[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aleximmer--Laplace":3,"tool-aleximmer--Laplace":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",144730,2,"2026-04-07T23:26:32",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":75,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":32,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":139},5358,"aleximmer\u002FLaplace","Laplace","Laplace approximations for Deep Learning.","Laplace 是一款专为深度学习设计的开源工具，旨在让贝叶斯深度学习变得简单高效。它核心实现了拉普拉斯近似（Laplace Approximation）技术，能够帮助用户轻松对神经网络的全体参数、子网络或仅最后一层进行后验分布近似。\n\n在深度学习中，模型往往缺乏对自身预测不确定性的评估，且难以进行科学的模型选择。Laplace 有效解决了这些痛点，支持边际似然估计和多种后验预测计算，让用户不仅能得到预测结果，还能量化预测的可信度，从而更好地应对分布外数据或持续学习场景。\n\n这款工具特别适合 AI 研究人员和开发者使用，尤其是那些希望在现有 PyTorch 模型上快速引入贝叶斯推断，却不愿从头推导复杂数学公式的用户。其独特亮点在于极高的灵活性：支持对角线、低秩等多种黑塞矩阵分解方式，提供网格搜索等先验精度优化方法，并兼容多种后端加速计算。\n\n需要注意的是，Laplace 并非“一键自动”的黑盒工具。为了获得最佳效果，用户需要根据具体任务尝试不同的配置选项（如黑塞矩阵结构、预测类型等）。通过合理的参数调整，Laplace 能成为探索模型不确定性、优化模型选择的强大助手。","\u003Cdiv align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faleximmer_Laplace_readme_be0659d8c713.png\" alt=\"Laplace\" width=\"300\"\u002F>\n\n![pytest](https:\u002F\u002Fgithub.com\u002Faleximmer\u002Flaplace\u002Factions\u002Fworkflows\u002Fpytest-default.yml\u002Fbadge.svg)\n![lint](https:\u002F\u002Fgithub.com\u002Faleximmer\u002Flaplace\u002Factions\u002Fworkflows\u002Flint-ruff.yml\u002Fbadge.svg)\n![format](https:\u002F\u002Fgithub.com\u002Faleximmer\u002Flaplace\u002Factions\u002Fworkflows\u002Fformat-ruff.yml\u002Fbadge.svg)\n\n\u003Cbr \u002F>\n\n[📖 Documentation \\& API reference](https:\u002F\u002Faleximmer.github.io\u002FLaplace)\n\n\u003Cbr \u002F>\n\u003C\u002Fdiv>\n\nThe laplace package facilitates the application of Laplace approximations for entire neural networks, subnetworks of neural networks, or just their last layer.\nThe package enables posterior approximations, marginal-likelihood estimation, and various posterior predictive computations.\n\nThere is also a corresponding paper, [_Laplace Redux — Effortless Bayesian Deep Learning_](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.14806), which introduces the library, provides an introduction to the Laplace approximation, reviews its use in deep learning, and empirically demonstrates its versatility and competitiveness. Please consider referring to the paper when using our library:\n\n```bibtex\n@inproceedings{laplace2021,\n  title={Laplace Redux--Effortless {B}ayesian Deep Learning},\n  author={Erik Daxberger and Agustinus Kristiadi and Alexander Immer\n          and Runa Eschenhagen and Matthias Bauer and Philipp Hennig},\n  booktitle={{N}eur{IPS}},\n  year={2021}\n}\n```\n\nThe [code](https:\u002F\u002Fgithub.com\u002Fruname\u002Flaplace-redux) to reproduce the experiments in the paper is also publicly available; it provides examples of how to use our library for predictive uncertainty quantification, model selection, and continual learning.\n\n> [!IMPORTANT]\n> As a user, one should not expect Laplace to work automatically.\n> That is, one should experiment with different Laplace's options\n> (hessian_factorization, prior precision tuning method, predictive method, backend,\n> etc!). Try looking at various papers that use Laplace for references on how to\n> set all those options depending on the applications\u002Fproblems at hand.