[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-bhanML--Co-teaching":3,"similar-bhanML--Co-teaching":70},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":21,"owner_website":22,"owner_url":23,"languages":24,"stars":33,"forks":34,"last_commit_at":35,"license":21,"difficulty_score":36,"env_os":37,"env_gpu":38,"env_ram":39,"env_deps":40,"category_tags":46,"github_topics":21,"view_count":49,"oss_zip_url":21,"oss_zip_packed_at":21,"status":50,"created_at":51,"updated_at":52,"faqs":53,"releases":69},6609,"bhanML\u002FCo-teaching","Co-teaching","NeurIPS'18: Co-teaching: Robust Training of Deep Neural Networks with Extremely Noisy Labels","Co-teaching 是一款专为深度学习设计的开源训练框架，旨在解决模型在标签噪声极高数据上难以收敛的难题。在实际应用中，标注数据往往包含大量错误（如图像分类标签标错），传统方法容易让模型“死记硬背”这些噪声，导致性能大幅下降。Co-teaching 创新性地引入了“双网络协同教学”机制：同时训练两个结构相同的神经网络，在每一轮训练中，让每个网络只从另一个网络筛选出的“小损失样本”（即认为干净的样本）中学习。这种互相过滤噪声、互为导师的策略，有效阻断了错误标签对模型的误导，显著提升了鲁棒性。\n\n该工具特别适合人工智能研究人员、算法工程师以及需要处理低质量标注数据的企业开发者使用。其核心亮点在于无需预先知道噪声的具体分布或比例，仅通过简单的损失值筛选即可实现高效去噪，且在 MNIST、CIFAR 等基准数据集上，即使面对 50% 的对称噪声或 45% 的成对噪声，仍能保持优异的准确率。作为 NeurIPS 2018 的经典成果，Co-teaching 提供了基于 PyTorch 的完整实现代码，方便用户快速复现论文结果或将其集成到现有的图像分类任务中，是应对脏数据训练场景的实用利器。","# Co-teaching \nNeurIPS'18: Co-teaching: Robust Training of Deep Neural Networks with Extremely Noisy Labels (Pytorch implementation).\n\nAnother related work in NeurIPS'18: \n\n[Masking: A New Perspective of Noisy Supervision](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.08193)\n\nCode available: https:\u002F\u002Fgithub.com\u002FbhanML\u002FMasking\n\n========\n\nThis is the code for the paper:\n[Co-teaching: Robust Training of Deep Neural Networks with Extremely Noisy Labels](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.06872)  \nBo Han*, Quanming Yao*, Xingrui Yu, Gang Niu, Miao Xu, Weihua Hu, Ivor Tsang, Masashi Sugiyama  \nTo be presented at [NeurIPS 2018](https:\u002F\u002Fnips.cc\u002FConferences\u002F2018\u002F).  \n\nIf you find this code useful in your research then please cite  \n```bash\n@inproceedings{han2018coteaching,\n  title={Co-teaching: Robust training of deep neural networks with extremely noisy labels},\n  author={Han, Bo and Yao, Quanming and Yu, Xingrui and Niu, Gang and Xu, Miao and Hu, Weihua and Tsang, Ivor and Sugiyama, Masashi},\n  booktitle={NeurIPS},\n  pages={8535--8545},\n  year={2018}\n}\n```  \n\n## Setups\nAll code was developed and tested on a single machine equiped with a NVIDIA K80 GPU. The environment is as bellow:  \n\n- CentOS 7.2\n- CUDA 8.0\n- Python 2.7.12 (Anaconda 4.1.1 64 bit)\n- PyTorch 0.3.0.post4\n- numpy 1.14.2\n\nInstall PyTorch via:\n```bash\npip install http:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu80\u002Ftorch-0.3.0.post4-cp27-cp27mu-linux_x86_64.whl\n```\n\n## Running Co-teaching