[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Lyken17--pytorch-OpCounter":3,"tool-Lyken17--pytorch-OpCounter":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":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":79,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":104,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":105,"updated_at":106,"faqs":107,"releases":137},1430,"Lyken17\u002Fpytorch-OpCounter","pytorch-OpCounter","Count the MACs \u002F FLOPs of your PyTorch model.","pytorch-OpCounter（又名 THOP）是一款专为 PyTorch 框架设计的轻量级工具，旨在帮助开发者快速统计深度学习模型的计算复杂度。在模型优化和部署过程中，研究人员往往需要精确了解模型的参数量（Params）以及乘加运算量（MACs\u002FFLOPs），以评估其在特定硬件上的运行效率与资源消耗。手动计算这些指标不仅繁琐且容易出错，而 pytorch-OpCounter 通过自动化分析模型结构，一键即可输出准确的统计数据，有效解决了这一痛点。\n\n该工具特别适合 AI 算法工程师、学术研究人员以及需要进行模型压缩或边缘端部署的开发者使用。其核心亮点在于极高的易用性与灵活性：用户只需几行代码即可完成对 ResNet、VGG 等主流模型的评估；同时，它还支持自定义规则，允许用户为第三方或自研的特殊网络模块定义计数逻辑，确保统计结果的全面性。此外，pytorch-OpCounter 内置了友好的格式化输出功能，能让数据展示更加清晰直观。无论是进行架构选型对比，还是撰写论文时的性能汇报，它都是不可或缺的辅助利器。","# THOP: PyTorch-OpCounter\n\n## How to install \n    \n`pip install thop` (now continously intergrated on [Github actions](https:\u002F\u002Fgithub.com\u002Ffeatures\u002Factions))\n\nOR\n\n`pip install --upgrade git+https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter.git`\n    \n## How to use \n* Basic usage \n    ```python\n    from torchvision.models import resnet50\n    from thop import profile\n    model = resnet50()\n    input = torch.randn(1, 3, 224, 224)\n    macs, params = profile(model, inputs=(input, ))\n    ```    \n\n* Define the rule for 3rd party module.\n    ```python\n    class YourModule(nn.Module):\n        # your definition\n    def count_your_model(model, x, y):\n        # your rule here\n    \n    input = torch.randn(1, 3, 224, 224)\n    macs, params = profile(model, inputs=(input, ), \n                            custom_ops={YourModule: count_your_model})\n    ```\n    \n* Improve the output readability\n\n    Call `thop.clever_format` to give a better format of the output.\n    ```python\n    from thop import clever_format\n    macs, params = clever_format([macs, params], \"%.3f\")\n    ```    \n    \n## Results of Recent Models\n\nThe implementation are adapted from `torchvision`. Following results can be obtained using [benchmark\u002Fevaluate_famous_models.py](benchmark\u002Fevaluate_famous_models.py).\n\n\u003Cp align=\"center\">\n\u003Ctable>\n\u003Ctr>\n\u003Ctd>\n\nModel | Params(M) | MACs(G)\n---|---|---\nalexnet | 61.10 | 0.77\nvgg11 | 132.86 | 7.74\nvgg11_bn | 132.87 | 7.77\nvgg13 | 133.05 | 11.44\nvgg13_bn | 133.05 | 11.49\nvgg16 | 138.36 | 15.61\nvgg16_bn | 138.37 | 15.66\nvgg19 | 143.67 | 19.77\nvgg19_bn | 143.68 | 19.83\nresnet18 | 11.69 | 1.82\nresnet34 | 21.80 | 3.68\nresnet50 | 25.56 | 4.14\nresnet101 | 44.55 | 7.87\nresnet152 | 60.19 | 11.61\nwide_resnet101_2 | 126.89 | 22.84\nwide_resnet50_2 | 68.88 | 11.46\n\n\u003C\u002Ftd>\n\u003Ctd>\n\nModel | Params(M) | MACs(G)\n---|---|---\nresnext50_32x4d | 25.03 | 4.29\nresnext101_32x8d | 88.79 | 16.54\ndensenet121 | 7.98 | 2.90\ndensenet161 | 28.68 | 7.85\ndensenet169 | 14.15 | 3.44\ndensenet201 | 20.01 | 4.39\nsqueezenet1_0 | 1.25 | 0.82\nsqueezenet1_1 | 1.24 | 0.35\nmnasnet0_5 | 2.22 | 0.14\nmnasnet0_75 | 3.17 | 0.24\nmnasnet1_0 | 4.38 | 0.34\nmnasnet1_3 | 6.28 | 0.53\nmobilenet_v2 | 3.50 | 0.33\nshufflenet_v2_x0_5 | 1.37 | 0.05\nshufflenet_v2_x1_0 | 2.28 | 0.15\nshufflenet_v2_x1_5 | 3.50 | 0.31\nshufflenet_v2_x2_0 | 7.39 | 0.60\ninception_v3 | 27.16 | 5.75\n\n\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Fp>\n","# THOP：PyTorch-OpCounter\n\n## 如何安装 \n\n`pip install thop`（现已在 [GitHub Actions](https:\u002F\u002Fgithub.com\u002Ffeatures\u002Factions) 上持续集成）\n\n或者\n\n`pip install --upgrade git+https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter.git`\n    \n## 如何使用\n* 基本用法 \n    ```python\n    from torchvision.models import resnet50\n    from thop import profile\n    model = resnet50()\n    input = torch.randn(1, 3, 224, 224)\n    macs, params = profile(model, inputs=(input, ))\n    ```\n    \n* 定义第三方模块的规则。\n    ```python\n    class YourModule(nn.Module):\n        # 您的定义\n    def count_your_model(model, x, y):\n        # 您的规则在此处\n\n    input = torch.randn(1, 3, 224, 224)\n    macs, params = profile(model, inputs=(input, ), \n                            custom_ops={YourModule: count_your_model})\n    ```\n    \n* 提升输出的可读性\n\n    调用 `thop.clever_format`，以提供更清晰、更易读的输出格式。\n    ```python\n    from thop import clever_format\n    macs, params = clever_format([macs, params], \"%.3f\")\n    ```\n    \n## 近期模型的性能表现\n\n本实现基于 `torchvision` 进行优化。以下结果可通过 [benchmark\u002Fevaluate_famous_models.py](benchmark\u002Fevaluate_famous_models.py) 获取。\n\n\u003Cp align=\"center\">\n\u003Ctable>\n\u003Ctr>\n\u003Ctd>\n\n模型 | 参数量(M) | MACs(G)\n---|---|---\nalexnet | 61.10 | 0.77\nvgg11 | 132.86 | 7.74\nvgg11_bn | 132.87 | 7.77\nvgg13 | 133.05 | 11.44\nvgg13_bn | 133.05 | 11.49\nvgg16 | 138.36 | 15.61\nvgg16_bn | 138.37 | 15.66\nvgg19 | 143.67 | 19.77\nvgg19_bn | 143.68 | 19.83\nresnet18 | 11.69 | 1.82\nresnet34 | 21.80 | 3.68\nresnet50 | 25.56 | 4.14\nresnet101 | 44.55 | 7.87\nresnet152 | 60.19 | 11.61\nwide_resnet101_2 | 126.89 | 22.84\nwide_resnet50_2 | 68.88 | 11.46\n\n\u003C\u002Ftd>\n\u003Ctd>\n\n模型 | 参数量(M) | MACs(G)\n---|---|---\nresnext50_32x4d | 25.03 | 4.29\nresnext101_32x8d | 88.79 | 16.54\ndensenet121 | 7.98 | 2.90\ndensenet161 | 28.68 | 7.85\ndensenet169 | 14.15 | 3.44\ndensenet201 | 20.01 | 4.39\nsqueezenet1_0 | 1.25 | 0.82\nsqueezenet1_1 | 1.24 | 0.35\nmnasnet0_5 | 2.22 | 0.14\nmnasnet0_75 | 3.17 | 0.24\nmnasnet1_0 | 4.38 | 0.34\nmnasnet1_3 | 6.28 | 0.53\nmobilenet_v2 | 3.50 | 0.33\nshufflenet_v2_x0_5 | 1.37 | 0.05\nshufflenet_v2_x1_0 | 2.28 | 0.15\nshufflenet_v2_x1_5 | 3.50 | 0.31\nshufflenet_v2_x2_0 | 7.39 | 0.60\ninception_v3 | 27.16 | 5.75\n\n\u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003C\u002Fp>","# pytorch-OpCounter (THOP) 快速上手指南\n\nTHOP (PyTorch-OpCounter) 是一个用于计算 PyTorch 模型浮点运算量 (FLOPs\u002FMACs) 和参数量 (Params) 的轻量级工具，帮助开发者评估模型复杂度。