[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Mikoto10032--AutomaticWeightedLoss":3,"tool-Mikoto10032--AutomaticWeightedLoss":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":76,"languages":77,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":93,"github_topics":94,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":133},9026,"Mikoto10032\u002FAutomaticWeightedLoss","AutomaticWeightedLoss","Multi-task learning using uncertainty to weigh losses for scene geometry and semantics, Auxiliary Tasks in Multi-task Learning","AutomaticWeightedLoss 是一个基于 PyTorch 开发的开源模块，旨在简化多任务学习中的损失函数加权过程。在多任务模型训练中，不同任务（如场景几何估计与语义分割）的损失量级往往差异巨大，人工设定权重不仅耗时且难以达到最优平衡。该工具通过引入可学习的不确定性参数，能够自动动态调整各任务损失的权重，让模型在训练过程中自行找到最佳平衡点。\n\n它主要解决了传统方法中因权重设置不当导致某些任务主导训练、或改进前算法中损失值可能变为负数从而影响收敛的问题。其核心亮点在于复现并优化了相关学术论文提出的算法，将权重系数作为可学习参数纳入优化器，无需手动调参即可实现更稳健的多任务联合训练。\n\nAutomaticWeightedLoss 非常适合从事深度学习研究的科研人员、需要构建多任务模型的算法工程师以及计算机视觉领域的开发者使用。只需几行代码即可集成到现有的 PyTorch 训练流程中，显著降低多任务调优的门槛。虽然作者谦逊地提示其在所有场景下未必总是最有效，但它无疑为探索多任务学习提供了高效、便捷的实验工具。","# AutomaticWeightedLoss\r\n\r\nA PyTorch implementation of Liebel L, Körner M. [Auxiliary tasks in multi-task learning](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1805.06334)[J]. arXiv preprint arXiv:1805.06334, 2018. \r\n\r\nThe above paper improves the paper \"[Multi-task learning using uncertainty to weigh losses for scene geometry and semantics](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_cvpr_2018\u002Fhtml\u002FKendall_Multi-Task_Learning_Using_CVPR_2018_paper.html)\" to avoid the loss of becoming negative during training.\r\n\r\n## Requirements\r\n\r\n* Python\r\n* PyTorch\r\n\r\n## How to Train with Your Model\r\n\r\n* Clone the repository\r\n\r\n``` bash\r\ngit clone git@github.com:Mikoto10032\u002FAutomaticWeightedLoss.git\r\n```\r\n\r\n* Create an AutomaticWeightedLoss module\r\n\r\n```python\r\nfrom AutomaticWeightedLoss import AutomaticWeightedLoss\r\n\r\nawl = AutomaticWeightedLoss(2)\t# we have 2 losses\r\nloss1 = 1\r\nloss2 = 2\r\nloss_sum = awl(loss1, loss2)\r\n```\r\n\r\n* Create an optimizer to learn weight coefficients\r\n\r\n```python\r\nfrom torch import optim\r\n\r\nmodel = Model()\r\noptimizer = optim.Adam([\r\n                {'params': model.parameters()},\r\n                {'params': awl.parameters(), 'weight_decay': 0}\t\r\n            ])\r\n```\r\n\r\n* A complete example\r\n\r\n```python\r\nfrom torch import optim\r\nfrom AutomaticWeightedLoss import AutomaticWeightedLoss\r\n\r\nmodel = Model()\r\n\r\nawl = AutomaticWeightedLoss(2)\t# we have 2 losses\r\nloss_1 = ...\r\nloss_2 = ...