on benchmark datasets (MNIST, CIFAR-10 and CIFAR-100)\nHere is an example: \n\n```bash\npython main.py --dataset cifar10 --noise_type symmetric --noise_rate 0.5 \n```\n\n## Performance\n\n| (Flipping, Rate) | MNIST  | CIFAR-10 | CIFAR-100 |\n| ---------------: | -----: | -------: | --------: |\n| (Pair, 45%)      | 87.58% | 72.85%   | 34.40%    |\n| (Symmetry, 50%)  | 91.68% | 74.49%   | 41.23%    |\n| (Symmetry, 20%)  | 97.71% | 82.18%   | 54.36%    |\n\nContact: Xingrui Yu (xingrui.yu@student.uts.edu.au); Bo Han (bo.han@riken.jp).\n\n## AutoML\nPlease check the automated machine learning (AutoML) version of Co-teaching in\n- Searching to Exploit Memorization Effect in Learning from Corrupted Labels. ICML-2020 [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.02377) [code](https:\u002F\u002Fgithub.com\u002FAutoML-4Paradigm\u002FS2E)\n","# 合作教学\nNeurIPS 2018：合作教学——使用极噪声标签稳健训练深度神经网络（PyTorch 实现）。\n\nNeurIPS 2018 中的另一项相关工作：\n\n[掩码：噪声监督的新视角](https:\u002F\u002Farxiv.org\u002Fabs\u002F1805.08193)\n\n代码地址：https:\u002F\u002Fgithub.com\u002FbhanML\u002FMasking\n\n========\n\n这是论文的代码：\n[合作教学：使用极噪声标签稳健训练深度神经网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.06872)  \nHan Bo*、Yao Quanming*、Yu Xingrui、Niu Gang、Xu Miao、Hu Weihua、Tsang Ivor、Sugiyama Masashi  \n将在 [NeurIPS 2018](https:\u002F\u002Fnips.cc\u002FConferences\u002F2018\u002F) 上发表。  \n\n如果您在研究中使用了此代码并认为它有所帮助，请引用以下文献：  \n```bash\n@inproceedings{han2018coteaching,\n  title={Co-teaching: Robust training of deep neural networks with extremely noisy labels},\n  author={Han, Bo and Yao, Quanming and Yu, Xingrui and Niu, Gang and Xu, Miao and Hu, Weihua and Tsang, Ivor and Sugiyama, Masashi},\n  booktitle={NeurIPS},\n  pages={8535--8545},\n  year={2018}\n}\n```  \n\n## 环境配置\n所有代码均在配备 NVIDIA K80 GPU 的单机上开发和测试。环境配置如下：  \n\n- CentOS 7.2\n- CUDA 8.0\n- Python 2.7.12（Anaconda 4.1.1 64 位）\n- PyTorch 0.3.0.post4\n- numpy 1.14.2\n\n可通过以下命令安装 PyTorch：\n```bash\npip install http:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu80\u002Ftorch-0.3.0.post4-cp27-cp27mu-linux_x86_64.whl\n```\n\n## 在基准数据集上运行合作教学（MNIST、CIFAR-10 和 CIFAR-100）\n以下是一个示例命令：\n\n```bash\npython main.py --dataset cifar10 --noise_type symmetric --noise_rate 0.5 \n```\n\n## 性能表现\n\n| (翻转类型, 噪声率) | MNIST  | CIFAR-10 | CIFAR-100 |\n| ---------------: | -----: | -------: | --------: |\n| (成对, 45%)      | 87.58% | 72.85%   | 34.40%    |\n| (对称, 50%)      | 91.68% | 74.49%   | 41.23%    |\n| (对称, 20%)      | 97.71% | 82.18%   | 54.36%    |\n\n联系方式：Yu Xingrui（xingrui.yu@student.uts.edu.au）；Han Bo（bo.han@riken.jp）。\n\n## 自动机器学习\n请查看合作教学的自动化机器学习（AutoML）版本：\n- 从损坏标签中学习时利用记忆效应的搜索方法。ICML 2020 [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1911.02377) [代码](https:\u002F\u002Fgithub.com\u002FAutoML-4Paradigm\u002FS2E)","# Co-teaching 快速上手指南\n\nCo-teaching 是一种针对带有极高噪声标签数据的深度神经网络鲁棒训练方法，发表于 NeurIPS 2018。