[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aamini--evidential-deep-learning":3,"tool-aamini--evidential-deep-learning":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":23,"env_os":104,"env_gpu":105,"env_ram":105,"env_deps":106,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":121,"updated_at":122,"faqs":123,"releases":129},2924,"aamini\u002Fevidential-deep-learning","evidential-deep-learning","Learn fast, scalable, and calibrated measures of uncertainty using neural networks! ","evidential-deep-learning 是一个专为神经网络设计的开源库，旨在让模型在预测结果的同时，直接量化自身的不确定性。传统深度学习模型往往“盲目自信”，即使面对陌生数据也会给出看似确定但实际错误的预测；而该工具通过引入“证据深度学习”（Evidential Deep Learning）技术，教会模型识别何时值得信任、何时应当存疑，从而输出经过校准的置信度指标。\n\n它主要解决了回归任务中不确定性难以准确评估的痛点，特别适用于自动驾驶、医疗诊断等对安全性要求极高的场景。开发者只需在现有的 TensorFlow\u002FKeras 流程中，将模型的最后一层替换为专用的证据层（如 DenseNormalGamma），并配合特定的损失函数，即可实现端到端的训练。其核心技术亮点在于基于正态逆伽马分布构建证据先验，无需复杂的集成或采样过程，就能高效、可扩展地获得可靠的不确定性度量。\n\n这款工具非常适合 AI 研究人员、算法工程师以及需要提升模型鲁棒性的开发者使用。如果你希望模型不仅能“回答问题”，还能诚实告知“这个问题的答案有多靠谱”，那么 evidential-deep-learning ","evidential-deep-learning 是一个专为神经网络设计的开源库，旨在让模型在预测结果的同时，直接量化自身的不确定性。传统深度学习模型往往“盲目自信”，即使面对陌生数据也会给出看似确定但实际错误的预测；而该工具通过引入“证据深度学习”（Evidential Deep Learning）技术，教会模型识别何时值得信任、何时应当存疑，从而输出经过校准的置信度指标。\n\n它主要解决了回归任务中不确定性难以准确评估的痛点，特别适用于自动驾驶、医疗诊断等对安全性要求极高的场景。开发者只需在现有的 TensorFlow\u002FKeras 流程中，将模型的最后一层替换为专用的证据层（如 DenseNormalGamma），并配合特定的损失函数，即可实现端到端的训练。其核心技术亮点在于基于正态逆伽马分布构建证据先验，无需复杂的集成或采样过程，就能高效、可扩展地获得可靠的不确定性度量。\n\n这款工具非常适合 AI 研究人员、算法工程师以及需要提升模型鲁棒性的开发者使用。如果你希望模型不仅能“回答问题”，还能诚实告知“这个问题的答案有多靠谱”，那么 evidential-deep-learning 将是一个极具价值的选择。","# Evidential Deep Learning\n\n\u003Ch3 align='center'>\"All models are wrong, but some — \u003Ci>that know when they can be trusted\u003C\u002Fi> — are useful!\"\u003C\u002Fh3>\n\u003Cp align='right'>\u003Ci>- George Box (Adapted)\u003C\u002Fi>\u003C\u002Fp>\n\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faamini_evidential-deep-learning_readme_15e69d95992f.png)\n\nThis repository contains the code to reproduce [Deep Evidential Regression](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2020\u002Ffile\u002Faab085461de182608ee9f607f3f7d18f-Paper.pdf), as published in [NeurIPS 2020](https:\u002F\u002Fneurips.cc\u002F), as well as more general code to leverage evidential learning to train neural networks to learn their own measures of uncertainty directly from data!\n\n## Setup\nTo use this package, you must install the following dependencies first: \n- python (>=3.7)\n- tensorflow (>=2.0)\n- pytorch (support coming soon)\n\nNow you can install to start adding evidential layers and losses to your models!