[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alibaba--TinyNeuralNetwork":3,"tool-alibaba--TinyNeuralNetwork":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":32,"env_os":99,"env_gpu":100,"env_ram":99,"env_deps":101,"category_tags":106,"github_topics":107,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":147},4500,"alibaba\u002FTinyNeuralNetwork","TinyNeuralNetwork","TinyNeuralNetwork is an efficient and easy-to-use deep learning model compression framework.","TinyNeuralNetwork 是一款高效且易用的深度学习模型压缩框架，旨在帮助开发者将庞大的 AI 模型“瘦身”，以便在资源受限的设备上流畅运行。它主要解决了复杂模型难以部署到物联网终端（如智能音箱、电视、人脸识别机等）的难题，让超过千万台设备成功具备了 AI 能力。\n\n该工具非常适合从事嵌入式 AI 部署的工程师、算法研究人员以及需要优化模型性能的开发者使用。其核心技术亮点在于高度自动化的计算图处理机制：通过内置的图追踪与依赖解析模块，它能自动捕捉算子连接关系并修复修改引发的子图不匹配问题，大幅降低了手动调整的工作量。此外，TinyNeuralNetwork 集成了多种剪枝算法（如 L1\u002FL2、ADMM 等）和量化感知训练功能，支持从浮点模型到 TFLite 格式的一键转换，甚至能自动生成等效的代码描述文件。无论是进行神经架构搜索还是端到端部署，它都能提供简洁流畅的开发体验，是让大型模型落地边缘设备的得力助手。","# TinyNeuralNetwork\n[简体中文](README_zh-CN.md)\n\nTinyNeuralNetwork is an efficient and easy-to-use deep learning model compression framework, which contains features like neural architecture search, pruning, quantization, model conversion and etc. It has been utilized for the deployment on devices such as Tmall Genie, Haier TV, Youku video, face recognition check-in machine, and etc, which equips over 10 million IoT devices with AI capability.\n\n## Installation\n\nPython >= 3.9, PyTorch >= 1.10\n\n```shell\n# Install the TinyNeuralNetwork framework\ngit clone https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork.git\ncd TinyNeuralNetwork\npython setup.py install\n\n# Alternatively, you may try the one-liner\npip install git+https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork.git\n```\n\nOr you could build with docker\n\n```shell\nsudo docker build -t tinynn:pytorch1.9.0-cuda11.1 .\n```\n\n## Contributing\n\nWe appreciate your help for improving our framework. More details are listed [here](CONTRIBUTING.md).\n\n## Basic modules\n\n+ Computational graph capture: The Graph Tracer in TinyNeuralNetwork captures connectivity of PyTorch operators, which automates pruning and model quantization. It also supports code generation from PyTorch models to equivalent model description files (e.g. models.py).\n+ Dependency resolving: Modifying an operator often causes mismatch in subgraph, i.e. mismatch with other dependent operators. The Graph Modifier in TinyNeuralNetwork handles the mismatchs automatically within and between subgraphs to automate the computational graph modification.\n+ Pruner: OneShot (L1, L2, FPGM), ADMM, NetAdapt, Gradual, End2End and other pruning algorithms have been implemented and will be opened gradually.\n+ Quantization-aware training: TinyNeuralNetwork uses PyTorch's QAT as the backend (we also support simulated bfloat16 training) and optimizes its usability with automating the fusion of operators and quantization of computational graphs (the official implementation requires manual implementation by the user, which is a huge workload).