本指南基于官方 PyTorch 实现整理。\n\n## 环境准备\n\n本项目原始代码在以下环境中开发和测试，建议尽量匹配该环境以确保兼容性（特别是 PyTorch 0.3.0 和 Python 2.7）：\n\n- **操作系统**: CentOS 7.2 (或其他 Linux 发行版)\n- **GPU**: NVIDIA K80 (支持 CUDA 8.0)\n- **CUDA 版本**: 8.0\n- **Python 版本**: 2.7.12 (推荐 Anaconda 4.1.1 64-bit)\n- **核心依赖**:\n  - PyTorch 0.3.0.post4\n  - numpy 1.14.2\n\n> **注意**：由于代码基于较旧的 Python 2.7 和 PyTorch 0.3 编写，若需在现代环境运行，可能需要对代码进行适配修改。\n\n## 安装步骤\n\n1. **配置 Python 环境**  \n   建议使用 `conda` 创建独立的 Python 2.7 环境：\n   ```bash\n   conda create -n coteaching python=2.7.12 anaconda=4.1.1\n   conda activate coteaching\n   ```\n\n2. **安装 PyTorch**  \n   根据官方要求安装特定版本的 PyTorch (CUDA 8.0)：\n   ```bash\n   pip install http:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu80\u002Ftorch-0.3.0.post4-cp27-cp27mu-linux_x86_64.whl\n   ```\n   *注：若国内下载速度慢，可尝试寻找国内镜像源缓存的 wheel 文件，或手动下载后本地安装。*\n\n3. **安装其他依赖**  \n   确保 numpy 版本符合要求：\n   ```bash\n   pip install numpy==1.14.2\n   ```\n\n4. **获取代码**  \n   克隆项目仓库（假设已下载源码到本地）：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FbhanML\u002FCo-teaching.git\n   cd Co-teaching\n   ```\n\n## 基本使用\n\n以下命令展示了如何在基准数据集（如 CIFAR-10）上运行 Co-teaching。该示例设置为对称噪声（symmetric），噪声比例为 50%。\n\n```bash\npython main.py --dataset cifar10 --noise_type symmetric --noise_rate 0.5\n```\n\n**参数说明：**\n- `--dataset`: 选择数据集，支持 `mnist`, `cifar10`, `cifar100`。\n- `--noise_type`: 噪声类型，支持 `symmetric` (对称噪声) 或 `pair` (成对噪声)。\n- `--noise_rate`: 噪声比率 (0.0 到 1.0 之间)。\n\n运行后，模型将开始训练并输出对应的准确率结果。更多实验配置可参考原文中的性能表格调整噪声类型和比率。","某医疗影像初创公司正利用深度学习模型自动筛查皮肤癌，但其训练数据依赖众包平台标注，导致约 45% 的图像标签存在严重错误（如将良性痣误标为恶性）。\n\n### 没有 Co-teaching 时\n- 模型在训练初期迅速“死记硬背”了这些错误标签，导致验证集准确率停滞在 60% 左右无法提升。\n- 开发人员不得不投入大量人力进行二次人工复核，清洗数据的成本占据了项目预算的 70%。\n- 传统的损失函数优化策略对噪声极度敏感，模型倾向于拟合噪声而非学习真实的病灶特征。\n- 最终交付的模型在真实临床测试中误报率极高，无法满足医生辅助诊断的基本可靠性要求。\n\n### 使用 Co-teaching 后\n- 通过部署两个相互协作的神经网络，动态筛选并只让彼此学习对方认为“干净”的小批量样本，有效阻断了噪声传播。\n- 即使在 45% 的高噪声率下，模型依然能收敛到 72% 以上的准确率，显著提升了泛化能力。\n- 团队不再需要大规模人工重标数据，仅需保留少量核心样本校验，数据准备周期从数周缩短至几天。\n- 模型成功学会了区分真实的皮肤病变特征与众包标注的随机错误，在临床试验中的误报率大幅降低。\n\nCo-teaching 的核心价值在于它能让深度神经网络在极端嘈杂的标签环境中“去伪存真”，以极低的成本实现鲁棒训练。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FbhanML_Co-teaching_213f9269.png","bhanML","Bo Han","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FbhanML_54cb851d.png","Bo Han is an Associate Professor at HKBU CSD and a BAIHO Visiting Scientist at RIKEN AIP. He is heading Trustworthy Machine Learning and Reasoning Group.","HKBU \u002F RIKEN","Hong Kong \u002F Japan","kevinhan.uts@gmail.com",null,"https:\u002F\u002Fbhanml.github.io\u002F","https:\u002F\u002Fgithub.com\u002FbhanML",[25,29],{"name":26,"color":27,"percentage":28},"Python","#3572A5",99.8,{"name":30,"color":31,"percentage":32},"Shell","#89e051",0.2,520,111,"2026-04-06T20:25:55",4,"Linux","需要 NVIDIA GPU（测试环境为 NVIDIA K80），CUDA 8.0","未说明",{"notes":41,"python":42,"dependencies":43},"代码基于 CentOS 7.2 开发，使用 Anaconda 4.1.1 (64 位) 管理环境。