\r\n\r\n# learnable parameters\r\noptimizer = optim.Adam([\r\n                {'params': model.parameters()},\r\n                {'params': awl.parameters(), 'weight_decay': 0}\r\n            ])\r\n\r\nfor i in range(epoch):\r\n    for data, label1, label2 in data_loader:\r\n        # forward\r\n        pred1, pred2 = Model(data)\t\r\n        # calculate losses\r\n        loss1 = loss_1(pred1, label1)\r\n        loss2 = loss_2(pred2, label2)\r\n        # weigh losses\r\n        loss_sum = awl(loss1, loss2)\r\n        # backward\r\n        optimizer.zero_grad()\r\n        loss_sum.backward()\r\n        optimizer.step()\r\n```\r\n\r\n## Something to Say\r\n\r\nActually, it is not always effective, but I hope it can help you.","# 自动加权损失\n\n这是 Liebel L、Körner M 的论文《多任务学习中的辅助任务》[J]（arXiv 预印本 arXiv:1805.06334，2018 年）的 PyTorch 实现。\n\n上述论文改进了《利用不确定性对场景几何与语义的损失进行加权的多任务学习》一文（http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_cvpr_2018\u002Fhtml\u002FKendall_Multi-Task_Learning_Using_CVPR_2018_paper.html），以避免训练过程中损失值变为负数。\n\n## 需求\n\n* Python\n* PyTorch\n\n## 如何使用您的模型进行训练\n\n* 克隆仓库\n\n``` bash\ngit clone git@github.com:Mikoto10032\u002FAutomaticWeightedLoss.git\n```\n\n* 创建 AutomaticWeightedLoss 模块\n\n```python\nfrom AutomaticWeightedLoss import AutomaticWeightedLoss\n\nawl = AutomaticWeightedLoss(2)  # 我们有 2 个损失\nloss1 = 1\nloss2 = 2\nloss_sum = awl(loss1, loss2)\n```\n\n* 创建优化器来学习权重系数\n\n```python\nfrom torch import optim\n\nmodel = Model()\noptimizer = optim.Adam([\n                {'params': model.parameters()},\n                {'params': awl.parameters(), 'weight_decay': 0}    \n            ])\n```\n\n* 完整示例\n\n```python\nfrom torch import optim\nfrom AutomaticWeightedLoss import AutomaticWeightedLoss\n\nmodel = Model()\n\nawl = AutomaticWeightedLoss(2)  # 我们有 2 个损失\nloss_1 = ...\nloss_2 = ...\n\n# 可学习参数\noptimizer = optim.Adam([\n                {'params': model.parameters()},\n                {'params': awl.parameters(), 'weight_decay': 0}\n            ])\n\nfor i in range(epoch):\n    for data, label1, label2 in data_loader:\n        # 前向传播\n        pred1, pred2 = Model(data)    \n        # 计算损失\n        loss1 = loss_1(pred1, label1)\n        loss2 = loss_2(pred2, label2)\n        # 对损失进行加权\n        loss_sum = awl(loss1, loss2)\n        # 反向传播\n        optimizer.zero_grad()\n        loss_sum.backward()\n        optimizer.step()\n```\n\n## 补充说明\n\n实际上，这种方法并不总是有效，但我希望它能对您有所帮助。","# AutomaticWeightedLoss 快速上手指南\n\nAutomaticWeightedLoss 是一个基于 PyTorch 的开源工具，用于在多任务学习中自动调整不同损失函数的权重。它实现了论文《Auxiliary tasks in multi-task learning》中的算法，能够避免训练过程中损失值变为负数的问题，帮助模型更平衡地学习多个任务。