[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ShichenLiu--CondenseNet":3,"tool-ShichenLiu--CondenseNet":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",149489,2,"2026-04-10T11:32:46",[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。",108322,"2026-04-10T11:39:34",[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":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":140},6290,"ShichenLiu\u002FCondenseNet","CondenseNet","CondenseNet: Light weighted CNN for mobile devices","CondenseNet 是一款专为移动设备设计的轻量级卷积神经网络架构，旨在解决深度学习模型在资源受限环境下计算量大、运行缓慢的难题。它巧妙结合了 DenseNet 的密集连接特性与一种创新的“学习群卷积”机制：在训练阶段，网络通过密集连接充分复用特征；随后，算法会自动学习并剪除那些对特征复用贡献不大的冗余连接。这一过程使得最终模型在测试时能转化为标准的群卷积形式，从而在实际部署中实现极高的计算效率。实验表明，CondenseNet 在保持高精度的同时，其效率显著优于 MobileNets 和 ShuffleNets 等主流紧凑网络。\n\n该工具基于 PyTorch 框架开发，提供了完整的训练、评估及模型转换代码，特别适合人工智能研究人员探索高效网络结构，以及开发者将其应用于手机端或嵌入式设备的图像识别任务。其核心技术亮点在于“先训练后剪枝”的动态优化策略，让模型能够自动筛选出最重要的连接路径，无需人工干预即可实现结构与性能的最佳平衡。无论是希望复现论文成果的学者，还是寻求落地高性能移动端 AI 应用的工程师，CondenseNet 都是一个值得尝试的高效解决方案。","# CondenseNets\n\nThis repository contains the code (in PyTorch) for \"[CondenseNet: An Efficient DenseNet using Learned Group Convolutions](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.09224)\" paper by [Gao Huang](http:\u002F\u002Fwww.cs.cornell.edu\u002F~gaohuang\u002F)\\*, [Shichen Liu](https:\u002F\u002Fshichenliu.github.io)\\*, [Laurens van der Maaten](https:\u002F\u002Flvdmaaten.github.io) and [Kilian Weinberger](https:\u002F\u002Fwww.cs.cornell.edu\u002F%7Ekilian\u002F) (* Authors contributed equally).\n\n### Citation\n\nIf you find our project useful in your research, please consider citing:\n\n```\n@inproceedings{huang2018condensenet,\n  title={Condensenet: An efficient densenet using learned group convolutions},\n  author={Huang, Gao and Liu, Shichen and Van der Maaten, Laurens and Weinberger, Kilian Q},\n  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},\n  pages={2752--2761},\n  year={2018}\n}\n```\n\n## Contents\n\n1. [Introduction](#introduction)\n2. [Usage](#usage)\n3. [Results](#results)\n4. [Discussions](#discussions)\n5. [Contacts](#contacts)\n\n## Introduction\n\nCondenseNet is a novel, computationally efficient convolutional network architecture. It combines dense connectivity between layers with a mechanism to remove unused connections. The dense connectivity facilitates feature re-use in the network, whereas learned group convolutions remove connections between layers for which this feature re-use is superfluous. At test time, our model can be implemented using standard grouped convolutions —- allowing for efficient computation in practice. Our experiments demonstrate that CondenseNets are much more efficient than other compact convolutional networks such as MobileNets and ShuffleNets.