\n\n## 环境准备\n\n*   **系统要求**：Linux, macOS, Windows\n*   **前置依赖**：\n    *   Python 3.6+\n    *   PyTorch (建议 1.0 及以上版本)\n    *   torchvision (可选，用于测试预训练模型)\n\n## 安装步骤\n\n推荐使用 pip 直接安装稳定版：\n\n```bash\npip install thop\n```\n\n如果需要获取最新的开发版本，可以使用以下命令：\n\n```bash\npip install --upgrade git+https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter.git\n```\n\n> **提示**：国内用户若下载缓慢，可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 参数使用清华镜像源加速安装。\n\n## 基本使用\n\n以下是最简单的使用示例，以 `resnet50` 为例计算其 MACs 和参数量：\n\n```python\nimport torch\nfrom torchvision.models import resnet50\nfrom thop import profile\n\n# 初始化模型\nmodel = resnet50()\n\n# 构造一个符合模型输入的随机 Tensor (BatchSize=1, Channels=3, H=224, W=224)\ninput = torch.randn(1, 3, 224, 224)\n\n# 计算 MACs 和 Params\nmacs, params = profile(model, inputs=(input, ))\n\nprint(f\"MACs: {macs}, Params: {params}\")\n```\n\n### 优化输出格式（可选）\n\n为了获得更易读的格式化输出（如自动转换为 G 或 M 单位），可以使用 `clever_format`：\n\n```python\nfrom thop import clever_format\n\nmacs, params = clever_format([macs, params], \"%.3f\")\nprint(f\"MACs: {macs}, Params: {params}\")\n```","某自动驾驶初创团队的算法工程师正在为嵌入式设备优化目标检测模型，需要在保证精度的前提下严格限制计算量。\n\n### 没有 pytorch-OpCounter 时\n- 工程师只能凭经验估算模型复杂度，经常选错骨干网络，导致模型在部署阶段因算力不足而崩溃。\n- 手动推导卷积层和全连接层的 FLOPs 公式极其繁琐，一旦修改网络结构（如调整通道数），就需要重新计算，效率极低且容易出错。\n- 缺乏统一的量化标准，团队成员对“轻量级”定义模糊，沟通成本高，难以快速筛选出适合边缘端运行的候选模型。\n- 无法针对自定义的第三方算子进行统计，遇到特殊图层时只能盲目跳过，导致最终评估结果与实际硬件负载存在巨大偏差。\n\n### 使用 pytorch-OpCounter 后\n- 只需几行代码即可自动获取 ResNet 或 MobileNet 等模型的精确 MACs 和参数量，瞬间验证模型是否满足嵌入式芯片的算力阈值。\n- 迭代速度显著提升，修改网络配置后立即运行 `profile` 函数，实时反馈计算量变化，彻底告别手工推导公式的历史。\n- 团队建立了基于具体数值（如 MACs \u003C 4G）的选型标准，利用内置的知名模型基准数据表，快速锁定最适合的车载检测架构。\n- 通过定义 `custom_ops` 规则，轻松支持团队自研的特殊注意力模块，确保整体复杂度评估覆盖全图，消除了性能盲区。\n\npytorch-OpCounter 将模糊的模型复杂度评估转化为精准的量化数据，让深度学习模型在资源受限设备上的落地变得可控且高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FLyken17_pytorch-OpCounter_b3fb3f31.png","Lyken17","Ligeng Zhu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FLyken17_e6343e01.png","Researcher at @Nvidia on efficient large models.  Previously @MIT, @SFU, @ZJU.",null,"Cambridge, MA","lzhu.me","https:\u002F\u002Fgithub.com\u002FLyken17",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",99.8,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.2,5080,535,"2026-04-04T20:09:15","MIT",1,"","未说明",{"notes":100,"python":98,"dependencies":101},"该工具用于统计 PyTorch 模型的参数量 (Params) 和计算量 (MACs\u002FFLOPs)。安装可通过 pip 直接安装 'thop' 包或从 GitHub 源码安装。使用时需传入模型实例和示例输入张量。支持通过 custom_ops 参数为第三方模块定义自定义计算规则。输出结果可使用 clever_format 函数进行格式化以提高可读性。由于是静态图分析工具，通常不需要 GPU 即可运行，具体资源消耗取决于被分析模型的大小。",[102,103],"torch","torchvision",[13],"2026-03-27T02:49:30.150509","2026-04-06T05:36:39.585965",[108,113,118,123,128,132],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},6544,"如何统计 nn.functional.interpolate 或自定义算子（如 F.grid_sample）的 FLOPs？","对于未在默认支持列表中的算子（如 `nn.functional.interpolate` 或 `F.grid_sample`），不能直接添加钩子。