[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-amirgholami--PyHessian":3,"tool-amirgholami--PyHessian":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",142651,2,"2026-04-06T23:34:12",[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":75,"owner_email":75,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":10,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":135},4813,"amirgholami\u002FPyHessian","PyHessian","PyHessian is a Pytorch library for second-order based analysis and training of Neural Networks","PyHessian 是一款基于 PyTorch 开发的开源库，专为神经网络的二阶分析而设计。在深度学习研究中，仅依靠一阶梯度往往难以全面理解模型的收敛特性与泛化能力，而计算海森矩阵（Hessian Matrix）又常因显存消耗巨大而变得不切实际。PyHessian 巧妙地解决了这一难题，让用户无需承担高昂的计算成本，即可高效获取模型的关键二阶指标，包括海森矩阵的顶部特征值、迹（Trace）以及完整的特征值谱密度（ESD）。\n\n这款工具特别适合人工智能研究人员、算法工程师以及对模型可解释性有深入需求的开发者使用。通过集成独特的随机估算技术，PyHessian 能够在大规模神经网络中快速执行高精度的曲率分析，帮助用户洞察损失函数的几何形态，进而指导模型压缩、剪枝策略或优化器的选择。无论是用于学术探索还是工业级模型调优，PyHessian 都提供了一个轻量且强大的视角，让复杂的二阶方法变得触手可及，助力用户更深刻地“透过海森矩阵”审视神经网络的行为。","![Block](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famirgholami_PyHessian_readme_997d912bda57.png)\n\n![Block](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famirgholami_PyHessian_readme_5df0637491e7.png)\n\n## Introduction\nPyHessian is a pytorch library for Hessian based analysis of neural network models. The library enables computing the following metrics:\n\n- Top Hessian eigenvalues\n- The trace of the Hessian matrix\n- The full Hessian Eigenvalues Spectral Density (ESD)\n\n\nFor more details please see:\n\n- [The Hessian tutorial notebook](.\u002FHessian_Tutorial.ipynb)\n- [Video explanation of tutorial](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=S87ancnZ0MM&feature=youtu.be&t=43m20s)\n- [The PyHessian paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.07145.pdf).\n\n\n## Publication List\nThis project was supported through NSF funding and we are interested in documenting related publications\nwritten on or with the help of PyHessian. This will allows us to continue developing the library,\nand will also be a good summary for related and on going work on second order methods. [You can see the current list here](publication_list.md).\nPlease contact us if you have a related paper and we would be glad to add it to the list.\n\n\n## Usage\n### Install from Pip\nYou can install the library from pip\n```\npip install pyhessian\n```\n\n### Install from source\nYou can also compile the library from source\n```\ngit clone https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian.git\npython setup.py install\n```\n\nBefore running the Hessian code, we need a (pre-trained) NN model. Here, we provide a training file to train ResNet20 model on Cifar-10 dataset:\n```\nexport CUDA_VISIBLE_DEVICES=0; python training.py [--batch-size] [--test-batch-size] [--epochs] [--lr] [--lr-decay] [--lr-decay-epoch] [--seed] [--weight-decay] [--batch-norm] [--residual] [--cuda] [--saving-folder]\n\noptional arguments:\n--batch-size                training batch size (default: 128)\n--test-batch-size           testing batch size (default:256)\n--epochs                    total number of training epochs (default: 180)\n--lr                        initial learning rate (default: 0.1)\n--lr-decay                  learning rate decay ratio (default: 0.1)\n--lr-decay-epoch            epoch for the learning rate decaying (default: 80, 120)\n--seed                      used to reproduce the results (default: 1)\n--weight-decay              weight decay value (default: 5e-4)\n--batch-norm                do we need batch norm in ResNet or not (default: True)\n--residual                  do we need residual connection or not (default: True)\n--cuda                      do we use gpu or not (default: True)\n--saving-folder             saving path of the final checkpoint (default: checkpoints\u002F)\n```\n\nAfter the model checkpoint is saved, we can run the following code to get the top eigenvalue, trace, and the Eigenvalue Spectral Density of Hessian:\n```\nexport CUDA_VISIBLE_DEVICES=0; python example_pyhessian_analysis.py [--mini-hessian-batch-size] [--hessian-batch-size] [--seed] [--batch-norm] [--residual] [--cuda] [--resume]\n\noptional arguments:\n--mini-hessian-batch-size   mini hessian batch size (default: 200)\n--hessian-batch-size        hessian batch size (default:200)\n--seed                      used to reproduce the results (default: 1)\n--batch-norm                do we need batch norm in ResNet or not (default: True)\n--residual                  do we need residual connection or not (default: True)\n--cuda                      do we use gpu or not (default: True)\n--resume                    resume path of the checkpoint (default: none, must be filled by user)\n```\n\nThe output density plot is saved as example.pdf \n\n\n## Citation\nPyHessian has been developed as part of the following paper. We appreciate it if you would please cite the following paper if you found the library useful for your work:\n\n* Z. Yao, A. Gholami, K Keutzer, M. Mahoney. PyHessian:  Neural Networks Through the Lens of the Hessian, Spotlight at ICML workshop on Beyond First-Order Optimization Methods in Machine Learning, 2020 (also in proceedings of IEEE Conferenceon big data), [PDF](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.07145.pdf).\n\n## Copyright\n\nTHIS SOFTWARE AND\u002FOR DATA WAS DEPOSITED IN THE BAIR OPEN RESEARCH COMMONS REPOSITORY ON 02\u002F27\u002F23.\n","![Block](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famirgholami_PyHessian_readme_997d912bda57.png)\n\n![Block](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famirgholami_PyHessian_readme_5df0637491e7.png)\n\n## 简介\nPyHessian 是一个基于 PyTorch 的库，用于对神经网络模型进行基于 Hessian 矩阵的分析。该库能够计算以下指标：\n\n- Hessian 矩阵的最大特征值\n- Hessian 矩阵的迹\n- Hessian 矩阵特征值谱密度（ESD）\n\n\n更多详细信息请参阅：\n\n- [Hessian 教程笔记本](.\u002FHessian_Tutorial.ipynb)\n- [教程视频讲解](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=S87ancnZ0MM&feature=youtu.be&t=43m20s)\n- [PyHessian 论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.07145.pdf)。\n\n\n## 发表论文列表\n本项目得到了 NSF 的资助，我们希望记录所有使用或借助 PyHessian 编写的相关论文。这将有助于我们持续改进和开发该库，同时也为二阶方法的相关研究及正在进行的工作提供一份良好的总结。[当前的论文列表请见此处](publication_list.md)。如果您有相关的论文，请与我们联系，我们将非常乐意将其加入列表中。\n\n\n## 使用方法\n### 通过 pip 安装\n您可以使用 pip 安装该库：\n```\npip install pyhessian\n```\n\n### 从源码安装\n您也可以从源码编译并安装该库：\n```\ngit clone https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian.git\npython setup.py install\n```\n\n在运行 Hessian 相关代码之前，我们需要一个（预训练的）神经网络模型。