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShichenLiu_CondenseNet_readme_5c92bcb33812.png\">\n\nFigure 1: Learned Group Convolution with G=C=3.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShichenLiu_CondenseNet_readme_46ba5e24c561.jpg\" width=\"480\">\n\nFigure 2: CondenseNets with Fully Dense Connectivity and Increasing Growth Rate.\n\n## Usage\n\n### Dependencies\n\n- [Python3](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n- [PyTorch(1.1.0)](http:\u002F\u002Fpytorch.org)\n- [ImageNet](https:\u002F\u002Fwww.image-net.org\u002Fchallenges\u002FLSVRC\u002F2012\u002F)\n\n### Train\nAs an example, use the following command to train a CondenseNet on ImageNet\n\n```\npython main.py --model condensenet -b 256 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0,1,2,3,4,5,6,7 --resume\n```\n\nAs another example, use the following command to train a CondenseNet on CIFAR-10\n\n```\npython main.py --model condensenet -b 64 -j 12 cifar10 \\\n--stages 14-14-14 --growth 8-16-32 --gpu 0 --resume\n```\n\n\n### Evaluation\nWe take the ImageNet model trained above as an example.\n\nTo evaluate the trained model, use `evaluate` to evaluate from the default checkpoint directory:\n\n```\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate\n```\n\nor use `evaluate-from` to evaluate from an arbitrary path:\n\n```\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate-from \u002FPATH\u002FTO\u002FBEST\u002FMODEL\n```\n\nNote that these models are still the large models. To convert the model to group-convolution version as described in the paper, use the `convert-from` function:\n\n```\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--convert-from \u002FPATH\u002FTO\u002FBEST\u002FMODEL\n```\n\nFinally, to directly load from a converted model (that is, a CondenseNet), use a **converted model file** in combination with the `evaluate-from` option:\n\n```\npython main.py --model condensenet_converted -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate-from \u002FPATH\u002FTO\u002FCONVERTED\u002FMODEL\n```\n\n### Other Options\nWe also include DenseNet implementation in this repository.  \nFor more examples of usage, please refer to [script.sh](script.sh)  \nFor detailed options, please `python main.py --help`\n\n## Results\n\n### Results on ImageNet\n\n| Model | FLOPs | Params | Top-1 Err. | Top-5 Err. | Pytorch Model |\n|---|---|---|---|---|---|\n| CondenseNet-74 (C=G=4) | 529M | 4.8M | 26.2 | 8.3 | [Download (18.69M)](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fsj26rm4so3uhdmg\u002Fconverted_condensenet_4.pth.tar?dl=0) |\n| CondenseNet-74 (C=G=8) | 274M | 2.9M | 29.0 | 10.0 | [Download (11.68M)](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Faj1xpd6zcnclous\u002Fconverted_condensenet_8.pth.tar?dl=0) |\n\n### Results on CIFAR\n\n| Model | FLOPs | Params | CIFAR-10 | CIFAR-100 |\n|---|---|---|---|---|\n| CondenseNet-50 | 28.6M | 0.22M | 6.22 | - |\n| CondenseNet-74 | 51.9M | 0.41M | 5.28 | - |\n| CondenseNet-86 | 65.8M | 0.52M | 5.06 | 23.64 |\n| CondenseNet-98 | 81.3M | 0.65M | 4.83 | - |\n| CondenseNet-110 | 98.2M | 0.79M | 4.63 | - |\n| CondenseNet-122 | 116.7M | 0.95M | 4.48 | - |\n| CondenseNet-182* | 513M | 4.2M | 3.76 | 18.47 |\n\n(* trained 600 epochs)\n\n### Inference time on ARM platform\n\n| Model | FLOPs | Top-1 | Time(s) |\n|---|---|---|---|\n| VGG-16 | 15,300M | 28.5 | 354 |\n| ResNet-18 | 1,818M | 30.2 | 8.14 |\n| 1.0 MobileNet-224 | 569M | 29.4 | 1.96 |\n| CondenseNet-74 (C=G=4) | 529M | 26.2 | 1.89 |\n| CondenseNet-74 (C=G=8) | 274M | 29.0 | 0.99 |\n\n## Contact\nliushichen95@gmail.com  \ngh349@cornell.com\n\nWe are working on the implementation on other frameworks.  \nAny discussions or concerns are welcomed!\n","# CondenseNets\n\n本仓库包含由 [Gao Huang](http:\u002F\u002Fwww.cs.cornell.edu\u002F~gaohuang\u002F)、[Shichen Liu](https:\u002F\u002Fshichenliu.github.io)、[Laurens van der Maaten](https:\u002F\u002Flvdmaaten.github.io) 和 [Kilian Weinberger](https:\u002F\u002Fwww.cs.cornell.edu\u002F%7Ekilian\u002F) 共同撰写的论文 “[CondenseNet: 使用学习型分组卷积的高效 DenseNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.09224)” 的 PyTorch 实现代码（* 作者贡献相等）。\n\n### 引用信息\n\n如果您在研究中使用了我们的项目，请考虑引用以下文献：\n\n```\n@inproceedings{huang2018condensenet,\n  title={Condensenet: An efficient densenet using learned group convolutions},\n  author={Huang, Gao and Liu, Shichen and Van der Maaten, Laurens and Weinberger, Kilian Q},\n  booktitle={Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition},\n  pages={2752--2761},\n  year={2018}\n}\n```\n\n## 目录\n\n1. [简介](#introduction)\n2. [使用方法](#usage)\n3. [结果](#results)\n4. [讨论](#discussions)\n5. [联系方式](#contacts)\n\n## 简介\n\nCondenseNet 是一种新颖且计算高效的卷积神经网络架构。它结合了层间密集连接与移除冗余连接的机制。密集连接有助于在网络中重用特征，而学习型分组卷积则会移除那些特征重用不必要的层间连接。在推理阶段，我们的模型可以使用标准的分组卷积实现，从而在实践中实现高效计算。实验表明，CondenseNet 比 MobileNets 和 ShuffleNets 等其他紧凑型卷积网络更加高效。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShichenLiu_CondenseNet_readme_5c92bcb33812.png\">\n\n图 1：学习型分组卷积，其中 G=C=3。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShichenLiu_CondenseNet_readme_46ba5e24c561.jpg\" width=\"480\">\n\n图 2：具有完全密集连接且增长速率递增的 CondenseNet。\n\n## 使用方法\n\n### 依赖项\n\n- [Python3](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n- [PyTorch(1.1.0)](http:\u002F\u002Fpytorch.org)\n- [ImageNet](https:\u002F\u002Fwww.image-net.org\u002Fchallenges\u002FLSVRC\u002F2012\u002F)\n\n### 训练\n以下是一个在 ImageNet 数据集上训练 CondenseNet 的示例命令：\n\n```\npython main.py --model condensenet -b 256 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0,1,2,3,4,5,6,7 --resume\n```\n\n另一个示例是在 CIFAR-10 数据集上训练 CondenseNet：\n\n```\npython main.py --model condensenet -b 64 -j 12 cifar10 \\\n--stages 14-14-14 --growth 8-16-32 --gpu 0 --resume\n```\n\n### 评估\n我们以上述在 ImageNet 上训练的模型为例进行说明。