[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-datawhalechina--thorough-pytorch":3,"tool-datawhalechina--thorough-pytorch":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":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":102,"env_os":103,"env_gpu":104,"env_ram":103,"env_deps":105,"category_tags":118,"github_topics":119,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":124,"updated_at":125,"faqs":126,"releases":162},935,"datawhalechina\u002Fthorough-pytorch","thorough-pytorch","PyTorch入门教程，在线阅读地址：https:\u002F\u002Fdatawhalechina.github.io\u002Fthorough-pytorch\u002F","thorough-pytorch 是由 DataWhale 开源社区打造的一套系统化 PyTorch 入门教程，采用\"理论讲解 + 动手实践 + 项目实战\"的三段式学习路径，帮助学习者从零基础逐步掌握深度学习开发技能。\n\n这套教程解决了 PyTorch 学习资源分散、缺乏体系化引导的问题。内容涵盖 PyTorch 安装配置、张量运算、自动求导等基础知识，到模型构建、训练优化、可视化等核心技能，再到计算机视觉、自然语言处理等领域的经典网络源码解读。特别值得一提的是，教程紧跟技术前沿，包含了 timm 模型库、半精度训练、SwanLab 可视化等实用进阶技巧，以及 ONNX 模型部署等工程化内容。\n\nthorough-pytorch 适合具备 Python 基础和机器学习理论储备的学生、研究人员及算法工程师使用。教程采用 Markdown 和 Jupyter Notebook 形式呈现，配合 B 站视频讲解与组队学习模式，既适合自学也适合社群共学。目前已完成前两部分的编写，第三部分将聚焦更贴近工业界的实战案例。","# 深入浅出PyTorch\n\n>[!IMPORTANT]\n>[在线阅读地址](https:\u002F\u002Fdatawhalechina.github.io\u002Fthorough-pytorch\u002F) | [配套视频教程](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1L44y1472Z) | [智海（国家级AI科教平台）](https:\u002F\u002Faiplusx.momodel.cn\u002Fclassroom\u002Fclass\u002F664bf5db24cff38ad7d2a20e?activeKey=intro)\n>\n>请注意：在线文档更新落后于主仓库更新，建议看source文件夹下的markdown文件\n\n## 一、项目初衷\n\nPyTorch是利用深度学习进行数据科学研究的重要工具，在灵活性、可读性和性能上都具备相当的优势，近年来已成为学术界实现深度学习算法最常用的框架。\n\n考虑到PyTorch的学习兼具理论储备和动手训练，两手都要抓两手都要硬的特点，我们开发了《深入浅出PyTorch》课程，期望以组队学习的形式，帮助大家从入门到熟练掌握PyTorch工具，进而实现自己的深度学习算法。\n\n我们的愿景是：通过组队学习，大家能够掌握由浅入深地PyTorch的基本知识和内容，经过自己的动手实践加深操作的熟练度。同时通过项目实战，充分锻炼编程能力，掌握PyTorch进行深度学习的基本流程，提升解决实际问题的能力。\n\n学习的先修要求是，会使用Python编程，了解包括神经网络在内的机器学习算法，勤于动手实践。\n\n《深入浅出PyTorch》是一个系列，一共有三个部分。已经上线的是本系列的第一、二部分，后续会不断更新《深入浅出PyTorch》（下），给出更贴合实际应用的实战案例。\n\n## 二、内容简介\n- 第零章：前置知识（选学）\n  - 人工智能简史\n  - 相关评价指标\n  - 常用包的学习\n  - Jupyter相关操作\n- 第一章：PyTorch的简介和安装\n  - PyTorch简介\n  - PyTorch的安装\n  - PyTorch相关资源简介\n- 第二章：PyTorch基础知识\n  - 张量及其运算\n  - 自动求导简介\n  - 并行计算、CUDA和cuDNN简介\n- 第三章：PyTorch的主要组成模块\n  - 思考：完成一套深度学习流程需要哪些关键环节\n  - 基本配置\n  - 数据读入\n  - 模型构建\n  - 损失函数\n  - 优化器\n  - 训练和评估\n  - 可视化\n- 第四章：PyTorch基础实战\n  - 基础实战——Fashion-MNIST时装分类\n  - 基础实战——果蔬分类实战（notebook）\n- 第五章：PyTorch模型定义\n  - 模型定义方式\n  - 利用模型块快速搭建复杂网络\n  - 模型修改\n  - 模型保存与读取\n- 第六章：PyTorch进阶训练技巧\n  - 自定义损失函数\n  - 动态调整学习率\n  - 模型微调-torchvision\n  - 模型微调-timm\n  - 半精度训练\n  - 数据扩充\n  - 超参数的修改及保存\n  - PyTorch模型定义与进阶训练技巧\n- 第七章：PyTorch可视化\n  - 可视化网络结构\n  - 可视化CNN卷积层\n  - 使用TensorBoard可视化训练过程\n  - 使用wandb可视化训练过程\n  - 使用SwanLab可视化训练过程\n- 