\n+ Model conversion: TinyNeuralNetwork supports conversion of floating-point and quantized PyTorch models to TFLite models for end-to-end deployment.\n  ![Architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_TinyNeuralNetwork_readme_5fa0a5320cca.jpg)\n\n## Project architecture\n\n+ [examples](examples): Provides examples of each module\n+ [models](models): Provides pre-trained models for getting quickstart\n+ [tests](tests): Unit tests\n+ [tinynn](tinynn): Code for model compression\n    + [graph](tinynn\u002Fgraph) : Foundation for computational graph capture, resolving, quantization, code generation, mask management, and etc\n    + [prune](tinynn\u002Fprune) : Pruning algorithms\n    + [converter](tinynn\u002Fconverter) : Model converter\n    + [util](tinynn\u002Futil): Utility classes\n\n## RoadMap\n+ Nov. 2021: A new pruner with adaptive sparsity\n+ Dec. 2021: Model compression for Transformers\n\n## Citation\n\nIf you find this project useful in your research, please consider cite:\n\n```\n@misc{tinynn,\n    title={TinyNeuralNetwork: An efficient deep learning model compression framework},\n    author={Ding, Huanghao and Pu, Jiachen and Hu, Conggang},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork}},\n    year={2021}\n}\n```\n\n## Frequently Asked Questions\n\nBecause of the high complexity and frequent updates of PyTorch, we cannot ensure that all cases are covered through automated testing.\nWhen you encounter problems You can check out the [FAQ](docs\u002FFAQ.md), or join the Q&A group in DingTalk via the QR Code below.\n\n\n![img.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_TinyNeuralNetwork_readme_62acc8913410.png)\n","# TinyNeuralNetwork\n[简体中文](README_zh-CN.md)\n\nTinyNeuralNetwork 是一个高效且易于使用的深度学习模型压缩框架，包含神经架构搜索、剪枝、量化、模型转换等功能。该框架已被应用于天猫精灵、海尔电视、优酷视频、人脸识别签到机等设备的部署中，为超过1000万台物联网设备赋予了AI能力。\n\n## 安装\n\nPython >= 3.9，PyTorch >= 1.10\n\n```shell\n# 安装 TinyNeuralNetwork 框架\ngit clone https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork.git\ncd TinyNeuralNetwork\npython setup.py install\n\n# 或者使用以下一行命令安装\npip install git+https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork.git\n```\n\n你也可以使用 Docker 进行构建：\n\n```shell\nsudo docker build -t tinynn:pytorch1.9.0-cuda11.1 .\n```\n\n## 贡献\n\n我们非常感谢您对本框架改进的支持。更多详情请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)。\n\n## 基础模块\n\n+ 计算图捕获：TinyNeuralNetwork 中的 Graph Tracer 可以捕获 PyTorch 算子之间的连接关系，从而自动化剪枝和模型量化过程。它还支持将 PyTorch 模型转换为等效的模型描述文件（如 models.py）。\n+ 依赖解析：修改某个算子通常会导致子图内的不匹配，即与其他依赖算子的不匹配。TinyNeuralNetwork 中的 Graph Modifier 会自动处理子图内及子图之间的不匹配问题，从而实现计算图的自动化修改。\n+ 剪枝器：OneShot（L1、L2、FPGM）、ADMM、NetAdapt、Gradual、End2End 等剪枝算法均已实现，并将逐步开源。