这里我们提供了一个用于在 Cifar-10 数据集上训练 ResNet20 模型的脚本：\n```\nexport CUDA_VISIBLE_DEVICES=0; python training.py [--batch-size] [--test-batch-size] [--epochs] [--lr] [--lr-decay] [--lr-decay-epoch] [--seed] [--weight-decay] [--batch-norm] [--residual] [--cuda] [--saving-folder]\n\n可选参数：\n--batch-size                训练批次大小（默认：128）\n--test-batch-size           测试批次大小（默认：256）\n--epochs                    总训练轮数（默认：180）\n--lr                        初始学习率（默认：0.1）\n--lr-decay                  学习率衰减比例（默认：0.1）\n--lr-decay-epoch            学习率衰减的轮次（默认：80、120）\n--seed                      用于复现结果的随机种子（默认：1）\n--weight-decay              权重衰减系数（默认：5e-4）\n--batch-norm                是否在 ResNet 中使用批归一化（默认：是）\n--residual                  是否使用残差连接（默认：是）\n--cuda                      是否使用 GPU（默认：是）\n--saving-folder             最终检查点的保存路径（默认：checkpoints\u002F）\n```\n\n模型检查点保存完成后，我们可以运行以下代码来获取 Hessian 矩阵的最大特征值、迹以及特征值谱密度：\n```\nexport CUDA_VISIBLE_DEVICES=0; python example_pyhessian_analysis.py [--mini-hessian-batch-size] [--hessian-batch-size] [--seed] [--batch-norm] [--residual] [--cuda] [--resume]\n\n可选参数：\n--mini-hessian-batch-size   小批量 Hessian 计算的批次大小（默认：200）\n--hessian-batch-size        Hessian 矩阵计算的批次大小（默认：200）\n--seed                      用于复现结果的随机种子（默认：1）\n--batch-norm                是否在 ResNet 中使用批归一化（默认：是）\n--residual                  是否使用残差连接（默认：是）\n--cuda                      是否使用 GPU（默认：是）\n--resume                    检查点的恢复路径（默认：无，需用户填写）\n```\n\n输出的谱密度图将保存为 example.pdf。\n\n\n## 引用\nPyHessian 是作为以下论文的一部分而开发的。如果您在工作中发现该库很有用，我们非常感谢您能引用以下论文：\n\n* Z. Yao, A. Gholami, K Keutzer, M. Mahoney. PyHessian:  Neural Networks Through the Lens of the Hessian, Spotlight at ICML workshop on Beyond First-Order Optimization Methods in Machine Learning, 2020 (also in proceedings of IEEE Conferenceon big data), [PDF](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.07145.pdf)。\n\n## 版权\n本软件和\u002F或数据已于 2023 年 2 月 27 日存入 BAIR 开放研究共同体仓库。","# PyHessian 快速上手指南\n\nPyHessian 是一个基于 PyTorch 的库，用于对神经网络模型进行黑塞矩阵（Hessian）分析。它支持计算顶部特征值、黑塞矩阵的迹以及完整的特征值谱密度（ESD）。\n\n## 环境准备\n\n*   **操作系统**: Linux \u002F macOS (Windows 需自行配置 CUDA 环境)\n*   **核心依赖**:\n    *   Python 3.6+\n    *   PyTorch (建议安装与你的 CUDA 版本匹配的最新版)\n    *   CUDA (可选，但强烈建议使用 GPU 加速计算)\n*   **前置知识**: 需要预先训练好一个 PyTorch 模型（如 ResNet），并保存为 checkpoint 文件。\n\n## 安装步骤\n\n你可以选择通过 Pip 直接安装，或从源码编译安装。国内用户建议使用清华或阿里镜像源加速下载。\n\n### 方式一：通过 Pip 安装（推荐）\n\n```bash\npip install pyhessian -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：从源码安装\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian.git\ncd PyHessian\npython setup.py install\n```\n\n## 基本使用\n\n使用流程分为两步：首先训练模型（或加载已有模型），然后运行分析脚本获取黑塞矩阵指标。\n\n### 1. 训练模型（示例）\n\n如果你还没有预训练模型，可以使用库中提供的脚本在 CIFAR-10 数据集上训练 ResNet20。以下命令将模型保存在 `checkpoints\u002F` 目录：\n\n```bash\nexport CUDA_VISIBLE_DEVICES=0; python training.py --batch-size 128 --epochs 180 --lr 0.1 --weight-decay 5e-4 --cuda True --saving-folder checkpoints\u002F\n```\n\n> **注意**：请根据你的硬件情况调整 `--batch-size` 或其他超参数。训练完成后，确保 `checkpoints\u002F` 目录下生成了模型权重文件。\n\n### 2. 执行黑塞矩阵分析\n\n模型准备就绪后，运行分析脚本计算顶部特征值、迹和谱密度。请将 `--resume` 参数替换为你实际的模型权重路径。\n\n```bash\nexport CUDA_VISIBLE_DEVICES=0; python example_pyhessian_analysis.py --mini-hessian-batch-size 200 --hessian-batch-size 200 --cuda True --resume checkpoints\u002Fyour_model_checkpoint.pth\n```\n\n**关键参数说明：**\n*   `--resume`: **必填**，指定预训练模型 checkpoint 的路径。\n*   `--hessian-batch-size`: 用于计算黑塞矩阵的批次大小（默认 200，显存不足时可调小）。\n*   `--cuda`: 是否使用 GPU 加速（默认 True）。\n\n运行结束后，当前目录下将生成名为 `example.pdf` 的文件，其中包含特征值谱密度的可视化图表。