官方仅提供针对 Python 2.7 和 CUDA 8.0 的 PyTorch 安装指令，该版本较老，现代环境可能需要调整代码以兼容新版 PyTorch。","2.7.12",[44,45],"torch==0.3.0.post4","numpy==1.14.2",[47,48],"开发框架","其他",2,"ready","2026-03-27T02:49:30.150509","2026-04-11T22:07:59.638339",[54,59,64],{"id":55,"question_zh":56,"answer_zh":57,"source_url":58},29863,"只使用单个 CNN 模型也能获得较高的准确率（>80%），这是为什么？","这通常是因为更新策略（update schedule）起了关键作用，而非双模型交互流程本身。如果禁用“先用 100% 样本更新，随后逐渐减少比例”的策略，而是始终固定使用较低比例（例如在 45% 噪声率下始终使用 55% 的比例）进行更新，训练效果会类似于普通训练。因此，从 100% 到 55% 的动态更新调度是性能提升的关键。","https:\u002F\u002Fgithub.com\u002FbhanML\u002FCo-teaching\u002Fissues\u002F6",{"id":60,"question_zh":61,"answer_zh":62,"source_url":63},29864,"如果只使用 Q1 策略而不使用 Q2 策略，对最终准确率有什么影响？","如果仅使用 Q1 策略而不用 Q2 策略，其表现与 MentorNet 类似，因为没有采用协同监督（co-supervision）机制。这意味着缺少了双模型互相筛选样本的核心优势。","https:\u002F\u002Fgithub.com\u002FbhanML\u002FCo-teaching\u002Fissues\u002F1",{"id":65,"question_zh":66,"answer_zh":67,"source_url":68},29865,"为什么在 CIFAR-10 训练中添加标准数据增强（如随机裁剪、翻转）后，测试准确率反而大幅下降？","这通常是由于数据归一化（normalization）参数设置不当引起的。请检查代码中 `transforms.Normalize` 使用的均值和标准差是否与当前数据集及增强后的分布匹配。错误的归一化参数会导致模型输入分布偏移，从而严重影响性能。","https:\u002F\u002Fgithub.com\u002FbhanML\u002FCo-teaching\u002Fissues\u002F8",[],[71,83,91,100,108,117],{"id":72,"name":73,"github_repo":74,"description_zh":75,"stars":76,"difficulty_score":77,"last_commit_at":78,"category_tags":79,"status":50},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",[80,47,81,82],"Agent","图像","数据工具",{"id":84,"name":85,"github_repo":86,"description_zh":87,"stars":88,"difficulty_score":77,"last_commit_at":89,"category_tags":90,"status":50},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",[47,81,80],{"id":92,"name":93,"github_repo":94,"description_zh":95,"stars":96,"difficulty_score":49,"last_commit_at":97,"category_tags":98,"status":50},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",150720,"2026-04-11T11:33:10",[47,80,99],"语言模型",{"id":101,"name":102,"github_repo":103,"description_zh":104,"stars":105,"difficulty_score":49,"last_commit_at":106,"category_tags":107,"status":50},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",[47,81,80],{"id":109,"name":110,"github_repo":111,"description_zh":112,"stars":113,"difficulty_score":49,"last_commit_at":114,"category_tags":115,"status":50},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",[116,80,81,47],"插件",{"id":118,"name":119,"github_repo":120,"description_zh":121,"stars":122,"difficulty_score":49,"last_commit_at":123,"category_tags":124,"status":50},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",[116,47]]