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **语言版本**：Python 3.6+\n*   **核心依赖**：PyTorch\n\n请确保已安装 PyTorch。如果您在中国大陆地区，推荐使用清华源或中科大源加速安装：\n\n```bash\npip install torch -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n本项目无需通过 pip 安装，直接克隆仓库即可使用。\n\n1.  克隆项目仓库：\n\n```bash\ngit clone git@github.com:Mikoto10032\u002FAutomaticWeightedLoss.git\n```\n\n2.  将克隆后的目录添加到您的项目路径中，或者直接将 `AutomaticWeightedLoss.py` 文件复制到您的项目目录下。\n\n## 基本使用\n\n以下是集成该模块到训练流程的最简示例。假设您有两个需要同时优化的损失函数（`loss1` 和 `loss2`）。\n\n### 1. 初始化模块与优化器\n\n关键点在于需要将 `awl` 的参数也加入优化器中，并设置其 `weight_decay` 为 0。\n\n```python\nfrom torch import optim\nfrom AutomaticWeightedLoss import AutomaticWeightedLoss\n\n# 初始化模型\nmodel = Model()\n\n# 初始化自动加权损失模块，参数 2 表示有 2 个损失函数\nawl = AutomaticWeightedLoss(2)\n\n# 构建优化器：同时优化模型参数和损失权重参数\noptimizer = optim.Adam([\n                {'params': model.parameters()},\n                {'params': awl.parameters(), 'weight_decay': 0}\t\n            ])\n```\n\n### 2. 训练循环集成\n\n在训练循环中，计算各个任务的原始损失后，传入 `awl` 对象即可获得加权后的总损失。\n\n```python\nfor i in range(epoch):\n    for data, label1, label2 in data_loader:\n        # 前向传播\n        pred1, pred2 = Model(data)\t\n        \n        # 计算原始损失\n        loss1 = loss_1(pred1, label1)\n        loss2 = loss_2(pred2, label2)\n        \n        # 自动加权求和\n        loss_sum = awl(loss1, loss2)\n        \n        # 反向传播与更新\n        optimizer.zero_grad()\n        loss_sum.backward()\n        optimizer.step()\n```\n\n通过以上步骤，模型将在训练过程中自动学习每个任务的最佳损失权重，无需手动调节超参数。","一家自动驾驶初创公司的算法团队正在训练一个同时预测道路语义分割和深度估计的多任务模型，以感知周围环境。\n\n### 没有 AutomaticWeightedLoss 时\n- **人工调参耗时巨大**：工程师需要花费数周时间手动尝试不同的损失权重比例（如 0.1:0.9 或 0.5:0.5），试图平衡两个任务的收敛速度。\n- **任务主导现象严重**：由于深度估计的损失数值天然较大，模型往往过度优化深度任务，导致语义分割的准确率长期停滞不前。\n- **训练过程不稳定**：在调整权重过程中，常出现某个任务损失骤降而另一个任务损失发散的情况，难以找到全局最优解。\n- **泛化能力受限**：固定的人工权重无法适应训练不同阶段的需求，导致模型在复杂场景下的综合表现不如预期。\n\n### 使用 AutomaticWeightedLoss 后\n- **实现权重自适应学习**：AutomaticWeightedLoss 将权重作为可学习参数，根据每个任务的不确定性在训练过程中自动动态调整，无需人工干预。\n- **消除量纲差异影响**：工具自动平衡了语义分割和深度估计之间巨大的数值量级差异，确保两个任务梯度更新幅度相当。\n- **加速模型收敛**：省去了繁琐的网格搜索调参过程，模型在更少的 epoch 内即可达到双任务性能的最佳平衡点。\n- **提升综合精度**：通过基于不确定性的加权机制，最终模型在保持深度预测精度的同时，显著提升了道路边缘的分割效果。\n\nAutomaticWeightedLoss 通过将损失权重从“人工经验设定”转变为“数据驱动学习”，彻底解决了多任务学习中难以平衡不同目标的核心痛点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMikoto10032_AutomaticWeightedLoss_d4ea9be8.png","Mikoto10032",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMikoto10032_05c6cd23.jpg","『LESSON5』:『最短的捷径就是绕远路』，『绕远路才是我的最短捷径』","https:\u002F\u002Fgithub.com\u002FMikoto10032",[78],{"name":79,"color":80,"percentage":81},"Python","#3572A5",100,648,88,"2026-03-15T20:20:30","Apache-2.0",1,"","未说明",{"notes":90,"python":88,"dependencies":91},"该工具是论文《Auxiliary tasks in multi-task learning》的 PyTorch 实现，用于在多任务学习中自动加权损失。