自己的项目\n只需引入 `center_loss.py` 文件即可使用。\n\n**第一步：导入模块**\n```python\nfrom center_loss import CenterLoss\n```\n\n**第二步：初始化损失函数**\n```python\n# num_classes: 类别数量, feat_dim: 特征维度, use_gpu: 是否使用 GPU\ncenter_loss = CenterLoss(num_classes=10, feat_dim=2, use_gpu=True)\n```\n\n**第三步：构建优化器**\n你可以为 Center Loss 单独创建优化器，也可以与模型参数合并：\n```python\n# 方式 A：单独优化器\noptimizer_centloss = torch.optim.SGD(center_loss.parameters(), lr=0.5)\n\n# 方式 B：合并优化器 (推荐)\nparams = list(model.parameters()) + list(center_loss.parameters())\noptimizer = torch.optim.SGD(params, lr=0.1)\n```\n\n**第四步：计算损失并更新参数**\n在训练循环中，注意需要对 Center Loss 的梯度进行缩放处理，以消除权重系数 `alpha` 对中心点更新的影响。\n\n*若使用单独优化器：*\n```python\nalpha = 0.5  # center loss 的权重\nfeatures = model(input_data)  # 形状：(batch_size, feat_dim)\nlabels = target_data          # 形状：(batch_size)\n\nloss = center_loss(features, labels) * alpha + cross_entropy_loss\noptimizer_centloss.zero_grad()\nloss.backward()\n\n# 关键步骤：抵消 alpha 对中心点梯度的影响\nfor param in center_loss.parameters():\n    param.grad.data *= (1.\u002Falpha)\n\noptimizer_centloss.step()\noptimizer_model.step() # 更新主模型\n```\n\n*若使用合并优化器：*\n```python\nalpha = 0.5\nlr_cent = 0.5  # center loss 的学习率\nlr = 0.1       # 整体学习率\n\nloss = center_loss(features, labels) * alpha + cross_entropy_loss\noptimizer.zero_grad()\nloss.backward()\n\n# 关键步骤：根据学习率比例调整梯度\nfor param in center_loss.parameters():\n    param.grad.data *= (lr_cent \u002F (alpha * lr))\n\noptimizer.step()\n```","某安防科技公司的算法团队正在开发新一代园区人脸识别门禁系统，旨在解决复杂光照下相似人脸难以区分的问题。\n\n### 没有 pytorch-center-loss 时\n- **类内差异过大**：仅使用标准的 Softmax 损失函数训练时，同一个人的不同照片（如戴帽、侧脸）在特征空间中分布松散，导致模型难以提取稳定特征。\n- **误识率居高不下**：由于不同人的特征簇边界模糊，系统频繁将长相相似的同事混淆，测试集错误率长期停留在 15% 以上，无法满足门禁安全标准。\n- **调优方向迷茫**：工程师试图通过调整网络层数或数据增强来改善，但缺乏针对“特征紧凑性”的直接优化手段，迭代效率极低且效果不明显。\n\n### 使用 pytorch-center-loss 后\n- **特征高度聚合**：引入 Center Loss 联合优化后，模型强制将同一类别的特征向类中心靠拢，显著缩小了类内距离，即使姿态变化大也能精准匹配。\n- **判别能力飞跃**：特征空间中的不同人脸类别界限分明，间隔增大，系统测试集准确率从 85% 飙升至 98.5%，有效阻断了相似人脸的误闯。\n- **训练过程可视可控**：借助工具自带的可视化功能，团队能直观看到训练过程中特征簇从混乱到清晰的变化，快速验证了算法策略的有效性。\n\npytorch-center-loss 通过最小化类内距离，从根本上提升了深度人脸识别模型的特征判别力与鲁棒性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKaiyangZhou_pytorch-center-loss_a5981eac.gif","KaiyangZhou","Kaiyang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKaiyangZhou_9db37149.png",null,"kaiyangzhou","https:\u002F\u002Fkaiyangzhou.github.io","https:\u002F\u002Fgithub.com\u002FKaiyangZhou",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,995,219,"2026-04-03T01:48:32","MIT","未说明","可选（通过 --gpu 参数指定），支持 CUDA 的 NVIDIA GPU，具体型号和显存大小未说明",{"notes":92,"python":89,"dependencies":93},"该工具是 Center Loss 的 PyTorch 实现，主要用于深度学习特征学习。