第八章：PyTorch生态简介\n  - 简介\n  - 图像—torchvision\n  - 视频—PyTorchVideo\n  - 文本—torchtext\n  - 音频-torchaudio\n- 第九章：模型部署\n  - 使用ONNX进行部署并推理\n- 第十章：常见网络代码的解读(推进中)\n  - 计算机视觉\n    - 图像分类\n      - ResNet源码解读\n      - Swin Transformer源码解读\n      - Vision Transformer源码解读\n      - RNN源码解读\n      - LSTM源码解读及其实战\n    - 目标检测\n      - YOLO系列解读（与MMYOLO合作）\n    - 图像分割\n  - 自然语言处理\n    - RNN源码解读\n  - 音频处理\n  - 视频处理\n  - 其他\n  - \n\n## 三、人员安排\n| 成员  | 个人简介                                            | 个人主页                                           |\n| --------------- | --------------------------------------------------- | -------------------------------------------------- |\n|   牛志康   | DataWhale成员，西安电子科技大学本科生 | [[知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fobeah-82)][[个人主页](https:\u002F\u002Fnofish-528.github.io\u002F)] |\n|   李嘉骐   | DataWhale成员，清华大学研究生 | [[知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fli-jia-qi-16-9\u002Fposts)] |\n|    刘洋    | Datawhale成员，中国科学院数学与系统科学研究所研究生 | [[知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fming-ren-19-34\u002Fasks)]   |\n|   陈安东   | DataWhale成员，哈尔滨工业大学研究生                   | [[个人主页](https:\u002F\u002Fandongblue.github.io\u002Fchenandong.github.io\u002F)] |\n\n教程贡献情况（已上线课程内容）：\n\n李嘉骐：第三章；第四章；第五章；第六章；第七章；第八章；内容整合\n\n牛志康：第一章；第三章；第六章；第七章；第八章，第九章，第十章；文档部署\n\n刘洋：第二章；第三章\n\n陈安东：第二章；第三章；第七章\n\n## 四、 课程编排与配套视频\n\u003Cdetails>\n\n部分章节直播讲解请观看B站回放（持续更新）：https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1L44y1472Z\n\n- 课程编排：\n  深入浅出PyTorch分为三个阶段：PyTorch深度学习基础知识、PyTorch进阶操作、PyTorch案例分析。\n\n- 使用方法:\n\n  我们的课程内容都以markdown格式或jupyter notebook的形式保存在本仓库内。除了多看加深课程内容的理解外，最重要的还是动手练习、练习、练习\n\n- 组队学习安排:\n\n  第一部分：第一章到第四章，学习周期：10天；\n\n  第二部分：第五章到第八章，学习周期：11天\n\u003C\u002Fdetails>\n\n## 五、关于贡献\n\u003Cdetails> \n\n本项目使用`Forking`工作流，具体参考[atlassian文档](https:\u002F\u002Fwww.atlassian.com\u002Fgit\u002Ftutorials\u002Fcomparing-workflows\u002Fforking-workflow)大致步骤如下：\n\n1. 在GitHub上Fork本仓库\n2. Clone Fork后的个人仓库\n3. 设置`upstream`仓库地址，并禁用`push`\n4. 使用分支开发，课程分支名为`lecture{#NO}`，`#NO`保持两位，如`lecture07`，对应课程目录\n5. PR之前保持与原始仓库的同步，之后发起PR请求\n\n命令示例：\n\n```shell\n# fork\n# clone\ngit clone git@github.com:USERNAME\u002Fthorough-pytorch.git\n# set upstream\ngit remote add upstream git@github.com:datawhalechina\u002Fthorough-pytorch.git\n# disable upstream push\ngit remote set-url --push upstream DISABLE\n# verify\ngit remote -v\n# some sample output:\n# origin\tgit@github.com:NoFish-528\u002Fthorough-pytorch.git (fetch)\n# origin\tgit@github.com:NoFish-528\u002Fthorough-pytorch.git (push)\n# upstream\tgit@github.com:datawhalechina\u002Fthorough-pytorch.git (fetch)\n# upstream\tDISABLE (push)\n# do your work\ngit checkout -b lecture07\n# edit and commit and push your changes\ngit push -u origin lecture07\n# keep your fork up to date\n## fetch upstream main and merge with forked main branch\ngit fetch upstream\ngit checkout main\ngit merge upstream\u002Fmain\n## rebase brach and force push\ngit checkout lecture07\ngit rebase main\ngit push -f\n```\n\n### Commit Message\n\n提交信息使用如下格式：`\u003Ctype>: \u003Cshort summary>`\n\n```\n\u003Ctype>: \u003Cshort summary>\n  │            │\n  │            └─⫸ Summary in present tense. Not capitalized. No period at the end.\n  │\n  └─⫸ Commit Type: [docs #NO]:others\n```\n\n`others`包括非课程相关的改动，如本`README.md`中的变动，`.gitignore`的调整等。\n\u003C\u002Fdetails>\n\n## 六、更新计划\n\u003Cdetails>\n\n| 内容 | 更新时间 |内容|\n| :---- | :---- |:----:|\n|apex|  |apex的简介和使用|\n|模型部署|  |Flask部署PyTorch模型|\n|TorchScript|  |TorchScript|\n|并行训练| |并行训练 |\n|模型预训练 - torchhub| |torchhub的简介和使用方法|\n|目标检测 - SSD|  |SSD的简介和实现|\n|目标检测 - RCNN系列|  |Fast-RCNN & Mask-RCNN|\n|目标检测 - DETR|  |DETR的实现|\n|图像分类 - GoogLeNet|  |GoogLeNet的介绍与实现|\n|图像分类 - MobileNet系列|  |MobileNet系列介绍与实现|\n|图像分类 - GhostNet|  |GhostNet代码讲解|\n|生成式对抗网络 - 生成手写数字实战|  |生成数字并可视化|\n|生成式对抗网络 - DCGAN|  ||\n|风格迁移 - StyleGAN|  ||\n|生成网络 - VAE|  ||\n|图像分割 Deeplab系列|  |Deeplab系列代码讲解|\n|自然语言处理 LSTM|  |LSTM情感分析实战|\n|自然语言处理 Transformer|  ||\n|自然语言处理 BERT|  ||\n|视频| | 待定|\n|音频| | 待定|\n|自定义CUDA扩展和算子|||\n\u003C\u002Fdetails>\n\n## 七、鸣谢与反馈\n- 非常感谢DataWhale成员 叶前坤 @[PureBuckwheat](https:\u002F\u002Fgithub.com\u002FPureBuckwheat) 和 胡锐锋 @[Relph1119](https:\u002F\u002Fgithub.com\u002FRelph1119) 对文档的细致校对！\n- 如果有任何想法可以联系我们DataWhale也欢迎大家多多提出issue。\n- 特别感谢以下为教程做出贡献的同学！并特别感谢MMYOLO的贡献者们！\n\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_thorough-pytorch_readme_322724ec8f18.png\" \u002F>\n\u003C\u002Fa>\n\nMade with [contrib.rocks](https:\u002F\u002Fcontrib.rocks).\n\n\n## 八、关注我们\n\u003Cdiv align=center>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_thorough-pytorch_readme_303cd5dfe9c5.jpeg\" width = \"250\" height = \"270\" alt=\"Datawhale是一个专注AI领域的开源组织，以“for the learner，和学习者一起成长”为愿景，构建对学习者最有价值的开源学习社区。关注我们，一起学习成长。\">\u003C\u002Fdiv>\n\n## LICENSE\n\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">\u003Cimg alt=\"知识共享许可协议\" style=\"border-width:0\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-CC%20BY--NC--SA%204.0-lightgrey\" \u002F>\u003C\u002Fa>\u003Cbr \u002F>本作品采用\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议\u003C\u002Fa>进行许可。