[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Swall0w--torchstat":3,"tool-Swall0w--torchstat":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",156033,2,"2026-04-14T23:32:00",[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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":76,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":86,"difficulty_score":87,"env_os":88,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":132},7677,"Swall0w\u002Ftorchstat","torchstat","Model analyzer in PyTorch","torchstat 是一款专为 PyTorch 打造的轻量级神经网络分析工具，旨在帮助开发者快速洞察模型架构细节。在深度学习模型开发过程中，研究人员往往难以直观评估网络的参数量、计算复杂度及内存占用，而 torchstat 能一键生成详尽的分析报告，有效解决模型调试与性能预估的难题。\n\n该工具特别适合深度学习工程师、算法研究员及学生使用。无论是优化移动端部署模型，还是对比不同架构的效率，用户都能通过它轻松获取关键指标，包括总参数量、理论浮点运算数（FLOPs）、乘加运算量（MAdd）以及各层级的内存读写消耗。其独特亮点在于支持命令行（CLI）和 Python 模块两种调用方式：既可以直接分析脚本中的网络定义，也能在代码中导入并即时打印类似 Keras 风格的层级摘要表格。尽管目前仍处于开发阶段，部分功能如任意输入形状支持尚在完善中，但 torchstat 已能兼容大多数常用层，成为构建高效、可解释神经网络的得力助手。","[![Build Status](https:\u002F\u002Ftravis-ci.org\u002FSwall0w\u002Ftorchstat.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002FSwall0w\u002Ftorchstat)\n\n# torchstat\nThis is a lightweight neural network analyzer based on PyTorch.\nIt is designed to make building your networks quick and easy, with the ability to debug them.\n**Note**: This repository is currently under development. Therefore, some APIs might be changed.\n\nThis tools can show\n\n* Total number of network parameters\n* Theoretical amount of floating point arithmetics (FLOPs)\n* Theoretical amount of multiply-adds (MAdd)\n* Memory usage\n\n## Installing\nThere're two ways to install torchstat into your environment.\n* Install it via pip.\n```bash\n$ pip install torchstat\n```\n\n* Install and update using **setup.py** after cloning this repository.\n```bash\n$ python3 setup.py install\n```\n\n## A Simple Example\nIf you want to run the torchstat asap, you can call it as a CLI tool if your network exists in a script.\nOtherwise you need to import torchstat as a module.\n\n### CLI tool\n```bash\n$ torchstat masato$ torchstat -f example.py -m Net\n[MAdd]: Dropout2d is not supported!\n[Flops]: Dropout2d is not supported!\n[Memory]: Dropout2d is not supported!\n      module name  input shape output shape     params memory(MB)           MAdd         Flops  MemRead(B)  MemWrite(B) duration[%]   MemR+W(B)\n0           conv1    3 224 224   10 220 220      760.0       1.85   72,600,000.0  36,784,000.0    605152.0    1936000.0      57.49%   2541152.0\n1           conv2   10 110 110   20 106 106     5020.0       0.86  112,360,000.0  56,404,720.0    504080.0     898880.0      26.62%   1402960.0\n2      conv2_drop   20 106 106   20 106 106        0.0       0.86            0.0           0.0         0.0          0.0       4.09%         0.0\n3             fc1        56180           50  2809050.0       0.00    5,617,950.0   2,809,000.0  11460920.0        200.0      11.58%  11461120.0\n4             fc2           50           10      510.0       0.00          990.0         500.0      2240.0         40.0       0.22%      2280.0\ntotal                                        2815340.0       3.56  190,578,940.0  95,998,220.0      2240.0         40.0     100.00%  15407512.0\n===============================================================================================================================================\nTotal params: 2,815,340\n-----------------------------------------------------------------------------------------------------------------------------------------------\nTotal memory: 3.56MB\nTotal MAdd: 190.58MMAdd\nTotal Flops: 96.0MFlops\nTotal MemR+W: 14.69MB\n```\n\nIf you're not sure how to use a specific command, run the command with the -h or –help switches.