\n```\npip install evidential-deep-learning\n```\nNow you're ready to start using this package directly as part of your existing `tf.keras` model pipelines (`Sequential`, `Functional`, or `model-subclassing`):\n```\n>>> import evidential_deep_learning as edl\n```\n\n### Example\nTo use evidential deep learning, you must edit the last layer of your model to be *evidential* and use a supported loss function to train the system end-to-end. This repository supports evidential layers for both fully connected and convolutional (2D) layers. The evidential prior distribution presented in the paper follows a Normal Inverse-Gamma and can be added to your model: \n\n```\nimport evidential_deep_learning as edl\nimport tensorflow as tf\n\nmodel = tf.keras.Sequential(\n    [\n        tf.keras.layers.Dense(64, activation=\"relu\"),\n        tf.keras.layers.Dense(64, activation=\"relu\"),\n        edl.layers.DenseNormalGamma(1), # Evidential distribution!\n    ]\n)\nmodel.compile(\n    optimizer=tf.keras.optimizers.Adam(1e-3), \n    loss=edl.losses.EvidentialRegression # Evidential loss!\n)\n```\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faamini_evidential-deep-learning_readme_6eb6cb7874cb.gif)\nCheckout `hello_world.py` for an end-to-end toy example walking through this step-by-step. For more complex examples, scaling up to computer vision problems (where we learn to predict tens of thousands of evidential distributions simultaneously!), please refer to the NeurIPS 2020 paper, and the reproducibility section of this repo to run those examples. \n\n## Reproducibility\nAll of the results published as part of our NeurIPS paper can be reproduced as part of this repository. Please refer to [the reproducibility section](.\u002Fneurips2020) for details and instructions to obtain each result. \n\n## Citation\nIf you use this code for evidential learning as part of your project or paper, please cite the following work:  \n\n    @article{amini2020deep,\n      title={Deep evidential regression},\n      author={Amini, Alexander and Schwarting, Wilko and Soleimany, Ava and Rus, Daniela},\n      journal={Advances in Neural Information Processing Systems},\n      volume={33},\n      year={2020}\n    }\n","# 证据深度学习\n\n\u003Ch3 align='center'>“所有的模型都是错误的，但有些——\u003Ci>那些知道自己何时可信\u003C\u002Fi>——却是有用的！”\u003C\u002Fh3>\n\u003Cp align='right'>\u003Ci>- 乔治·博克斯（改编）\u003C\u002Fi>\u003C\u002Fp>\n\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faamini_evidential-deep-learning_readme_15e69d95992f.png)\n\n本仓库包含用于复现[深度证据回归](https:\u002F\u002Fproceedings.neurips.cc\u002Fpaper\u002F2020\u002Ffile\u002Faab085461de182608ee9f607f3f7d18f-Paper.pdf)的代码，该工作发表于 [NeurIPS 2020](https:\u002F\u002Fneurips.cc\u002F)。此外，还提供了更通用的代码，利用证据学习直接从数据中训练神经网络，使其能够自主学习不确定性度量！\n\n## 环境搭建\n要使用本包，您需要先安装以下依赖：\n- python (>=3.7)\n- tensorflow (>=2.0)\n- pytorch（支持即将推出）\n\n安装完成后，即可开始将证据层和损失函数添加到您的模型中！