\n\n要评估训练好的模型，可以使用 `evaluate` 从默认检查点目录进行评估：\n\n```\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate\n```\n\n或者使用 `evaluate-from` 从任意路径进行评估：\n\n```\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate-from \u002FPATH\u002FTO\u002FBEST\u002FMODEL\n```\n\n请注意，这些仍然是大型模型。若要将模型转换为论文中描述的分组卷积版本，可以使用 `convert-from` 函数：\n\n```\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--convert-from \u002FPATH\u002FTO\u002FBEST\u002FMODEL\n```\n\n最后，若要直接加载已转换的模型（即 CondenseNet），请结合 `evaluate-from` 选项使用 **已转换的模型文件**：\n\n```\npython main.py --model condensenet_converted -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate-from \u002FPATH\u002FTO\u002FCONVERTED\u002FMODEL\n```\n\n### 其他选项\n本仓库还包含了 DenseNet 的实现。更多使用示例请参考 [script.sh](script.sh)。有关详细选项，请运行 `python main.py --help`。\n\n## 结果\n\n### ImageNet 上的结果\n\n| 模型 | FLOPs | 参数量 | Top-1 错误率 | Top-5 错误率 | PyTorch 模型 |\n|---|---|---|---|---|---|\n| CondenseNet-74 (C=G=4) | 529M | 4.8M | 26.2 | 8.3 | [下载 (18.69M)](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fsj26rm4so3uhdmg\u002Fconverted_condensenet_4.pth.tar?dl=0) |\n| CondenseNet-74 (C=G=8) | 274M | 2.9M | 29.0 | 10.0 | [下载 (11.68M)](https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Faj1xpd6zcnclous\u002Fconverted_condensenet_8.pth.tar?dl=0) |\n\n### CIFAR 上的结果\n\n| 模型 | FLOPs | 参数量 | CIFAR-10 | CIFAR-100 |\n|---|---|---|---|---|\n| CondenseNet-50 | 28.6M | 0.22M | 6.22 | - |\n| CondenseNet-74 | 51.9M | 0.41M | 5.28 | - |\n| CondenseNet-86 | 65.8M | 0.52M | 5.06 | 23.64 |\n| CondenseNet-98 | 81.3M | 0.65M | 4.83 | - |\n| CondenseNet-110 | 98.2M | 0.79M | 4.63 | - |\n| CondenseNet-122 | 116.7M | 0.95M | 4.48 | - |\n| CondenseNet-182* | 513M | 4.2M | 3.76 | 18.47 |\n\n(* 训练了 600 个 epoch)\n\n### ARM 平台上的推理时间\n\n| 模型 | FLOPs | Top-1 | 时间(s) |\n|---|---|---|---|\n| VGG-16 | 15,300M | 28.5 | 354 |\n| ResNet-18 | 1,818M | 30.2 | 8.14 |\n| 1.0 MobileNet-224 | 569M | 29.4 | 1.96 |\n| CondenseNet-74 (C=G=4) | 529M | 26.2 | 1.89 |\n| CondenseNet-74 (C=G=8) | 274M | 29.0 | 0.99 |\n\n## 联系方式\nliushichen95@gmail.com  \ngh349@cornell.com\n\n我们正在开发其他框架上的实现。欢迎任何讨论或疑问！","# CondenseNet 快速上手指南\n\nCondenseNet 是一种高效的卷积神经网络架构，结合了密集连接（Dense Connectivity）与学习到的分组卷积（Learned Group Convolutions）。它在保持高精度的同时，显著降低了计算量（FLOPs）和参数量，推理速度优于 MobileNet 和 ShuffleNet，特别适合移动端部署。\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 (推荐 Ubuntu) 或 macOS\n*   **Python**: Python 3.x\n*   **深度学习框架**: PyTorch 1.1.0 (或其他兼容版本)\n*   **数据集**: ImageNet 或 CIFAR-10\u002F100\n    *   *注：国内用户可使用腾讯云镜像或阿里云镜像加速 ImageNet 数据集下载。