\n","# 深入浅出PyTorch\n\n>[!IMPORTANT]\n>[在线阅读地址](https:\u002F\u002Fdatawhalechina.github.io\u002Fthorough-pytorch\u002F) | [配套视频教程](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1L44y1472Z) | [智海（国家级AI科教平台）](https:\u002F\u002Faiplusx.momodel.cn\u002Fclassroom\u002Fclass\u002F664bf5db24cff38ad7d2a20e?activeKey=intro)\n>\n>请注意：在线文档更新落后于主仓库更新，建议看source文件夹下的markdown文件\n\n## 一、项目初衷\n\nPyTorch是利用深度学习（Deep Learning）进行数据科学研究的重要工具，在灵活性、可读性和性能上都具备相当的优势，近年来已成为学术界实现深度学习算法最常用的框架。\n\n考虑到PyTorch的学习兼具理论储备和动手训练，两手都要抓两手都要硬的特点，我们开发了《深入浅出PyTorch》课程，期望以组队学习的形式，帮助大家从入门到熟练掌握PyTorch工具，进而实现自己的深度学习算法。\n\n我们的愿景是：通过组队学习，大家能够掌握由浅入深地PyTorch的基本知识和内容，经过自己的动手实践加深操作的熟练度。同时通过项目实战，充分锻炼编程能力，掌握PyTorch进行深度学习的基本流程，提升解决实际问题的能力。\n\n学习的先修要求是，会使用Python编程，了解包括神经网络（Neural Network）在内的机器学习（Machine Learning）算法，勤于动手实践。\n\n《深入浅出PyTorch》是一个系列，一共有三个部分。已经上线的是本系列的第一、二部分，后续会不断更新《深入浅出PyTorch》（下），给出更贴合实际应用的实战案例。\n\n## 二、内容简介\n- 第零章：前置知识（选学）\n  - 人工智能简史\n  - 相关评价指标\n  - 常用包的学习\n  - Jupyter相关操作\n- 第一章：PyTorch的简介和安装\n  - PyTorch简介\n  - PyTorch的安装\n  - PyTorch相关资源简介\n- 第二章：PyTorch基础知识\n  - 张量（Tensor）及其运算\n  - 自动求导（Autograd）简介\n  - 并行计算、CUDA和cuDNN简介\n- 第三章：PyTorch的主要组成模块\n  - 思考：完成一套深度学习流程需要哪些关键环节\n  - 基本配置\n  - 数据读入\n  - 模型构建\n  - 损失函数（Loss Function）\n  - 优化器（Optimizer）\n  - 训练和评估\n  - 可视化\n- 第四章：PyTorch基础实战\n  - 基础实战——Fashion-MNIST时装分类\n  - 基础实战——果蔬分类实战（notebook）\n- 第五章：PyTorch模型定义\n  - 模型定义方式\n  - 利用模型块快速搭建复杂网络\n  - 模型修改\n  - 模型保存与读取\n- 第六章：PyTorch进阶训练技巧\n  - 自定义损失函数\n  - 动态调整学习率（Learning Rate）\n  - 模型微调（Fine-tuning）-torchvision\n  - 模型微调-timm\n  - 半精度训练（Half-precision Training）\n  - 数据扩充（Data Augmentation）\n  - 超参数的修改及保存\n  - PyTorch模型定义与进阶训练技巧\n- 第七章：PyTorch可视化\n  - 可视化网络结构\n  - 可视化CNN卷积层\n  - 使用TensorBoard可视化训练过程\n  - 使用wandb可视化训练过程\n  - 使用SwanLab可视化训练过程\n- 第八章：PyTorch生态简介\n  - 简介\n  - 图像—torchvision\n  - 视频—PyTorchVideo\n  - 文本—torchtext\n  - 音频-torchaudio\n- 第九章：模型部署\n  - 使用ONNX进行部署并推理\n- 第十章：常见网络代码的解读(推进中)\n  - 计算机视觉（Computer Vision）\n    - 图像分类（Image Classification）\n      - ResNet源码解读\n      - Swin Transformer源码解读\n      - Vision Transformer源码解读\n      - RNN源码解读\n      - LSTM源码解读及其实战\n    - 目标检测（Object Detection）\n      - YOLO系列解读（与MMYOLO合作）\n    - 图像分割（Image Segmentation）\n  - 自然语言处理（Natural Language Processing, NLP）\n    - RNN源码解读\n  - 音频处理\n  - 视频处理\n  - 其他\n  - \n\n## 三、人员安排\n| 成员  | 个人简介                                            | 个人主页                                           |\n| --------------- | --------------------------------------------------- | -------------------------------------------------- |\n|   牛志康   | DataWhale成员，西安电子科技大学本科生 | [[知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fobeah-82)][[个人主页](https:\u002F\u002Fnofish-528.github.io\u002F)] |\n|   李嘉骐   | DataWhale成员，清华大学研究生 | [[知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fli-jia-qi-16-9\u002Fposts)] |\n|    