\n\n## Installation\n\n> [!IMPORTANT]\n> We assume Python >= 3.9 since lower versions are [(soon to be) deprecated](https:\u002F\u002Fdevguide.python.org\u002Fversions\u002F).\n> PyTorch version 2.0 and up is also required for full compatibility.\n\nTo install laplace with `pip`, run the following:\n\n```bash\npip install laplace-torch\n```\n\nAdditionally, if you want to use the `asdfghjkl` backend, please install it via:\n\n```bash\npip install git+https:\u002F\u002Fgit@github.com\u002Fwiseodd\u002Fasdl@asdfghjkl\n```\n\n## Simple usage\n\n> [!TIP]\n> Check out \u003Chttps:\u002F\u002Faleximmer.github.io\u002FLaplace> for more usage examples\n> and API reference.\n\nIn the following example, a pre-trained model is loaded,\nthen the Laplace approximation is fit to the training data\n(using a diagonal Hessian approximation over all parameters),\nand the prior precision is optimized with cross-validation `\"gridsearch\"`.\nAfter that, the resulting LA is used for prediction with\nthe `\"probit\"` predictive for classification.\n\n```python\nfrom laplace import Laplace\n\n# Pre-trained model\nmodel = load_map_model()\n\n# User-specified LA flavor\nla = Laplace(model, \"classification\",\n             subset_of_weights=\"all\",\n             hessian_structure=\"diag\")\nla.fit(train_loader)\nla.optimize_prior_precision(\n    method=\"gridsearch\",\n    pred_type=\"glm\",\n    link_approx=\"probit\",\n    val_loader=val_loader\n)\n\n# User-specified predictive approx.\npred = la(x, pred_type=\"glm\", link_approx=\"probit\")\n```\n\n## Contributing\n\nPull requests are very welcome.\nPlease follow the guidelines in \u003Chttps:\u002F\u002Faleximmer.github.io\u002FLaplace\u002Fdevs_guide>\n","\u003Cdiv align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faleximmer_Laplace_readme_be0659d8c713.png\" alt=\"Laplace\" width=\"300\"\u002F>\n\n![pytest](https:\u002F\u002Fgithub.com\u002Faleximmer\u002Flaplace\u002Factions\u002Fworkflows\u002Fpytest-default.yml\u002Fbadge.svg)\n![lint](https:\u002F\u002Fgithub.com\u002Faleximmer\u002Flaplace\u002Factions\u002Fworkflows\u002Flint-ruff.yml\u002Fbadge.svg)\n![format](https:\u002F\u002Fgithub.com\u002Faleximmer\u002Flaplace\u002Factions\u002Fworkflows\u002Fformat-ruff.yml\u002Fbadge.svg)\n\n\u003Cbr \u002F>\n\n[📖 文档与 API 参考](https:\u002F\u002Faleximmer.github.io\u002FLaplace)\n\n\u003Cbr \u002F>\n\u003C\u002Fdiv>\n\nlaplace 包旨在为整个神经网络、神经网络的子网络或仅其最后一层提供拉普拉斯近似的便捷实现。该包支持后验分布近似、边际似然估计以及多种后验预测计算。\n\n此外，还有一篇配套论文——[_Laplace Redux — 轻松实现贝叶斯深度学习_](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.14806)，其中介绍了该库，概述了拉普拉斯近似的基本原理及其在深度学习中的应用，并通过实证研究展示了其灵活性和竞争力。使用本库时，请参考以下引用：\n\n```bibtex\n@inproceedings{laplace2021,\n  title={Laplace Redux--Effortless {B}ayesian Deep Learning},\n  author={Erik Daxberger and Agustinus Kristiadi and Alexander Immer\n          and Runa Eschenhagen and Matthias Bauer and Philipp Hennig},\n  booktitle={{N}eur{IPS}},\n  year={2021}\n}\n```\n\n论文中实验的复现代码也已公开：\u003Chttps:\u002F\u002Fgithub.com\u002Fruname\u002Flaplace-redux>，其中提供了如何利用本库进行预测不确定性量化、模型选择及持续学习等任务的示例。\n\n> [!IMPORTANT]\n> 作为用户，不应期望拉普拉斯方法能够自动奏效。也就是说，您需要尝试不同的配置选项（如 Hessian 矩阵分解方式、先验精度调优方法、预测方法、后端等）。建议参考相关文献，根据具体应用场景或问题合理设置这些参数。\n\n## 安装\n\n> [!IMPORTANT]\n> 我们假设 Python 版本不低于 3.9，因为更低版本即将被弃用（详见 [Python 开发指南](https:\u002F\u002Fdevguide.python.org\u002Fversions\u002F)）。同时，为了获得完全兼容性，PyTorch 版本需为 2.0 或更高。