*\n\n### 依赖安装\n\n建议使用 `pip` 并配置国内镜像源（如清华源）以加速安装：\n\n```bash\npip install torch==1.1.0 torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n其他标准依赖（如 numpy, pillow 等）通常随 PyTorch 自动安装，若缺失请单独安装。\n\n## 安装步骤\n\n本项目无需复杂的编译安装过程，直接克隆仓库即可使用：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FShichenLiu\u002FCondenseNet.git\ncd CondenseNet\n```\n\n## 基本使用\n\n以下是最简单的训练与评估示例。请根据实际路径替换 `\u002FPATH\u002FTO\u002FDATASET`。\n\n### 1. 训练模型 (Training)\n\n**示例：在 CIFAR-10 数据集上训练**\n这是一个轻量级的入门示例，适合单卡 GPU 运行：\n\n```bash\npython main.py --model condensenet -b 64 -j 12 cifar10 \\\n--stages 14-14-14 --growth 8-16-32 --gpu 0 --resume\n```\n\n**示例：在 ImageNet 数据集上训练**\n适用于多卡并行训练：\n\n```bash\npython main.py --model condensenet -b 256 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0,1,2,3,4,5,6,7 --resume\n```\n\n### 2. 模型评估 (Evaluation)\n\n训练完成后，使用以下命令评估模型精度：\n\n```bash\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate\n```\n\n若需指定特定的模型文件进行评估：\n\n```bash\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate-from \u002FPATH\u002FTO\u002FBEST\u002FMODEL\n```\n\n### 3. 模型转换 (Conversion)\n\n为了在实际部署中获得最佳推理速度，需要将训练好的大模型转换为**分组卷积版本**（即论文中描述的最终形态）：\n\n```bash\npython main.py --model condensenet -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--convert-from \u002FPATH\u002FTO\u002FBEST\u002FMODEL\n```\n\n转换完成后，加载转换后的模型进行最终评估：\n\n```bash\npython main.py --model condensenet_converted -b 64 -j 20 \u002FPATH\u002FTO\u002FIMAGENET \\\n--stages 4-6-8-10-8 --growth 8-16-32-64-128 --gpu 0 --resume \\\n--evaluate-from \u002FPATH\u002FTO\u002FCONVERTED\u002FMODEL\n```\n\n> **提示**: 更多详细参数选项可通过运行 `python main.py --help` 查看。","某边缘计算团队正在为一款低功耗工业巡检机器人开发实时缺陷检测系统，需在算力受限的嵌入式设备上运行高精度视觉模型。\n\n### 没有 CondenseNet 时\n- 部署主流的 MobileNet 或 ShuffleNet 后，机器人端侧推理延迟高达 200ms，无法满足产线高速流转的实时性要求。\n- 为了强行降低延迟而压缩模型层数，导致微小裂纹和划痕的识别准确率大幅下降，漏检率超出安全阈值。\n- 密集的特征复用带来了大量冗余连接，不仅占用了宝贵的内存带宽，还导致设备发热严重，影响电池续航。\n- 模型在训练阶段参数庞大，但在实际推理时无法有效利用分组卷积加速，硬件利用率低下。\n\n### 使用 CondenseNet 后\n- 利用学习到的分组卷积机制移除冗余连接，推理速度提升显著，延迟降至 60ms 以内，完美匹配产线节拍。\n- 保留了 DenseNet 式的密集连接特性以充分复用特征，在模型轻量化的同时，微小缺陷的检测精度反而优于同量级的竞品模型。\n- 测试时可直接转换为标准分组卷积结构，大幅降低了内存访问成本和功耗，机器人单次充电作业时长延长 40%。\n- 通过“先训练全连接再转换”的独特流程，既享受了训练时的特征流动优势，又获得了部署时的极致计算效率。\n\nCondenseNet 通过智能剪枝与高效架构设计，成功打破了移动端设备在速度与精度之间难以兼得的僵局。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShichenLiu_CondenseNet_48e1bc06.png","ShichenLiu","Shichen Liu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FShichenLiu_c16f6929.png","PhD CANDIDATE at USC","University of Southern California","Los Angeles","liushichen95@gmail.com",null,"https:\u002F\u002Fshichenliu.github.io","https:\u002F\u002Fgithub.com\u002FShichenLiu",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",97.2,{"name":88,"color":89,"percentage":90},"Shell","#89e051",2.8,692,130,"2026-03-31T12:59:03","MIT","未说明","训练示例命令显示支持多 GPU (0-7)，暗示需要 NVIDIA GPU 及 CUDA 环境，具体显存大小和 CUDA 版本未说明",{"notes":98,"python":99,"dependencies":100},"该工具主要依赖 ImageNet 或 CIFAR-10 数据集。