\nYou'll see usage information and a list of options you can use with the command.\n\n### Module\n```python\nfrom torchstat import stat\nimport torchvision.models as models\n\nmodel = models.resnet18()\nstat(model, (3, 224, 224))\n```\n\n## Features & TODO\n**Note**: These features work only nn.Module. Modules in torch.nn.functional are not supported yet.\n- [x] FLOPs\n- [x] Number of Parameters\n- [x] Total memory\n- [x] Madd(FMA)\n- [x] MemRead\n- [x] MemWrite\n- [ ] Model summary(detail, layer-wise)\n- [ ] Export score table\n- [ ] Arbitrary input shape\n\nFor the supported layers, check out [the details](.\u002Fdetail.md).\n\n\n## Requirements\n* Python 3.6+\n* Pytorch 0.4.0+\n* Pandas 0.23.4+\n* NumPy 1.14.3+\n\n## References\nThanks to @sovrasov for the initial version of flops computation, @ceykmc for the backbone of scripts.\n* [flops-counter.pytorch](https:\u002F\u002Fgithub.com\u002Fsovrasov\u002Fflops-counter.pytorch)\n* [pytorch_model_summary](https:\u002F\u002Fgithub.com\u002Fceykmc\u002Fpytorch_model_summary)\n* [chainer_computational_cost](https:\u002F\u002Fgithub.com\u002Fbelltailjp\u002Fchainer_computational_cost)\n* [convnet-burden](https:\u002F\u002Fgithub.com\u002Falbanie\u002Fconvnet-burden).\n","[![构建状态](https:\u002F\u002Ftravis-ci.org\u002FSwall0w\u002Ftorchstat.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002FSwall0w\u002Ftorchstat)\n\n# torchstat\n这是一个基于 PyTorch 的轻量级神经网络分析工具。\n它旨在让网络的搭建快速简便，并具备调试能力。\n**注意**：该仓库目前仍在开发中，因此部分 API 可能会发生变化。\n\n此工具可以展示：\n\n* 网络总参数量\n* 理论浮点运算次数 (FLOPs)\n* 理论乘加运算次数 (MAdd)\n* 内存占用\n\n## 安装\n有两种方式可以将 torchstat 安装到你的环境中。\n* 通过 pip 安装。\n```bash\n$ pip install torchstat\n```\n\n* 克隆本仓库后使用 **setup.py** 进行安装和更新。\n```bash\n$ python3 setup.py install\n```\n\n## 简单示例\n如果你想尽快运行 torchstat，如果网络已存在于脚本中，可以直接将其作为命令行工具调用。否则，你需要将 torchstat 作为模块导入。\n\n### 命令行工具\n```bash\n$ torchstat masato$ torchstat -f example.py -m Net\n[MAdd]: Dropout2d 不支持！\n[Flops]: Dropout2d 不支持！\n[Memory]: Dropout2d 不支持！\n      模块名称  输入形状 输出形状     参数量 内存(MB)           MAdd         Flops  MemRead(B)  MemWrite(B) duration[%]   MemR+W(B)\n0           conv1    3 224 224   10 220 220      760.0       1.85   72,600,000.0  36,784,000.0    605152.0    1936000.0      57.49%   2541152.0\n1           conv2   10 110 110   20 106 106     5020.0       0.86  112,360,000.0  56,404,720.0    504080.0     898880.0      26.62%   1402960.0\n2      conv2_drop   20 106 106   20 106 106        0.0       0.86            0.0           0.0         0.0          0.0       4.09%         0.0\n3             fc1        56180           50  2809050.0       0.00    5,617,950.0   2,809,000.0  11460920.0        200.0      11.58%  11461120.0\n4             fc2           50           10      510.0       0.00          990.0         500.0      2240.0         40.0       0.22%      2280.0\ntotal                                        