\n\n使用 `pip` 安装 laplace 的命令如下：\n\n```bash\npip install laplace-torch\n```\n\n此外，如果您希望使用 `asdfghjkl` 后端，请通过以下命令安装：\n\n```bash\npip install git+https:\u002F\u002Fgit@github.com\u002Fwiseodd\u002Fasdl@asdfghjkl\n```\n\n## 简单用法\n\n> [!TIP]\n> 更多使用示例和 API 参考，请访问 \u003Chttps:\u002F\u002Faleximmer.github.io\u002FLaplace>。\n\n以下示例展示了如何加载一个预训练模型，然后基于训练数据拟合拉普拉斯近似（采用对角 Hessian 近似），并通过交叉验证“gridsearch”优化先验精度。最后，使用得到的 LA 对分类任务进行预测，预测方法为“probit”。\n\n```python\nfrom laplace import Laplace\n\n# 预训练模型\nmodel = load_map_model()\n\n# 用户指定的 LA 配置\nla = Laplace(model, \"classification\",\n             subset_of_weights=\"all\",\n             hessian_structure=\"diag\")\nla.fit(train_loader)\nla.optimize_prior_precision(\n    method=\"gridsearch\",\n    pred_type=\"glm\",\n    link_approx=\"probit\",\n    val_loader=val_loader\n)\n\n# 用户指定的预测方法\npred = la(x, pred_type=\"glm\", link_approx=\"probit\")\n```\n\n## 贡献\n\n我们非常欢迎 Pull Request。请遵循 \u003Chttps:\u002F\u002Faleximmer.github.io\u002FLaplace\u002Fdevs_guide> 中的贡献指南。","# Laplace 快速上手指南\n\nLaplace 是一个用于在神经网络（整体、子网或仅最后一层）上应用拉普拉斯近似（Laplace Approximation）的 Python 库。它支持后验近似、边缘似然估计以及各种后验预测计算，旨在让贝叶斯深度学习变得简单高效。\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*   **Python 版本**：>= 3.9（低版本已不再支持）\n*   **PyTorch 版本**：>= 2.0（为确保完全兼容）\n*   **操作系统**：Linux, macOS, Windows (需配置好 PyTorch 环境)\n\n## 安装步骤\n\n### 1. 安装核心库\n使用 pip 直接安装 `laplace-torch`：\n\n```bash\npip install laplace-torch\n```\n\n> **国内加速建议**：如果下载速度较慢，推荐使用国内镜像源（如清华源）：\n> ```bash\n> pip install laplace-torch -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 2. (可选) 安装额外后端\n如果您需要使用 `asdfghjkl` 后端进行更高效的计算，请额外运行以下命令：\n\n```bash\npip install git+https:\u002F\u002Fgit@github.com\u002Fwiseodd\u002Fasdl@asdfghjkl\n```\n\n## 基本使用\n\n以下示例展示了如何加载预训练模型，拟合拉普拉斯近似，优化先验精度，并进行预测。\n\n**流程说明：**\n1. 加载预训练模型。\n2. 初始化 `Laplace` 对象（指定任务类型、权重子集和黑塞矩阵结构）。\n3. 使用训练数据拟合近似。\n4. 通过交叉验证（网格搜索）优化先验精度。\n5. 执行预测。\n\n```python\nfrom laplace import Laplace\n\n# 1. 加载预训练模型 (用户需自行实现 load_map_model)\nmodel = load_map_model()\n\n# 2. 初始化拉普拉斯近似\n# 任务类型：classification\n# 权重子集：all (所有参数)\n# 黑塞矩阵结构：diag (对角近似)\nla = Laplace(model, \"classification\",\n             subset_of_weights=\"all\",\n             hessian_structure=\"diag\")\n\n# 3. 拟合训练数据\nla.fit(train_loader)\n\n# 4. 优化先验精度 (使用网格搜索)\nla.optimize_prior_precision(\n    method=\"gridsearch\",\n    pred_type=\"glm\",\n    link_approx=\"probit\",\n    val_loader=val_loader\n)\n\n# 5. 进行预测\npred = la(x, pred_type=\"glm\", link_approx=\"probit\")\n```\n\n> **重要提示**：Laplace 并非“开箱即用”的黑盒工具。为了获得最佳效果，建议您根据具体应用场景，尝试调整不同的配置选项（如 `hessian_factorization`、先验精度调优方法、预测方法、后端等），并参考相关学术论文进行参数设置。\n\n更多详细用法和 API 文档请访问：[https:\u002F\u002Faleximmer.github.io\u002FLaplace](https:\u002F\u002Faleximmer.github.io\u002FLaplace)","某医疗影像初创团队正在开发肺炎 X 光片辅助诊断系统，需要在模型预测准确的同时，量化每一张片子判断的不确定性，以辅助医生决策。\n\n### 没有 Laplace 时\n- **不确定性缺失**：传统深度学习模型只能输出“是\u002F否”的分类结果，无法告知医生模型对当前判断的置信度，高风险病例容易被误判为普通炎症。\n- **贝叶斯实施困难**：若想引入贝叶斯神经网络（BNN）来获取不确定性，需重写整个训练流程，计算开销巨大且难以收敛，工程落地成本极高。\n- **模型选择盲目**：缺乏边缘似然（Marginal Likelihood）等指标，团队只能依赖耗时的交叉验证来调整正则化强度，效率低下且容易过拟合。\n- **持续学习受限**：在面对新出现的病毒变种数据时，缺乏有效的后验近似手段，模型要么灾难性遗忘旧知识，要么需要全量重训。\n\n### 使用 Laplace 后\n- **即时不确定性量化**：Laplace 可直接在预训练好的模型上应用拉普拉斯近似，无需重新训练即可输出带有置信区间的预测结果，帮助医生识别“模型拿不准”的疑难杂症。\n- **零侵入式升级**：仅需几行代码即可将现有的 PyTorch 模型转化为贝叶斯模型，支持对全网络或仅最后一层进行近似，完美兼容现有工作流。