刘洋    | Datawhale成员，中国科学院数学与系统科学研究所研究生 | [[知乎](https:\u002F\u002Fwww.zhihu.com\u002Fpeople\u002Fming-ren-19-34\u002Fasks)]   |\n|   陈安东   | DataWhale成员，哈尔滨工业大学研究生                   | [[个人主页](https:\u002F\u002Fandongblue.github.io\u002Fchenandong.github.io\u002F)] |\n\n教程贡献情况（已上线课程内容）：\n\n李嘉骐：第三章；第四章；第五章；第六章；第七章；第八章；内容整合\n\n牛志康：第一章；第三章；第六章；第七章；第八章，第九章，第十章；文档部署\n\n刘洋：第二章；第三章\n\n陈安东：第二章；第三章；第七章\n\n## 四、 课程编排与配套视频\n\u003Cdetails>\n\n部分章节直播讲解请观看B站回放（持续更新）：https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1L44y1472Z\n\n- 课程编排：\n  深入浅出PyTorch分为三个阶段：PyTorch深度学习基础知识、PyTorch进阶操作、PyTorch案例分析。\n\n- 使用方法:\n\n  我们的课程内容都以markdown格式或jupyter notebook的形式保存在本仓库内。除了多看加深课程内容的理解外，最重要的还是动手练习、练习、练习\n\n- 组队学习安排:\n\n  第一部分：第一章到第四章，学习周期：10天；\n\n  第二部分：第五章到第八章，学习周期：11天\n\u003C\u002Fdetails>\n\n## 五、关于贡献\n\u003Cdetails> \n\n本项目使用`Forking`工作流，具体参考[atlassian文档](https:\u002F\u002Fwww.atlassian.com\u002Fgit\u002Ftutorials\u002Fcomparing-workflows\u002Fforking-workflow)大致步骤如下：\n\n1. 在GitHub上Fork本仓库\n2. Clone Fork后的个人仓库\n3. 设置`upstream`仓库地址，并禁用`push`\n4. 使用分支开发，课程分支名为`lecture{#NO}`，`#NO`保持两位，如`lecture07`，对应课程目录\n5. PR之前保持与原始仓库的同步，之后发起PR请求\n\n命令示例：\n\n```shell\n# fork\n# clone\ngit clone git@github.com:USERNAME\u002Fthorough-pytorch.git\n# set upstream\ngit remote add upstream git@github.com:datawhalechina\u002Fthorough-pytorch.git\n# disable upstream push\ngit remote set-url --push upstream DISABLE\n# verify\ngit remote -v\n# some sample output:\n# origin\tgit@github.com:NoFish-528\u002Fthorough-pytorch.git (fetch)\n# origin\tgit@github.com:NoFish-528\u002Fthorough-pytorch.git (push)\n# upstream\tgit@github.com:datawhalechina\u002Fthorough-pytorch.git (fetch)\n# upstream\tDISABLE (push)\n# do your work\ngit checkout -b lecture07\n# edit and commit and push your changes\ngit push -u origin lecture07\n# keep your fork up to date\n## fetch upstream main and merge with forked main branch\ngit fetch upstream\ngit checkout main\ngit merge upstream\u002Fmain\n## rebase brach and force push\ngit checkout lecture07\ngit rebase main\ngit push -f\n```\n\n### Commit Message\n\n提交信息使用如下格式：`\u003Ctype>: \u003Cshort summary>`\n\n```\n\u003Ctype>: \u003Cshort summary>\n  │            │\n  │            └─⫸ Summary in present tense. Not capitalized. No period at the end.\n  │\n  └─⫸ Commit Type: [docs #NO]:others\n```\n\n`others`包括非课程相关的改动，如本`README.md`中的变动，`.gitignore`的调整等。