\n\n> **提示**：更多高级用法、API 详解及理论背景，请参考项目自带的 [Hessian_Tutorial.ipynb](.\u002FHessian_Tutorial.ipynb) 教程笔记。","某自动驾驶算法团队在优化车载感知模型时，试图将庞大的 ResNet 网络压缩以适配边缘计算设备，却面临模型剪枝后精度剧烈波动的难题。\n\n### 没有 PyHessian 时\n- 团队仅凭经验或试错法选择剪枝比例，无法量化模型对参数扰动的敏感程度，导致多次迭代后精度依然不达标。\n- 缺乏二阶信息指导，难以区分哪些层是“平坦”的（可大幅压缩），哪些是“尖锐”的（需保留），只能均匀裁剪，效率极低。\n- 训练过程出现不明原因的震荡或收敛缓慢，开发人员只能盲目调整学习率，无法从损失函数曲面的几何特性上找到根源。\n- 每次验证都需要完整重训模型来测试稳定性，耗费大量 GPU 算力和数天时间，严重拖慢研发进度。\n\n### 使用 PyHessian 后\n- 利用 PyHessian 计算海森矩阵的迹和最大特征值，精准量化了模型各层的曲率，直接定位到对精度影响最大的敏感层。\n- 基于特征值谱密度（ESD）分析，团队制定了非均匀剪枝策略，在平坦区域大胆压缩，在尖锐区域谨慎保留，显著提升了压缩率。\n- 通过观察海森特征值分布，快速诊断出训练震荡源于损失曲面过于尖锐，据此针对性地引入正则化项，迅速稳定了训练过程。\n- 无需完整重训，仅需少量数据批次即可通过 PyHessian 预测不同压缩方案下的鲁棒性，将方案验证周期从数天缩短至数小时。\n\nPyHessian 让团队透过二阶导数的镜头看清了神经网络的内部几何结构，将原本依靠直觉的模型压缩工作转变为可量化、可解释的科学工程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famirgholami_PyHessian_a3fc246f.png","amirgholami","Amir Gholami","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Famirgholami_1a5af173.jpg",null,"BAIR, UC Berkeley","amir__gholami","amirgholami.org","https:\u002F\u002Fgithub.com\u002Famirgholami",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",71.7,{"name":86,"color":87,"percentage":88},"Python","#3572A5",28.3,779,127,"2026-04-05T09:27:23","MIT","未说明","需要 NVIDIA GPU (通过 --cuda 参数控制，默认开启)，具体型号和显存大小未说明",{"notes":96,"python":93,"dependencies":97},"该工具主要用于基于 Hessian 的神经网络分析。使用前需要先训练或加载预训练的 PyTorch 模型（如 ResNet20）。支持通过 pip 安装或从源码编译。运行分析脚本时需指定模型检查点路径 (--resume)。输出结果包含特征值谱密度图（example.pdf）。",[98,99],"torch","pyhessian",[14],[102,103,104,105,106],"hessian","second-order","second-order-optimization","hessian-free","pytorch-library","2026-03-27T02:49:30.150509","2026-04-07T11:48:26.964244",[110,115,120,125,130],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},21870,"计算海森矩阵特征值的时间成本过高，这正常吗？如何优化？","这是预期行为。使用 hessian.eigenvalues() 计算前 50 个特征值确实非常耗时。如果您的问题维度较小（例如约 100 维），建议改用 hessian.density() 方法，并将 niter 参数设置为与问题维度相同的数值。这样可以快速完成计算并给出完整特征值的分布情况。","https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian\u002Fissues\u002F6",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},21871,"为什么在幂迭代（power iteration）过程中 CUDA 内存占用会持续增加？","这是一个已知问题，用户在每个 minibatch 后观察到显存持续上升。虽然维护者确认该问题已被修复（\"I got that fixed\"），但具体的修复代码未在讨论中详细展示。遇到此问题的用户应确保更新到最新版本的代码库以获取修复补丁。手动执行 gc 和缓存清理通常无法解决此问题。","https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian\u002Fissues\u002F28",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},21872,"在海森向量积（Hessian-vector product）计算中，为什么使用随机初始化而不是零初始化？","之前的随机初始化是一个代码清理过程中的错误，现已修复为零初始化。用户反馈表明，使用随机初始化会导致幂迭代收敛效果差，且不同运行间返回的最大特征值波动很大。因此，务必使用零初始化以获得稳定和准确的结果。","https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian\u002Fissues\u002F4",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},21873,"遇到 \"RuntimeError: derivative for grid_sampler_2d_backward is not implemented\" 错误怎么办？","该错误表明您使用的模块（如 grid_sampler_2d_backward）不支持二阶反向传播（second-order backprop）。PyHessian 需要计算二阶导数（Hv），如果模型中包含不支持此操作的算子，就会报错。解决方法是检查模型结构，替换或修改不支持二阶导数的层。","https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian\u002Fissues\u002F7",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},21874,"为什么计算出的最大特征值和迹（trace）在不同运行间方差很大？","这是因为用于近似计算的采样数据点太少。例如在 CIFAR-10 数据集上，如果仅使用 128 个数据点，方差会非常大。通常需要使用 4096 个数据点才能获得稳定的结果。在原论文中，作者始终使用整个数据集来计算所有海森信息。建议增加 Hessian 计算的 batch size 或使用全量数据。","https:\u002F\u002Fgithub.com\u002Famirgholami\u002FPyHessian\u002Fissues\u002F5",[]]