\n- **自动化超参调优**：利用内置的边缘似然估计和网格搜索功能，Laplace 能自动优化先验精度，快速找到泛化能力最强的模型配置，大幅减少人工试错。\n- **高效持续学习**：基于后验近似，团队可以轻松实现增量更新，让模型在学习新病种数据的同时，稳固保留对原有疾病的诊断能力。\n\nLaplace 让原本高不可攀的贝叶斯深度学习变得像调用普通函数一样简单，为关键领域的 AI 应用赋予了至关重要的“自知之明”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faleximmer_Laplace_4c8c117b.png","aleximmer","Alex Immer","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faleximmer_3235c6cb.jpg",null,"ETH Zurich, Max Planck Institute for Intelligent Systems","Zurich","a1mmer","aleximmer.github.io","https:\u002F\u002Fgithub.com\u002Faleximmer",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,{"name":87,"color":88,"percentage":89},"Makefile","#427819",0,538,89,"2026-04-04T10:21:43","MIT","","未说明",{"notes":97,"python":98,"dependencies":99},"该工具并非开箱即用，用户需要根据具体应用场景实验不同的配置选项（如海森矩阵分解方式、先验精度调优方法、预测方法、后端等）。若需使用 'asdfghjkl' 后端，需单独安装特定版本的 asdl 库。",">=3.9",[100,101],"torch>=2.0","asdfghjkl (可选)",[14],[104,105,106,107],"approximate-bayesian-inference","laplace-approximation","deep-learning","neural-network","2026-03-27T02:49:30.150509","2026-04-08T13:02:19.503529",[111,116,121,126,131,135],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},24293,"为什么回归任务中的协方差矩阵是对角线且数值相同？","这是具有各向同性高斯先验的贝叶斯线性回归的固有局限性。模型 $f(x) = W \\phi(x)$ 的 Hessian 矩阵（或 GGN\u002FFisher）具有 Kronecker 结构，导致其由 $c$ 个相同的块组成。这意味着后验协方差 $\\Sigma = (H + \\sigma_0^2 I)^{-1}$ 也具有相同的重复块结构，因此对角线上的值是重复的。这并非实现错误，而是数学推导的预期结果。","https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fissues\u002F100",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},24294,"如何在 Two Moons 数据集上获得合理的预测分布可视化？","如果在可视化中发现置信度分布不符合预期（例如没有形成两类高置信度区域被低置信度包围），请检查以下两点：1. 确保在预测时正确设置了参数，应使用 `pred_type='glm'` 和 `link_approx='mc'`（蒙特卡洛近似），而不是误以为使用了 Monte Carlo Dropout 模型。2. 在绘制热力图或网格颜色时，建议使用顺序色图（sequential palette）而非发散色图（divergent palette），这样更易于解释置信度的变化。","https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fissues\u002F88",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},24295,"为什么 Laplace 方法返回的预测不确定性在不同样本间几乎保持不变？","这种情况通常发生在模型对均值函数非常确定（低认知不确定性 `f_sigma`），但数据本身存在较大噪声（高 `sigma_noise`）时。如果数据集容易拟合但测量噪声大，不确定性主要由噪声项主导，从而显得恒定。解决方案包括：1. 尝试在训练期间通过优化边缘似然来调整预测和正则化参数（但这意味着不能使用预训练网络）。2. 如果目标分布不平衡或存在异方差噪声，可以考虑使用异方差 Laplace（Heteroskedastic Laplace）方法。","https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fissues\u002F142",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},24296,"为什么 GitHub 版本的 `FullLLLaplace` 拟合速度比 pip 版本慢很多？","速度慢是因为新版默认使用的 `curvlinops` 后端在某些实现中（如 Jacobian 计算）使用了针对参数数量的 for 循环，导致效率低下。此外，若 PyTorch 默认设备为 CUDA，可能会因类型转换问题引发异常或警告。建议解决方案：1. 对于大多数问题，直接使用 `hessian_factorization='kron'` 通常效果最好且速度更快。2. 如果必须使用完整的 GGN\u002FHessian，请切换使用 `asdl` 后端。维护者计划解耦 Jacobian 计算以优化此问题。","https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fissues\u002F193",{"id":132,"question_zh":133,"answer_zh":134,"source_url":125},24297,"如何处理标签分布严重偏斜导致的预测不确定性评估不佳问题？","当标签分布严重偏斜（例如大部分样本属于低值区域，少数属于高值区域）时，模型往往在主要样本范围内误差低，而在稀疏区域误差高。这种情况下，标准的同方差假设可能失效。建议尝试以下方法：1. 使用能够处理异方差噪声的方法，如 Mean Variance Networks。2. 参考并尝试该项目相关的异方差神经网络工作（Heteroscedastic Laplace），以更好地建模随输入变化的噪声水平。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":130},24298,"在使用 Laplace 库时，应该如何选择 Hessian 因子分解方式（factorization）？","选择建议如下：1. 对于绝大多数应用场景，推荐使用 `hessian_factorization='kron'`（Kronecker 因子化），它在性能和精度之间提供了最佳平衡，且计算速度较快。2. 