训练命令示例中使用了 8 张 GPU，表明大规模训练需要多卡环境。模型推理时可转换为标准分组卷积以提高效率。代码库中还包含了 DenseNet 的实现供参考。","Python3",[101],"PyTorch==1.1.0",[14],[104,105,106],"deep-learning","pytorch","mobile-device","2026-03-27T02:49:30.150509","2026-04-10T22:18:59.362069",[110,115,120,125,130,135],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},28474,"训练自定义数据集时遇到显存不足（Out of Memory）错误怎么办？","首先检查数据加载逻辑，确保没有将所有数据一次性加载到 RAM 中（例如避免对超大文件使用 `torch.load` 或 `pickle.load`）。如果确认数据加载无误，可能是 Python 垃圾回收机制未及时触发。可以尝试在训练循环中显式调用垃圾回收：在 `main.py` 的相关位置（如损失计算后）添加 `import gc` 和 `gc.collect()`。此外，尝试减小 batch size（如从 256 降至 64 或更低），并确保输入图像尺寸正确（如裁剪至 224x224 而非仅缩放）。","https:\u002F\u002Fgithub.com\u002FShichenLiu\u002FCondenseNet\u002Fissues\u002F5",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},28475,"复现 CondenseNet-182* 在 CIFAR-100 上的结果时，错误率高于论文报告值（19.73% vs 18.47%），如何解决？","默认参数可能不足以复现最佳结果。建议尝试调整 Dropout 率，论文结果可能需要更大的 Dropout 值。可以尝试将 dropout rate 设置为 0.2、0.3 甚至 0.5 进行实验。此外，训练使用的 GPU 数量也可能影响最终精度，原论文结果可能是在多卡环境下得出的，单卡训练可能需要更细致的超参数调整。","https:\u002F\u002Fgithub.com\u002FShichenLiu\u002FCondenseNet\u002Fissues\u002F28",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},28476,"Group Lasso 正则化的 lambda 值（group_lasso_lambda）应该设为多少？CIFAR 数据集上是否适用？","论文中针对 ImageNet 数据集提到的值为 `1e-5`，但未明确说明 CIFAR 数据集的值。有用户反馈在 CIFAR-100 上使用 Group Lasso 后性能反而下降（错误率从 23.44% 升至 24.14%），甚至出现损失突增和权重变为 NaN 的情况。这表明在 CIFAR 数据集上直接应用该正则化项可能导致训练不稳定。建议先在 CIFAR 上不使用 Group Lasso，或者大幅减小 lambda 值并监控训练稳定性。","https:\u002F\u002Fgithub.com\u002FShichenLiu\u002FCondenseNet\u002Fissues\u002F19",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},28477,"在 PyTorch v0.4 版本中遇到掩码（mask）填充无效的问题如何解决？","这是 PyTorch v0.4 API 的一个已知行为变化。代码中类似 `self._mask[i::self.groups, d, :, :].fill_(0)` 的写法不会原地（in-place）修改张量。必须改为赋值操作才能生效：`self._mask[i::self.groups, d, :, :] = self._mask[i::self.groups, d, :, :].fill_(0)`。请检查 `layers.py` 中的相关代码并进行此修改。","https:\u002F\u002Fgithub.com\u002FShichenLiu\u002FCondenseNet\u002Fissues\u002F14",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},28478,"代码中似乎缺少论文提到的 Shuffle Layer（洗牌层），这是设计差异还是遗漏？","这是一个常见的困惑点。在 CondenseNet 的实现中，Shuffle Layer 的功能是通过 `LearnedGroupConv`（学习到的组卷积）中的 1x1 卷积滤波器隐式实现的。1x1 卷积学习了特征图之间的映射关系，起到了通道混洗的作用，因此不需要显式的 Shuffle Layer 代码。训练和测试时的行为是一致的，无需额外添加洗牌层。","https:\u002F\u002Fgithub.com\u002FShichenLiu\u002FCondenseNet\u002Fissues\u002F7",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},28479,"如何获取 CondenseNet{light-160*, 182*, light-94, 84} 等模型的具体架构配置以复现结果？","当前仓库主要包含基础 CondenseNet 的实现，并未直接提供论文中提到的所有变体（如 CondenseNet v2 或特定的 light-160* 等）的预定义模型配置文件。用户需要根据论文描述手动配置 `--stages` 和 `--growth` 参数。例如，对于 CIFAR 数据集，需参考论文表格设置具体的阶段数和增长率。如果仓库中没有对应脚本，可能需要根据论文自行构建网络结构定义。","https:\u002F\u002Fgithub.com\u002FShichenLiu\u002FCondenseNet\u002Fissues\u002F11",[]]