解决方案是将这些操作封装为继承自 `nn.Module` 的自定义类，并在 `__init__` 中定义（或使用 `add_module`），然后注册自定义计算规则。\n\n示例代码：\n1. 定义封装类：\nclass GridSample(nn.Module):\n    def __init__(self): super().__init__()\n    def forward(self, x, grid): return F.grid_sample(x, grid, padding_mode='border', align_corners=True)\n\n2. 定义计算函数并注册：\ndef get_macs_of_gridsample(m, x, y):\n    input, flow = x[0], x[1]\n    batch, C = input.size()[:2]\n    Hout, Wout = flow.size()[1:3]\n    total_ops = batch * C * Hout * Wout * 4  # 双线性插值计算\n    m.total_ops += torch.DoubleTensor([int(total_ops)])\n\n3. 在 profile 中使用：\ncustom_ops = {GridSample: get_macs_of_gridsample}\nprofile(model, inputs, custom_ops=custom_ops)","https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter\u002Fissues\u002F36",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},6545,"为什么模型中定义但未在 forward 中使用的模块也被计入了参数量？","这是一个已知问题，工具会统计 `__init__` 中定义的所有模块参数，即使它们未在 `forward` 函数中被调用。维护者已修复此逻辑，确保只计算实际参与前向传播的模块。\n如果您遇到此问题，请确保升级到最新版本。修复后的行为示例：\n- 若 `forward` 中只使用了 `linear1`，则只计算 `linear1` 的 MACs 和参数。\n- 若 `linear2` 定义了但未使用，它将不会被计入统计结果。","https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter\u002Fissues\u002F75",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},6546,"统计出的参数量在大数值时出现精度丢失（小数或偏差 1）怎么办？","这是由于内部使用 `float32` 存储参数量导致的精度问题。当参数量超过 2^24 (约 1677 万) 时，32 位浮点数无法精确表示整数，导致结果出现小数或偏差。\n该问题已在后续版本中修复，参数量现在使用 `torch.int64` 类型存储以保证大模型下的精度。如果遇到此问题，请更新库到最新版本：`pip install --upgrade thop`。","https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter\u002Fissues\u002F71",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},6547,"count_conv2d 计算的是 FLOPs 还是 MACs？两者如何换算？","`count_conv2d` 函数计算的是 MACs (Multiply-Accumulate Operations，乘加运算次数)。\n换算关系通常为：FLOPs = 2 * MACs。这是因为一次乘加运算（MAC）包含一次乘法和一次加法，相当于两次浮点运算（FLOP）。因此，如果您需要 FLOPs 数值，可以将工具输出的 MACs 结果乘以 2。","https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter\u002Fissues\u002F15",{"id":129,"question_zh":130,"answer_zh":131,"source_url":112},6548,"使用 nn.Upsample 进行上采样时，输入尺寸为奇数会导致尺寸不匹配怎么办？","当使用 `scale_factor` 且输入高宽为奇数时（例如 41x41），下采样后变为 21x21，再按因子 2 上采样会得到 42x42，导致与原始尺寸不匹配。\n建议的解决方法：\n1. 确保输入尺寸是下采样倍数的整数倍（例如 ResNet 下采样 32 倍，输入尺寸应为 32 的倍数）。\n2. 在实例化 `nn.Upsample` 时，尽量使用 `size` 参数明确指定输出尺寸，而不是仅依赖 `scale_factor`，以避免奇数尺寸带来的舍入误差。\n注意：`nn.functional.upsample` 已被弃用，请使用 `nn.Upsample` 模块。",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},6549,"代码中出现 SyntaxError: invalid syntax (涉及 '*' 解包操作) 如何修复？","在某些旧版本代码中，计算 kernel 大小的行可能包含了不兼容的语法：\n`kernel = torch.Tensor([*(x[0].shape[2:])]) \u002F\u002F ...`\n如果报错 `SyntaxError: invalid syntax`，请移除列表推导式中的 `*` 号。修改后的代码应为：\n`kernel = torch.Tensor(list(x[0].shape[2:])) \u002F\u002F torch.Tensor(list((m.output_size,))).squeeze()`\n或者直接调整形状获取方式以适配您的 Python\u002FPyTorch 版本。","https:\u002F\u002Fgithub.com\u002FLyken17\u002Fpytorch-OpCounter\u002Fissues\u002F18",[]]