2815340.0       3.56  190,578,940.0  95,998,220.0      2240.0         40.0     100.00%  15407512.0\n===============================================================================================================================================\n总参数量：2,815,340\n-----------------------------------------------------------------------------------------------------------------------------------------------\n总内存：3.56MB\n总 MAdd：190.58MMAdd\n总 Flops：96.0MFlops\n总 MemR+W：14.69MB\n```\n\n如果你不确定如何使用某个特定命令，可以使用 -h 或 –help 选项来查看帮助信息，其中会列出该命令的用法及可用选项。\n\n### 模块\n```python\nfrom torchstat import stat\nimport torchvision.models as models\n\nmodel = models.resnet18()\nstat(model, (3, 224, 224))\n```\n\n## 功能与待办事项\n**注意**：这些功能仅适用于 nn.Module。torch.nn.functional 中的模块目前尚不支持。\n- [x] FLOPs\n- [x] 参数数量\n- [x] 总内存\n- [x] Madd(FMA)\n- [x] MemRead\n- [x] MemWrite\n- [ ] 模型摘要（详细信息，逐层）\n- [ ] 导出评分表\n- [ ] 任意输入形状\n\n有关支持的层，请参阅 [详细信息](.\u002Fdetail.md)。\n\n## 要求\n* Python 3.6+\n* Pytorch 0.4.0+\n* Pandas 0.23.4+\n* NumPy 1.14.3+\n\n## 参考资料\n感谢 @sovrasov 提供了最初的 FLOPs 计算版本，以及 @ceykmc 提供的脚本框架。\n* [flops-counter.pytorch](https:\u002F\u002Fgithub.com\u002Fsovrasov\u002Fflops-counter.pytorch)\n* [pytorch_model_summary](https:\u002F\u002Fgithub.com\u002Fceykmc\u002Fpytorch_model_summary)\n* [chainer_computational_cost](https:\u002F\u002Fgithub.com\u002Fbelltailjp\u002Fchainer_computational_cost)\n* [convnet-burden](https:\u002F\u002Fgithub.com\u002Falbanie\u002Fconvnet-burden)。","# torchstat 快速上手指南\n\ntorchstat 是一个基于 PyTorch 的轻量级神经网络分析工具，旨在帮助开发者快速构建和调试网络模型。它可以统计模型的参数量、理论浮点运算量（FLOPs）、乘加运算量（MAdd）以及内存使用情况。\n\n## 环境准备\n\n在使用 torchstat 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*   **Python 版本**：3.6 及以上\n*   **核心依赖**：\n    *   PyTorch >= 0.4.0\n    *   Pandas >= 0.23.4\n    *   NumPy >= 1.14.3\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速依赖安装。\n\n## 安装步骤\n\n您可以通过以下两种方式之一安装 torchstat：\n\n### 方式一：通过 pip 安装（推荐）\n\n```bash\npip install torchstat -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：源码安装\n\n如果您需要最新功能或进行开发，可以克隆仓库后安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSwall0w\u002Ftorchstat.git\ncd torchstat\npython3 setup.py install\n```\n\n## 基本使用\n\ntorchstat 支持两种使用模式：作为命令行工具（CLI）直接运行脚本，或作为 Python 模块导入使用。\n\n### 模式一：命令行工具 (CLI)\n\n如果您的网络模型定义在一个独立的 Python 脚本中（例如 `example.py`），且模型类名为 `Net`，可以直接在终端运行：\n\n```bash\ntorchstat -f example.py -m Net\n```\n\n运行后将输出详细的层级分析报告，包含输入\u002F输出形状、参数量、内存占用、MAdd、Flops 等数据，并在底部汇总总计值。\n\n*   **查看帮助**：如需了解具体命令选项，可运行 `torchstat -h`。\n\n### 模式二：Python 模块调用\n\n您可以在代码中直接导入 `stat` 函数来分析已实例化的模型。以下是一个分析 ResNet18 的简单示例：\n\n```python\nfrom torchstat import stat\nimport torchvision.models as models\n\n# 加载模型\nmodel = models.resnet18()\n\n# 执行分析，第二个参数为输入张量的形状 (C, H, W)\nstat(model, (3, 224, 224))\n```\n\n**注意事项**：\n*   目前主要支持 `nn.Module` 定义的层，`torch.nn.functional` 中的部分操作可能不被完全支持（如 Dropout2d 会显示不支持提示）。\n*   输入形状需根据模型实际需求调整（例如灰度图通常为 `(1, 224, 224)`）。","某嵌入式团队正在将一款基于 ResNet 的图像分类模型部署到算力受限的边缘设备上，急需在训练前评估模型的硬件可行性。\n\n### 没有 torchstat 时\n- 开发人员只能凭经验估算模型大小，往往直到编译固件失败时，才发现参数量超出了芯片闪存上限。\n- 缺乏理论浮点运算数（FLOPs）数据，导致模型在目标设备上推理延迟严重超标，不得不反复盲目删减网络层。\n- 无法逐层查看内存读写开销，难以定位是卷积层还是全连接层导致了显存溢出（OOM），调试过程如同“黑盒”摸索。\n- 手动计算各层计算量极其繁琐且易错，严重拖慢了模型轻量化迭代的节奏。\n\n### 使用 torchstat 后\n- 通过一行代码 `stat(model, input_shape)` 即可精准获取总参数量和内存占用，提前确认模型是否符合嵌入式存储限制。