\n+ 量化感知训练：TinyNeuralNetwork 使用 PyTorch 的 QAT 作为后端（同时也支持模拟的 bfloat16 训练），并通过自动化算子融合和计算图量化来优化其易用性（官方实现需要用户手动操作，工作量较大）。\n+ 模型转换：TinyNeuralNetwork 支持将浮点和量化后的 PyTorch 模型转换为 TFLite 模型，以便进行端到端部署。\n  ![架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_TinyNeuralNetwork_readme_5fa0a5320cca.jpg)\n\n## 项目架构\n\n+ [examples](examples)：提供各模块的示例\n+ [models](models)：提供预训练模型，方便快速上手\n+ [tests](tests)：单元测试\n+ [tinynn](tinynn)：模型压缩相关代码\n    + [graph](tinynn\u002Fgraph)：用于计算图捕获、解析、量化、代码生成、掩码管理等的基础模块\n    + [prune](tinynn\u002Fprune)：剪枝算法\n    + [converter](tinynn\u002Fconverter)：模型转换器\n    + [util](tinynn\u002Futil)：工具类\n\n## 路线图\n+ 2021年11月：具有自适应稀疏性的新型剪枝器\n+ 2021年12月：针对 Transformer 的模型压缩\n\n## 引用\n如果您在研究中使用了本项目，请考虑引用如下内容：\n\n```\n@misc{tinynn,\n    title={TinyNeuralNetwork: An efficient deep learning model compression framework},\n    author={Ding, Huanghao and Pu, Jiachen and Hu, Conggang},\n    howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork}},\n    year={2021}\n}\n```\n\n## 常见问题解答\n\n由于 PyTorch 的复杂性和频繁更新，我们无法通过自动化测试覆盖所有情况。\n当您遇到问题时，可以查看 [FAQ](docs\u002FFAQ.md)，或通过下方二维码加入钉钉问答群。\n\n\n![img.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_TinyNeuralNetwork_readme_62acc8913410.png)","# TinyNeuralNetwork 快速上手指南\n\nTinyNeuralNetwork 是一个高效且易用的深度学习模型压缩框架，支持神经架构搜索（NAS）、剪枝、量化、模型转换等功能。该框架已广泛应用于天猫精灵、海尔电视、优酷视频及人脸识别考勤机等设备，赋能超过千万台 IoT 设备。\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**：>= 3.9\n*   **深度学习框架**：PyTorch >= 1.10\n*   **其他依赖**：Git\n\n> **提示**：如果您希望使用隔离环境进行开发，也可以直接使用 Docker 构建（需安装 Docker）：\n> ```shell\n> sudo docker build -t tinynn:pytorch1.9.0-cuda11.1 .\n> ```\n\n## 安装步骤\n\n您可以选择以下任意一种方式进行安装：\n\n### 方式一：源码安装（推荐）\n\n克隆仓库并执行安装脚本：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork.git\ncd TinyNeuralNetwork\npython setup.py install\n```\n\n### 方式二：pip 一键安装\n\n如果您不想克隆源码，可以直接通过 pip 安装：\n\n```shell\npip install git+https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork.git\n```\n\n> **国内加速建议**：如果下载速度较慢，建议在 `pip` 命令后添加国内镜像源参数，例如使用阿里云源：\n> ```shell\n> pip install git+https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork.git -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n> ```\n\n## 基本使用\n\nTinyNeuralNetwork 的核心功能围绕计算图捕获、依赖解析、剪枝和量化展开。以下是一个典型的使用流程示例，展示如何加载预训练模型并进行剪枝准备。\n\n### 1. 导入模块与加载模型\n\n首先从 `tinynn` 包中导入必要的工具类，并加载一个预训练的 PyTorch 模型（以 ResNet18 为例）：\n\n```python\nimport torch\nfrom tinynn.graph.tracer import model_tracer\nfrom tinynn.prune import get_pruner\n\n# 加载预训练模型 (此处以 torchvision 的 resnet18 为例)\nmodel = torch.hub.load('pytorch\u002Fvision:v0.10.0', 'resnet18', pretrained=True)\nmodel.eval()\n\n# 创建虚拟输入数据用于追踪计算图\ndummy_input = torch.randn(1, 3, 224, 224)\n\n# 使用 Graph Tracer 捕获计算图连接关系\nwith torch.no_grad():\n    graph = model_tracer(model, dummy_input)\n```\n\n### 2. 配置并执行剪枝\n\n框架内置了多种剪枝算法（如 OneShot L1\u002FL2\u002FFPGM, ADMM, NetAdapt 等）。