\n```\npip install evidential-deep-learning\n```\n现在，您可以直接在现有的 `tf.keras` 模型流程中（无论是 `Sequential`、`Functional` 还是 `model-subclassing`）使用本包：\n```\n>>> import evidential_deep_learning as edl\n```\n\n### 示例\n要使用证据深度学习，您必须将模型的最后一层修改为*证据层*，并使用支持的损失函数对系统进行端到端训练。本仓库同时支持全连接层和卷积（2D）层的证据层。论文中提出的证据先验分布遵循正态逆伽马分布，可以轻松添加到您的模型中：\n\n```\nimport evidential_deep_learning as edl\nimport tensorflow as tf\n\nmodel = tf.keras.Sequential(\n    [\n        tf.keras.layers.Dense(64, activation=\"relu\"),\n        tf.keras.layers.Dense(64, activation=\"relu\"),\n        edl.layers.DenseNormalGamma(1), # 证据分布！\n    ]\n)\nmodel.compile(\n    optimizer=tf.keras.optimizers.Adam(1e-3), \n    loss=edl.losses.EvidentialRegression # 证据损失！\n)\n```\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faamini_evidential-deep-learning_readme_6eb6cb7874cb.gif)\n请查看 `hello_world.py` 文件，其中提供了一个端到端的小型示例，逐步演示上述步骤。对于更复杂的例子，例如扩展到计算机视觉任务（我们可以在同一时间预测成千上万份证据分布），请参考 NeurIPS 2020 论文以及本仓库的可复现性部分以运行这些示例。\n\n## 可复现性\n我们 NeurIPS 论文中发表的所有结果均可通过本仓库复现。请参阅 [可复现性章节](.\u002Fneurips2020)，获取详细说明和每项结果的获取方法。\n\n## 引用\n如果您在项目或论文中使用了本代码进行证据学习，请引用以下文献：\n\n    @article{amini2020deep,\n      title={Deep evidential regression},\n      author={Amini, Alexander and Schwarting, Wilko and Soleimany, Ava and Rus, Daniela},\n      journal={Advances in Neural Information Processing Systems},\n      volume={33},\n      year={2020}\n    }","# Evidential Deep Learning 快速上手指南\n\n本指南帮助中国开发者快速集成 **Evidential Deep Learning**，让神经网络能够直接从数据中学习并输出不确定性度量（Uncertainty），适用于回归任务。\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- **Python 版本**：>= 3.7\n- **核心依赖**：\n  - TensorFlow >= 2.0\n  - PyTorch（支持即将推出，当前主要支持 TF）\n\n> **提示**：国内用户建议使用清华源或阿里源加速依赖安装。\n\n## 安装步骤\n\n通过 pip 直接安装官方包：\n\n```bash\npip install evidential-deep-learning\n```\n\n**国内加速安装推荐（使用清华源）：**\n\n```bash\npip install evidential-deep-learning -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n安装完成后，即可在项目中导入使用：\n\n```python\nimport evidential_deep_learning as edl\n```\n\n## 基本使用\n\n使用该库的核心步骤是：**将模型的最后一层替换为证据层（Evidential Layer）**，并使用对应的**证据损失函数（Evidential Loss）**进行编译。\n\n以下是一个基于 `tf.keras` 的最简回归模型示例：\n\n```python\nimport evidential_deep_learning as edl\nimport tensorflow as tf\n\n# 构建模型\nmodel = tf.keras.Sequential(\n    [\n        tf.keras.layers.Dense(64, activation=\"relu\"),\n        tf.keras.layers.Dense(64, activation=\"relu\"),\n        edl.layers.DenseNormalGamma(1), # 替换为证据分布层\n    ]\n)\n\n# 编译模型\nmodel.compile(\n    optimizer=tf.keras.optimizers.Adam(1e-3), \n    loss=edl.losses.EvidentialRegression # 使用证据回归损失\n)\n\n# 后续即可像普通 Keras 模型一样进行 model.fit() 训练\n```\n\n**说明：**\n- `DenseNormalGamma`：对应论文中的正态逆伽马（Normal Inverse-Gamma）先验分布，适用于全连接层。