运行示例代码时可通过 '--gpu' 参数指定显卡 ID（如示例中的 0），若不使用 GPU 可能需修改代码或参数。代码依赖 'center_loss.py' 文件，可集成到现有项目中。示例使用 MNIST 数据集，未提及具体的 CUDA 版本、Python 版本或内存最低要求。",[94,95],"pytorch","matplotlib (推测，用于 --plot 功能)",[15,14],[94,98,99,100,101,102,103],"deep-learning","center-loss","python","loss-functions","feature-learning","computer-vision","2026-03-27T02:49:30.150509","2026-04-09T21:35:32.539845",[107,112,117,122,127,132],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},26654,"CenterLoss 中的 num_classes 参数应该设置为数据集的总类别数还是当前 mini-batch 中的类别数？","应该设置为数据集的实际总类别数（例如 901），即使当前 mini-batch 中只包含部分类别。num_classes 用于创建最终的 one_hot 向量（mask 变量）。根据原论文，由于使用 mini-batch 训练，某些中心可能在一次迭代中不会被更新，不在当前 batch 中的类别对应的中心本次不更新是正常的。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\u002Fissues\u002F19",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},26655,"如何可视化高维特征嵌入（例如 2048 维的 ResNet50 特征）？","可以使用降维算法将高维数据映射到 2D 空间进行可视化。推荐使用 t-SNE (t-Distributed Stochastic Neighbor Embedding) 来处理高维特征数据的可视化问题。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\u002Fissues\u002F15",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},26656,"代码中关于分类损失（classification loss）的实现是否正确？","早期版本存在实现问题。在 PyTorch 中，标准的 Softmax 交叉熵损失应等同于 'NLLLoss + LogSoftmax' 的组合，或者直接使用 'nn.CrossEntropyLoss' 并传入 logits（未经过 softmax 的输出）。维护者已确认并修复了该问题。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\u002Fissues\u002F1",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},26657,"Center Loss 的实现是否与原始论文中的梯度更新规则完全等价？","原始论文建议使用针对中心 c_j 的 delta 规则更新，且梯度应根据 mini-batch 中属于该中心的样本数量进行归一化（平均）。虽然当前代码通过调整学习率（lr_cent）和权重（weight_cent）也能达到合理的性能，但严格来说，若要完全等价于论文，可能需要自定义 backward 函数来实现梯度的归一化，即除以 mini-batch 中属于该中心的样本数。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\u002Fissues\u002F2",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},26658,"优化器必须使用 SGD 吗？可以使用 Adam 吗？","虽然 Issue 中未直接给出官方回复，但在深度学习实践中，Center Loss 通常与 SGD 配合使用以获得最佳收敛效果，因为论文原文基于 SGD 推导。不过，技术上可以将优化器替换为 Adam，只需在训练循环中将优化器实例化为 `torch.optim.Adam` 即可，但可能需要重新调整学习率等超参数以适应新的优化器特性。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\u002Fissues\u002F9",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},26659,"feat_dim 参数代表什么？它是指输入维度还是输出维度？","feat_dim 指的是模型最后输出层的特征维度（即嵌入向量的维度），而不是原始输入数据的维度。无论输入数据是否为图像，该参数都应设置为你网络最后一层输出的特征长度（例如全连接层输出的大小），以确保 Center Loss 优化的是最终的特征表示。","https:\u002F\u002Fgithub.com\u002FKaiyangZhou\u002Fpytorch-center-loss\u002Fissues\u002F10",[]]