\n\u003C\u002Fdetails>\n\n## 六、更新计划\n\u003Cdetails>\n\n| 内容 | 更新时间 |内容|\n| :---- | :---- |:----:|\n|apex|  |apex的简介和使用|\n|模型部署|  |Flask部署PyTorch模型|\n|TorchScript|  |TorchScript|\n|并行训练| |并行训练 |\n|模型预训练 - torchhub| |torchhub的简介和使用方法|\n|目标检测 - SSD|  |SSD的简介和实现|\n|目标检测 - RCNN系列|  |Fast-RCNN & Mask-RCNN|\n|目标检测 - DETR|  |DETR的实现|\n|图像分类 - GoogLeNet|  |GoogLeNet的介绍与实现|\n|图像分类 - MobileNet系列|  |MobileNet系列介绍与实现|\n|图像分类 - GhostNet|  |GhostNet代码讲解|\n|生成式对抗网络 - 生成手写数字实战|  |生成数字并可视化|\n|生成式对抗网络 - DCGAN|  ||\n|风格迁移 - StyleGAN|  ||\n|生成网络 - VAE|  ||\n|图像分割 Deeplab系列|  |Deeplab系列代码讲解|\n|自然语言处理 LSTM|  |LSTM情感分析实战|\n|自然语言处理 Transformer|  ||\n|自然语言处理 BERT|  ||\n|视频| | 待定|\n|音频| | 待定|\n|自定义CUDA扩展和算子|||\n\u003C\u002Fdetails>\n\n## 七、鸣谢与反馈\n- 非常感谢DataWhale成员 叶前坤 @[PureBuckwheat](https:\u002F\u002Fgithub.com\u002FPureBuckwheat) 和 胡锐锋 @[Relph1119](https:\u002F\u002Fgithub.com\u002FRelph1119) 对文档的细致校对！\n- 如果有任何想法可以联系我们DataWhale也欢迎大家多多提出issue。\n- 特别感谢以下为教程做出贡献的同学！并特别感谢MMYOLO的贡献者们！\n\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_thorough-pytorch_readme_322724ec8f18.png\" \u002F>\n\u003C\u002Fa>\n\nMade with [contrib.rocks](https:\u002F\u002Fcontrib.rocks).\n\n\n## 八、关注我们\n\u003Cdiv align=center>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_thorough-pytorch_readme_303cd5dfe9c5.jpeg\" width = \"250\" height = \"270\" alt=\"Datawhale是一个专注AI领域的开源组织，以“for the learner，和学习者一起成长”为愿景，构建对学习者最有价值的开源学习社区。关注我们，一起学习成长。\">\u003C\u002Fdiv>\n\n## LICENSE\n\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">\u003Cimg alt=\"知识共享许可协议\" style=\"border-width:0\" src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-CC%20BY--NC--SA%204.0-lightgrey\" \u002F>\u003C\u002Fa>\u003Cbr \u002F>本作品采用\u003Ca rel=\"license\" href=\"http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby-nc-sa\u002F4.0\u002F\">知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议\u003C\u002Fa>进行许可。","# 深入浅出PyTorch 快速上手指南\n\n## 一、环境准备\n\n### 系统要求\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python**：3.7 及以上版本\n- **CUDA**（可选）：如需 GPU 加速，需 NVIDIA 显卡及对应 CUDA 版本\n\n### 前置依赖\n- 掌握 Python 基础编程\n- 了解神经网络等机器学习基础概念\n\n---\n\n## 二、安装步骤\n\n### 1. 安装 PyTorch\n\n**推荐：使用国内镜像源加速**\n\n```bash\n# 使用清华镜像源（推荐国内用户）\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 或官方命令（根据 CUDA 版本选择）\n# CPU 版本\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n\n# CUDA 11.8 版本\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n\n# CUDA 12.1 版本\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu121\n```\n\n> 验证安装：`python -c \"import torch; print(torch.__version__)\"`\n\n### 2. 获取教程资源\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch.git\n\n# 进入目录\ncd thorough-pytorch\n\n# 安装其他依赖（如需要）\npip install -r requirements.txt\n```\n\n---\n\n## 三、基本使用\n\n### 1. 张量操作基础\n\n```python\nimport torch\n\n# 创建张量\nx = torch.tensor([[1, 2, 3], [4, 5, 6]])\nprint(x.shape)  # torch.Size([2, 3])\n\n# GPU 加速（如可用）\ndevice = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\nx = x.to(device)\n```\n\n### 2. 