使用时需将模型参数和 AWL 模块的参数分别加入优化器，且对 AWL 参数设置 weight_decay 为 0。作者提示该方法并非在所有场景下都有效。",[92],"PyTorch",[14],[95,96,97,98,99,100],"multi-task","multi-task-learning","weigh-losses","auxiliary-tasks","pytorch","deep-learning","2026-03-27T02:49:30.150509","2026-04-18T22:33:43.195020",[104,109,113,118,123,128],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},40475,"在实现自动加权损失时，学习参数应该用 sigma 还是 sigma^2？这对性能有显著影响吗？","两者本质上没有区别，都可以视为可学习因子（只需确保训练过程中不为负数）。最终效果的微小差异可能与深度学习框架的优化机制有关，即哪种设置更容易被优化器处理。实际测试表明，只要正确处理了负对数问题，两者的最终性能差异不大。","https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FAutomaticWeightedLoss\u002Fissues\u002F2",{"id":110,"question_zh":111,"answer_zh":112,"source_url":108},40476,"使用 hinge loss 配合不确定性时，如果某些 batch 的损失值为零导致参数变小或为零，有什么建议？","虽然原贴主要讨论了 sigma 实现方式，但针对损失为零导致参数异常的问题，核心建议是参考官方实现修复“负对数”问题（negative log problem）。确保在计算损失权重时对参数进行适当的约束或裁剪，防止其趋近于零或变为负数，从而保证数值稳定性。",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},40477,"自定义优化器时报错 'TypeError: optimizer can only optimize Tensors, but one of the params is list'，如何解决？","错误原因是将 `awl` 模块的参数与模型参数合并时格式不正确。解决方案有两种：\n1. 不要将 `awl` 作为网络的 `self` 属性在函数外定义后直接合并。应将 `awl = AutomaticWeightedLoss(2)` 放在构建优化器的函数内部实例化。\n2. 或者确保 `awl` 作为一个单独模块，其参数被正确提取并添加到优化器参数列表中，而不是将整个对象当作列表元素传入。例如，确保传入 optimizer 的是 `{'params': self.awl.parameters()}` 这样的字典结构，且外层列表结构正确。","https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FAutomaticWeightedLoss\u002Fissues\u002F6",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},40478,"使用 AutomaticWeightedLoss 后，权重参数 (self.params) 始终为 1 不发生变化，原因是什么？","这是因为忘记将 `AutomaticWeightedLoss` 的可学习参数添加到优化器中。必须确保在初始化优化器时，显式地将 `awl.parameters()` 加入参数列表。例如：`optimizer = torch.optim.SGD(list(model.parameters()) + list(awl.parameters()), lr=...)`。只有将其纳入优化范围，权重才会随训练更新。","https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FAutomaticWeightedLoss\u002Fissues\u002F3",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},40479,"如何在 PyTorch DDP (DistributedDataParallel) 中使用此库？","在 DDP 模式下使用该库非常简单，只需像平常一样实例化并移动到 CUDA 设备即可。代码示例如下：\n```python\nawl = AutomaticWeightedLoss(2).cuda()\n```\nDDP 会自动处理多卡间的参数同步，无需特殊配置。","https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FAutomaticWeightedLoss\u002Fissues\u002F8",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},40480,"是否有 TensorFlow 版本的具体实现代码或注释说明？","目前该仓库主要提供 PyTorch 实现，官方 Issue 中尚未提供具体的 TensorFlow 实现代码或详细注释。用户需要参考 PyTorch 版本的逻辑自行移植到 TensorFlow 框架中。","https:\u002F\u002Fgithub.com\u002FMikoto10032\u002FAutomaticWeightedLoss\u002Fissues\u002F13",[]]