\n- 直接读取详细的 FLOPs 和 MAdd 报告，量化评估推理速度瓶颈，有针对性地替换高计算成本算子。\n- 利用逐层内存分析表（MemRead\u002FMemWrite），快速锁定显存消耗最大的层级并进行针对性优化。\n- 自动生成包含输入输出形状、耗时占比的结构化表格，让团队能高效对比不同架构方案的优劣。\n\ntorchstat 将模糊的模型直觉转化为精确的量化指标，帮助开发者在代码运行前就规避了部署风险并大幅提升了优化效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSwall0w_torchstat_308a9fb1.png","Swall0w","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSwall0w_3eae550d.jpg","Ph.D. in Computer Science.",null,"Tokyo","https:\u002F\u002Fgithub.com\u002FSwall0w",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,1499,139,"2026-04-08T16:21:36","MIT",1,"未说明",{"notes":90,"python":91,"dependencies":92},"该工具目前处于开发阶段，部分 API 可能会发生变化。仅支持 torch.nn.Module 类型的层，暂不支持 torch.nn.functional 中的模块（如 Dropout2d 会显示不支持警告）。可通过命令行工具或作为 Python 模块导入使用。","3.6+",[93,94,95],"torch>=0.4.0","pandas>=0.23.4","numpy>=1.14.3",[14],[98,99],"pytorch","python","2026-03-27T02:49:30.150509","2026-04-15T12:56:05.095688",[103,108,113,118,123,127],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},34370,"遇到 'torch.Size' object has no attribute 'numel' 错误怎么办？","该错误通常发生在旧版本 PyTorch（如 0.4.1）中，因为 torch.Size 对象没有 numel() 方法。解决方案是修改 compute_memory.py 文件，将涉及 .numel() 的调用改为使用 torch.numel() 函数，或者确保输入是 Tensor 对象而不是 Size 对象。例如，将 `inp.size()[1:].numel()` 替换为 `torch.tensor(inp.size()[1:]).numel()` 或直接计算元素个数。","https:\u002F\u002Fgithub.com\u002FSwall0w\u002Ftorchstat\u002Fissues\u002F6",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},34371,"如何统计 ConvTranspose2d（转置卷积）层的 Flops 和内存占用？","目前库可能不直接支持 ConvTranspose2d。你可以手动根据数学公式计算，或者在脚本中将其视为 Conv2d 处理。具体做法是在 compute_memory 函数中添加判断：\n```python\nelif isinstance(module, nn.ConvTranspose2d):\n    return compute_Conv2d_memory(module, inp, out)\n```\n注意：Upsample 层在推理时没有参数，因此其推理内存和 Flops 为零。","https:\u002F\u002Fgithub.com\u002FSwall0w\u002Ftorchstat\u002Fissues\u002F16",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},34372,"使用 CPU 进行统计时遇到 'tuple' object has no attribute 'size' 错误如何解决？","该错误表明模型某层的输出是元组（tuple）而非单一的 Tensor，导致代码尝试调用 .size() 失败。这通常发生在多输出模型（如 YOLO）中。你需要检查模型的前向传播逻辑，确保传递给 stat 函数的模型部分或钩子函数能正确处理多输出情况，或者只针对单个输出 Tensor 进行统计。设备类型（CPU 或 CUDA）通常不是导致此特定属性错误的原因，可以安全地在 CPU 上加载模型进行计算而不影响后续的 CUDA 训练。","https:\u002F\u002Fgithub.com\u002FSwall0w\u002Ftorchstat\u002Fissues\u002F22",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},34373,"PReLU 和 ELU 激活层未被识别导致统计缺失怎么办？","这是一个已知的代码遗漏问题。PReLU 和 ELU 虽然在某些列表中定义，但未正确添加到 isinstance 的判断列表中。维护者已修复此问题。如果你使用的是旧版本，需要手动在 compute_flops.py 等相关文件中，将 PReLU 和 ELU 类添加到类型检查列表里，或者直接升级到最新版本的 torchstat。","https:\u002F\u002Fgithub.com\u002FSwall0w\u002Ftorchstat\u002Fissues\u002F2",{"id":124,"question_zh":125,"answer_zh":126,"source_url":117},34374,"RuntimeError: Input type 和 weight type 不一致（CPU\u002FCUDA 不匹配）如何处理？","确保输入数据和模型权重位于同一设备上。如果模型在 CUDA 上，输入也需移至 CUDA；反之亦然。如果仅为了计算统计信息，可以将模型临时加载到 CPU 上进行计算，这不会影响你后续在 CUDA 上的正常训练。示例代码：\n```python\ndevice = torch.device(\"cpu\")\nmodel = model.to(device)\nstat(model, (3, 416, 416))\n```",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},34375,"torchstat 是否支持计算理论上的内存读写量？","是的，这是一个重要的功能需求。类似于 chainer-computational-cost 库，估算每一层的内存读写量对于性能分析至关重要。该功能已在增强计划中，旨在提供更详细的内存带宽分析。","https:\u002F\u002Fgithub.com\u002FSwall0w\u002Ftorchstat\u002Fissues\u002F3",[133],{"id":134,"version":135,"summary_zh":75,"released_at":136},271661,"0.0.3","2018-10-28T00:28:33"]