自动求导示例\n\n```python\nimport torch\n\n# 创建需要梯度的张量\nx = torch.tensor(2.0, requires_grad=True)\ny = x ** 3 + 2 * x\n\n# 反向传播\ny.backward()\nprint(x.grad)  # 输出: 14.0 (即 3*x^2 + 2 = 14)\n```\n\n### 3. 完整训练流程模板\n\n```python\nimport torch\nimport torch.nn as nn\nimport torch.optim as optim\nfrom torch.utils.data import DataLoader, TensorDataset\n\n# 1. 定义模型\nclass SimpleNet(nn.Module):\n    def __init__(self):\n        super().__init__()\n        self.fc = nn.Linear(784, 10)\n    \n    def forward(self, x):\n        return self.fc(x.view(x.size(0), -1))\n\n# 2. 准备数据\nmodel = SimpleNet().to(device)\ncriterion = nn.CrossEntropyLoss()\noptimizer = optim.SGD(model.parameters(), lr=0.01)\n\n# 3. 训练循环（示例）\nfor epoch in range(5):\n    # 假设 data_loader 已定义\n    for inputs, labels in data_loader:\n        inputs, labels = inputs.to(device), labels.to(device)\n        \n        optimizer.zero_grad()\n        outputs = model(inputs)\n        loss = criterion(outputs, labels)\n        loss.backward()\n        optimizer.step()\n    \n    print(f\"Epoch {epoch+1}, Loss: {loss.item():.4f}\")\n```\n\n---\n\n## 四、学习路径建议\n\n| 阶段 | 章节 | 周期 |\n|:---|:---|:---|\n| 基础篇 | 第1-4章（安装→基础→模块→实战） | 10天 |\n| 进阶篇 | 第5-8章（模型定义→训练技巧→可视化→生态） | 11天 |\n| 实战篇 | 第9-10章（部署→源码解读） | 持续更新 |\n\n**配套资源**：\n- 📖 [在线文档](https:\u002F\u002Fdatawhalechina.github.io\u002Fthorough-pytorch\u002F)（建议优先查看 `source` 文件夹源码）\n- 🎬 [B站视频教程](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1L44y1472Z)\n- 🏫 [智海AI科教平台](https:\u002F\u002Faiplusx.momodel.cn\u002Fclassroom\u002Fclass\u002F664bf5db24cff38ad7d2a20e?activeKey=intro)","某高校计算机专业研一学生李明，需要在两周内完成导师布置的\"基于ResNet的医学影像分类\"课程项目，但他此前只有Python基础，从未接触过PyTorch深度学习框架。\n\n### 没有 thorough-pytorch 时\n\n- 面对PyTorch官方文档的碎片化API说明，不知从何入手搭建完整训练流程，三天过去仍停留在环境配置阶段\n- 在CSDN和GitHub间反复搜索\"PyTorch入门教程\"，发现各博客代码风格不一、版本混乱，复制粘贴后报错频发却无人解答\n- 试图直接跑通GitHub上的开源项目，却因缺乏对数据加载、模型定义、训练循环等模块的系统理解，调试时陷入\"改一处崩一处\"的困境\n- 导师要求可视化训练过程并导出ONNX模型部署，但网上找到的TensorBoard和部署教程与当前项目代码结构不匹配，被迫推倒重来\n\n### 使用 thorough-pytorch 后\n\n- 按照\"第一章安装→第二章张量基础→第三章核心模块\"的递进路径，5天内即掌握从数据读入到模型训练的完整闭环，每个环节都有可运行的代码示例\n- 直接参考第四章的\"果蔬分类实战\"notebook，将医学影像数据集替换进去即可跑通baseline，再对照第五章的模型定义方式逐步优化ResNet结构\n- 第六章的动态学习率调整、半精度训练等进阶技巧让模型准确率提升8%，且每个技巧都配有原理讲解和一行代码即可复现的实现方式\n- 第七章的TensorBoard可视化教程与项目代码完全兼容，第九章的ONNX部署指南更是直接提供了从PyTorch模型到推理引擎的完整转换脚本，两天完成全部交付\n\n**核心价值**：thorough-pytorch 以\"理论+代码+实战\"三位一体的结构化学习路径，将PyTorch的入门周期从数周压缩至10天，让深度学习新手能够独立走完从环境搭建到模型部署的全流程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatawhalechina_thorough-pytorch_55d135c3.png","datawhalechina","Datawhale","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdatawhalechina_f57a6118.png","for