仅在特定研究需求必须使用完整的 GGN 或 Hessian 矩阵时，才考虑使用 `full` 模式，并建议配合 `asdl` 后端以获得更好的性能，避免使用默认的 `curvlinops` 后端可能带来的速度瓶颈。",[140,145,150,155,160,165],{"id":141,"version":142,"summary_zh":143,"released_at":144},153797,"0.2.2.2","将 `setuptools` 替换为更现代的构建后端（`pdm-backend`）\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fcompare\u002F0.2.2...0.2.2.2","2024-11-27T14:33:00",{"id":146,"version":147,"summary_zh":148,"released_at":149},153798,"0.2.2","## 变更内容\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F227 中由 @wiseodd 引入 `uv`\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F228 中由 @wiseodd 实现带旧版 `asdfghjkl` 和不带旧版 `asdfghjkl` 的 `pytest` CI 并行化\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F229 中由 @wiseodd 修复 README 中的 pytest 徽章\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F231 中由 @wiseodd 修正 `dict_key_x` 默认值中的拼写错误\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F230 中由 @wiseodd 在 README 中添加 `pip` 安装说明\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F237 中由 @aleximmer 删除 `.travis.yml`\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F239 中由 @wiseodd 修复 `SubnetLaplace` 后端检查\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F240 中由 @wiseodd 当 `y.ndim == 1` 且 `likelihood == REGRESSION` 时，将 `y` 转换为 2D 张量\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F242 中由 @wiseodd 对文档进行美化\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F255 中由 @o-laurent 将 `torchaudio` 从依赖项中移除\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F247 中由 @wiseodd 使 `*Laplace` 尊重基础模型的 `dtype`\n* 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F243 中由 @wiseodd 提供函数式示例\n\n## 新贡献者\n* @o-laurent 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F255 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fcompare\u002F0.2.1...0.2.2","2024-11-26T12:45:22",{"id":151,"version":152,"summary_zh":153,"released_at":154},153799,"0.2.1","## 变更内容\n* 在软件包中添加 `py.typed`，以启用类型注解，由 @kourbou 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F211 中完成。\n* Functional Laplace 由 @Ludvins 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F192 中更新。\n* 修复 `BaseLaplace.log_likelihood` 中的 `sigma_noise` 梯度传播问题，由 @kourbou 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F212 中完成。\n* 为 FunctionalLaplace 测试添加 pytest-mock，由 @Ludvins 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F215 中完成。\n* 修复 `FullSubnetLaplace.sample()` 方法，由 @elcorto 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F216 中完成。\n* 记录子网络选择方法的优缺点，由 @elcorto 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F218 中完成。\n* 更新 README 文档，由 @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F219 中完成。\n* 提升版本号以准备新发布，由 @runame 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F220 中完成。\n* 根据 ASDL 更新 README，由 @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F223 中完成。\n* 将 `asdfghjkl` 的导入改为仅在安装了可选依赖时才进行，由 @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F225 中完成。\n\n## 新贡献者\n* @kourbou 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F211 中完成了首次贡献。\n* @Ludvins 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F192 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fcompare\u002F0.2...0.2.1","2024-08-20T23:59:43",{"id":156,"version":157,"summary_zh":158,"released_at":159},153800,"0.2","## 简而言之\n* 本次发布主要是为 Laplace 在基础模型上的应用奠定基础。此版本的主要目标是大型语言模型（LLM）。对其他基础模型的支持将在 >= 0.3 版本中逐步加入。\n* 此外，本次发布还新增了对序列决策任务的支持，例如贝叶斯优化。\n* 新增了一个后端 `curvlinops`。\n* 添加了原生序列化支持。\n* 更新了代码库，使其符合现代 Python 开发标准（类型注解、枚举、`ruff` 等）。\n\n感谢所有贡献者！