以下演示如何使用 FPGM 算法进行一次性剪枝：\n\n```python\n# 配置剪枝策略\nprune_config = {\n    'type': 'oneshot',\n    'algorithm': 'fpgm',\n    'compress_ratio': 0.5,  # 目标压缩率\n}\n\n# 获取剪枝器实例\npruner = get_pruner(prune_config, model, graph)\n\n# 执行剪枝\npruner.prune()\n\n# 应用剪枝掩码到模型\npruner.apply_mask()\n```\n\n### 3. 量化感知训练 (QAT)\n\nTinyNeuralNetwork 自动化了算子融合与计算图量化过程，简化了 QAT 流程：\n\n```python\nfrom tinynn.graph.quantization import quantize\n\n# 对模型进行量化感知训练准备\n# 框架会自动处理算子融合和伪量化节点的插入\nquantized_model = quantize(model, dummy_input)\n\n# 接下来即可使用标准 PyTorch 流程进行微调训练\n# optimizer = ...\n# for data, target in loader:\n#     ...\n```\n\n### 4. 模型转换\n\n完成压缩和量化后，可将模型转换为 TFLite 格式以便在端侧部署：\n\n```python\nfrom tinynn.converter import TFLiteConverter\n\n# 初始化转换器\nconverter = TFLiteConverter(model, dummy_input, tflite_path='model.tflite')\n\n# 执行转换\nconverter.run()\n```\n\n更多详细用例请参考项目中的 [examples](examples) 目录。","某智能家居团队正试图将高精度的人脸识别模型部署到资源受限的老旧款智能门锁芯片上，以满足离线快速解锁的需求。\n\n### 没有 TinyNeuralNetwork 时\n- **手动量化繁琐易错**：开发者需逐层手动插入伪量化节点并处理算子融合，代码修改量巨大且极易引入逻辑错误。\n- **剪枝依赖人工调优**：缺乏自动化剪枝工具，团队只能凭经验手动剔除通道，难以平衡模型精度与压缩率，反复试错耗时数周。\n- **端侧部署兼容性差**：PyTorch 模型无法直接运行在门锁的 NPU 上，手动转换格式常导致图结构断裂，推理引擎频繁报错。\n- **硬件适配成本高昂**：针对不同批次芯片的内存限制，每次都需要重新设计网络结构，开发周期严重滞后于产品上市计划。\n\n### 使用 TinyNeuralNetwork 后\n- **自动化量化训练**：利用其感知量化训练（QAT）模块，自动完成算子融合与图量化，将原本数周的手工编码工作缩短至几小时。\n- **智能算法剪枝**：内置 FPGM、ADMM 等多种剪枝算法，一键搜索最优稀疏度，在模型体积缩小 4 倍的同时，人脸识别准确率仅下降 0.5%。\n- **无缝模型转换**：通过内置转换器直接将量化后的 PyTorch 模型转为 TFLite 格式，完美适配门锁端侧推理引擎，实现零误差部署。\n- **高效迭代适配**：借助计算图自动捕获与依赖解析功能，快速针对不同芯片内存调整模型架构，新硬件适配周期从两周缩减至两天。\n\nTinyNeuralNetwork 通过全自动化的压缩与转换流程，让复杂的深度学习模型得以低成本、高效率地落地于千万级 IoT 设备。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falibaba_TinyNeuralNetwork_10dabff4.png","alibaba","Alibaba","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falibaba_f65f7221.png","Alibaba Open Source",null,"https:\u002F\u002Fopensource.alibaba.com\u002F","https:\u002F\u002Fgithub.com\u002Falibaba",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Python","#3572A5",98.6,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",1.3,{"name":89,"color":90,"percentage":91},"Dockerfile","#384d54",0,{"name":93,"color":94,"percentage":91},"Shell","#89e051",873,134,"2026-04-05T02:14:07","MIT","未说明","可选。Docker 示例基于 CUDA 11.1，暗示支持 NVIDIA GPU 加速，但框架核心功能（如剪枝、量化感知训练）主要依赖 PyTorch CPU\u002FGPU 后端，未强制要求特定显存大小。",{"notes":102,"python":103,"dependencies":104},"该工具主要用于深度学习模型压缩（剪枝、量化、架构搜索等）。除了通过 pip 或源码安装外，官方提供了基于 PyTorch 1.9.0 和 CUDA 11.1 的 Docker 构建方案。由于 PyTorch 版本更新频繁且复杂性高，自动化测试可能无法覆盖所有情况，遇到问题建议查阅 FAQ 或加入钉钉群咨询。",">=3.9",[105],"torch>=1.10",[14],[108,109,110,111,112,113,114,115],"pytorch","deep-learning","model-compression","pruning","model-converter","quantization-aware-training","deep-neural-networks","post-training-quantization","2026-03-27T02:49:30.150509","2026-04-06T23:56:24.786952",[119,124,129,134,138,143],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},20485,"如何在 TinyNeuralNetwork 中对 YOLOv8 模型进行量化感知训练（QAT）以避免损失爆炸？","在使用 Ultralytics YOLOv8 进行 QAT 时，需确保正确加载预训练模型并应用量化器。