\n- 该库同样支持卷积层（2D Convolutional layers）的证据层扩展。\n- 更多完整示例（包括端到端玩具案例 `hello_world.py` 及计算机视觉复杂场景）请参考仓库内的源码及 NeurIPS 2020 论文复现部分。","一家自动驾驶初创公司的算法团队正在训练深度神经网络，以预测前方车辆的精确距离，确保自动紧急制动系统的安全触发。\n\n### 没有 evidential-deep-learning 时\n- **盲目自信导致危险**：模型在面对训练数据中未出现的极端天气或罕见路况时，仍会输出看似精确但完全错误的距离数值，系统无法识别自身处于“不可信”状态。\n- **缺乏风险量化指标**：传统的均方误差（MSE）损失函数只能给出一个平均预测值，无法提供预测结果的置信区间或不确定性度量，安全模块难以设定动态阈值。\n- **过度依赖集成方法**：为了估算不确定性，团队不得不运行多个模型进行集成（Ensemble），导致推理延迟大幅增加，无法满足车载芯片的实时性要求。\n- **长尾场景处理失效**：在数据稀疏的边缘案例（Corner Cases）中，模型往往产生过拟合，给出极小的误差假象，误导决策系统做出激进操作。\n\n### 使用 evidential-deep-learning 后\n- **主动感知未知风险**：通过引入证据深度学习层，模型能直接输出不确定性分布，当遇到陌生场景时会自动报告高不确定性，触发降级策略而非盲目执行。\n- **端到端校准的不确定性**：利用 Normal Inverse-Gamma 先验和专用损失函数，模型在单次推理中即可学习到校准后的误差范围，无需额外的后处理步骤。\n- **高效且可扩展**：无需维护庞大的模型集成，单个神经网络即可同时学习预测值及其可信度，显著降低了计算资源消耗和推理延迟。\n- **提升长尾场景鲁棒性**：模型能够区分“数据噪声”与“认知盲区”，在数据稀缺区域主动扩大预测区间，为安全系统留出充足的反应缓冲时间。\n\nevidential-deep-learning 让神经网络从“只会给出答案”进化为“知道何时该被信任”，从根本上解决了 AI 在安全关键领域落地时的可靠性难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faamini_evidential-deep-learning_15e69d95.png","aamini","Alexander Amini","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faamini_64bda0a0.jpg",null,"amini@mit.edu","http:\u002F\u002Fwww.mit.edu\u002F~amini","https:\u002F\u002Fgithub.com\u002Faamini",[84,88,92,96],{"name":85,"color":86,"percentage":87},"Python","#3572A5",98.4,{"name":89,"color":90,"percentage":91},"MATLAB","#e16737",1.1,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0.3,{"name":97,"color":98,"percentage":99},"TeX","#3D6117",0.2,517,101,"2026-03-30T11:04:58","Apache-2.0","","未说明",{"notes":107,"python":108,"dependencies":109},"PyTorch 支持即将推出（目前仅支持 TensorFlow）。该工具用于在模型中添加证据层（如 DenseNormalGamma）和使用证据损失函数（如 EvidentialRegression），以让神经网络直接从数据中学习不确定性度量。",">=3.7",[110],"tensorflow>=2.0",[13],[113,114,115,116,117,118,119,120],"neural-network","deep-learning","uncertainty","confidence","evidence","tensorflow","pytorch","neurips-2020","2026-03-27T02:49:30.150509","2026-04-06T05:36:53.787475",[124],{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},13522,"为什么训练过程中 NIG_Loss（负对数似然损失）会变成负数？","这是预期行为。NLL 代表负对数似然（Negative Log Likelihood）。如果您的对数似然值为正数，那么 NLL 就会是负数。该损失函数的值可以是任意实数（既可以是正数也可以是负数），并不强制要求为非负数。","https:\u002F\u002Fgithub.com\u002Faamini\u002Fevidential-deep-learning\u002Fissues\u002F14",[130,134,138,142],{"id":131,"version":132,"summary_zh":79,"released_at":133},72362,"v0.4.0","2020-12-09T08:07:00",{"id":135,"version":136,"summary_zh":79,"released_at":137},72363,"v0.3.0","2020-12-09T07:58:09",{"id":139,"version":140,"summary_zh":79,"released_at":141},72364,"v0.2.0","2020-12-09T07:53:24",{"id":143,"version":144,"summary_zh":79,"released_at":145},72365,"v0.1.0","2020-12-09T07:43:02"]