\n\n## 变更内容\n\n### LLM 相关\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F144 中将 laplace-torch 带入基础模型时代。\n* @runame 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F132 中增加了对具有多个前导维度的交叉熵损失输入的支持。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F172 中添加了在 `LLLaplace` 中减少 LLM 特征数量的选项。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F204 中更新了 huggingface_example.md。\n* @runame 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F200 中重构了奖励建模似然函数。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F167 中提供了奖励建模的文档和示例。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F168 中使具有字典式输入的模型的字典键更加通用。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F170 中实现了 LLLA 中的特征缓存机制。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F185 中为参数子集功能增加了更多的测试覆盖率。\n\n### 贝叶斯优化\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F120 中启用了贝叶斯优化功能。\n\n### Curvlinops\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F146 中添加了 Curvlinops 后端，并为许多曲率量提供了默认的 `functorch` 实现。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F151 中将 setup.cfg 指向 curvlinops 主分支。\n\n### 序列化\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F148 中添加了原生序列化支持。\n* @elcorto 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F159 中实现了使用不同 `map_location` 进行 `torch.save()` 和 `torch.load()` 的功能。\n\n### 开发相关\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F180 中添加了类型注解。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F198 中将“贡献指南”添加到 README 文件中。\n* @wiseodd 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F176 中添加了 `ruff check`、`ruff format --check` 和 `pytest` 的 GitHub Actions。\n* @runame 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F197 中移除了 `KFACLinearOperator` 中已弃用的 `loss_average` 参数，并添加了用于运行 ruff 的 Makefile。\n\n### 其他\n* @edaxberger 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F87 中修复并增强了 SubnetLaplace 的功能。\n* @aleximmer 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fpull\u002F95 中改进了预测样本的质量。\n* @runame 在 https:\u002F\u002Fgithub.com\u002Faleximmer\u002FLaplace\u002Fp","2024-07-08T01:00:35",{"id":161,"version":162,"summary_zh":163,"released_at":164},153801,"0.1a2","## 变更内容\n* 移除 abc，由 @metodj 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F41 中完成\n* 校准示例，由 @wiseodd 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F54 中完成\n* 启用交叉验证支持，由 @wiseodd 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F38 中完成\n* 小幅改进，由 @runame 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F60 中完成\n* 基于新的 PyTorch 接口更新 symeig 方法，由 @AlexImmer 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F61 中完成\n* 将在线边缘似然作为一种方法实现，由 @AlexImmer 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F64 中完成\n* 支持使用覆盖或更新选项重新拟合 LA，由 @AlexImmer 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F62 中完成\n* 低秩 LA 实现，由 @AlexImmer 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F65 中完成\n* 修复 symeig 中 eye 的设备问题，由 @AlexImmer 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F66 中完成\n* 将全权重和最后一层的 H 矩阵初始化分开处理，由 @runame 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F72 中完成\n* 修复 eig_lowrank 中的设备错误，由 @runame 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F74 中完成\n* 子网络 Laplace 实现，由 @edaxberger 在 https:\u002F\u002Fgithub.com\u002FAlexImmer\u002FLaplace\u002Fpull\u002F58 中完成","2022-01-12T21:03:26",{"id":166,"version":167,"summary_zh":168,"released_at":169},153802,"0.1a1","`laplace` 包的初始发布。","2021-07-24T14:13:19"]