参考成功复现的步骤：使用 torch-1.13.1 和 ultralytics 库，加载预训练的 yolov8n.pt 模型，通过 model_tracer() 上下文初始化 QATQuantizer，配置参数如 {'ignore_layerwise_config': True, 'asymmetric': True, 'per_tensor': True}。关键是要在训练前正确执行校准（calibrate）步骤，并确保输入数据预处理与模型期望一致（例如归一化到 0-1）。如果损失异常大，通常是因为输入数据的假量化（fake quantization）配置错误或未正确启用 observer。","https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork\u002Fissues\u002F337",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},20486,"为什么通过 Tinynn 转换的 QAT TFLite 模型中没有 'Dequantize' 节点，而其他工具转换的模型中有？","这是因为量化方式不同导致的。如果您使用的是动态范围量化（Dynamic Range Quantization），Conv2D 等算子不支持完全量化推理，权重会被转回浮点数，因此图中会出现 Dequantize 节点，这主要减小模型体积但不会显著加速。而通过 Tinynn 进行的量化感知训练（QAT）会将权重和偏置真正量化，并使用量化内核（Quantized Kernels）进行推理，因此不需要 Dequantize 节点，且能获得实际的推理速度提升。","https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork\u002Fissues\u002F23",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},20487,"在处理多输入模型进行 QAT 量化时，遇到 'str' object has no attribute 'dtype' 错误如何解决？","该错误通常发生在将字典形式的输入转换为元组列表时，量化追踪器误将输入的键名（字符串）当作张量处理。解决方法是检查输入数据的构造方式，确保传递给模型的是纯张量列表而非包含字符串键的元组。如果问题复杂，建议简化模型结构（例如用纯卷积代替 Transformer 模块）以规避追踪器对复杂输入结构的解析问题。若仍无法解决，可尝试重新设计输入预处理逻辑，确保所有输入项均为 torch.Tensor 类型。","https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork\u002Fissues\u002F226",{"id":135,"question_zh":136,"answer_zh":137,"source_url":128},20488,"如何在推理阶段添加额外的输出张量（如后处理操作）以便在 TFLite 中由 GPU\u002FNPU 执行？","您可以在模型的 forward 函数中添加所需的运算（如 reshape, sigmoid, multiply 等），这样在转换为 TFLite 时这些操作会被包含在图中并由硬件加速。但需注意，如果在 QAT 过程中遇到 'Mul operands should have same data type' 错误，说明参与运算的操作数数据类型不一致（例如一个是量化类型，一个是浮点类型）。解决方案是确保所有参与运算的张量都经过相同的量化处理，或者在量化感知训练配置中明确指定这些额外输出的量化参数，避免混合精度运算导致的类型冲突。",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},20489,"在 Colab 中使用 converter.py 转换 MobileNet 模型时报错 'No module named examples.models' 怎么办？","该错误是因为运行环境缺少项目所需的示例模块路径。在 Colab 或本地运行时，需要确保当前工作目录包含 TinyNeuralNetwork 的完整源码结构，或者将项目根目录添加到 Python 路径中。可以通过执行 `import sys; sys.path.append('\u002Fcontent\u002FTinyNeuralNetwork')`（Colab 环境）来修复。此外，确保已正确安装依赖项，并且使用的代码版本与仓库结构匹配。如果仅想测试转换功能，建议直接克隆整个仓库并在其根目录下运行脚本。","https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork\u002Fissues\u002F51",{"id":144,"question_zh":145,"answer_zh":146,"source_url":133},20490,"量化后的 Int8 TFLite 模型在某些算子（如 Add）上的精度比 FP32 差很多，该如何优化？","如果量化后特定算子（如 Add）的精度下降严重，可能是由于该算子对量化误差敏感或量化参数配置不当。首先检查该算子在量化图中的位置及量化参数（scale 和 zero_point）。如果问题依旧，考虑调整模型结构，例如用纯卷积层替代对量化敏感的 Transformer 模块，因为卷积结构通常在量化后表现更稳定。此外，可以尝试调整量化配置，如使用 per-channel 量化而非 per-tensor，或关闭某些层的量化（layerwise config），以减少精度损失。",[148],{"id":149,"version":150,"summary_zh":151,"released_at":152},126456,"llm_0.0.1","借助量化技术，我们可以在降低资源消耗的同时高效地进行大语言模型推理。请安装以下软件包，并尝试[这里](https:\u002F\u002Fgithub.com\u002Falibaba\u002FTinyNeuralNetwork\u002Ftree\u002Fmain\u002Ftinynn\u002Fllm_quant)的示例。我们期待您的反馈。","2023-05-31T09:41:52"]