the learner，和学习者一起成长",null,"https:\u002F\u002Fdatawhale.cn","https:\u002F\u002Fgithub.com\u002Fdatawhalechina",[83,87,91,95],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",99.7,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0.2,{"name":92,"color":93,"percentage":94},"Batchfile","#C1F12E",0,{"name":96,"color":97,"percentage":94},"Makefile","#427819",3588,536,"2026-04-05T08:58:11","NOASSERTION",1,"未说明","未明确说明，但涉及CUDA和cuDNN、并行计算、半精度训练等内容，建议配备NVIDIA GPU",{"notes":106,"python":103,"dependencies":107},"本教程为PyTorch学习课程，非可直接运行的工具或框架；内容涵盖PyTorch基础到进阶，包括模型部署、可视化等；建议使用Jupyter Notebook运行配套代码；在线文档更新滞后于仓库，建议直接查看source文件夹下的markdown文件",[108,109,110,111,112,113,114,115,116,117],"torch","torchvision","torchtext","torchaudio","PyTorchVideo","timm","wandb","tensorboard","SwanLab","onnx",[13],[120,121,122,123],"deep-learning","machine-learning","python","pytorch","2026-03-27T02:49:30.150509","2026-04-06T07:13:23.633523",[127,132,137,142,147,152,157],{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},4107,"文档中的图片无法显示，如何解决？","问题原因：docs中的章节缺少所对应的figures文件夹。\n\n解决方案：将source文件夹下各章节的figures复制到docs里所对应的章节目录下，网页版就能正常显示图片。\n\n对于GitHub Pages部署（选定docs文件夹部署），还需要修改docs文件夹下该章节html图片的相对路径，例如将`src=\"..\u002F..\u002Fsource\u002F第二章\u002Ffigures\u002FTPU.jpg\"`改为`src=\"figures\u002FTPU.jpg\"`。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fissues\u002F70",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},4108,"PyTorch离线安装后无法import torch，如何解决？","离线安装步骤：\n1. 在PyTorch版本网址（http:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Ftorch_stable.html）找到需要的文件并下载存放至指定文件夹\n   - 注意：要根据电脑类型和CUDA版本来选择，例如cu121代表GPU版PyTorch且CUDA版本为12.1（CUDA版本可在终端利用`nvidia-smi`查看）\n2. 在终端切换至文件存放位置，执行`pip install xxxxxxx`（文件名）即可安装\n3. 完成后可在终端输入`pip list`查看当前环境下安装的库，检查是否安装成功\n\n可能导致安装失败无法调用的原因：\n1. 使用时并未切换至相应的虚拟环境，需使用`conda activate`指令切换\n2. 环境内有其他库与PyTorch冲突，需升级或降级相应库的版本\n3. 安装了适配其他系统的PyTorch，需重新下载对应版本","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fissues\u002F73",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},4109,"混淆矩阵中TP、FP、TN、FN的定义是什么？","T\u002FF对应的是预测结果与实际结果是否相同，N\u002FP对应是负样本还是正样本。\n\n具体定义：\n- TP（True Positive）：真实值是positive，模型认为是positive的数量\n- FN（False Negative）：真实值是positive，模型认为是negative的数量（统计学上的第一类错误，Type I Error）\n- FP（False Positive）：真实值是negative，模型认为是positive的数量（统计学上的第二类错误，Type II Error）\n- TN（True Negative）：真实值是negative，模型认为是negative的数量\n\n注意：文档中曾有笔误将TN写成TP，建议查看原始markdown文档。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fissues\u002F62",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},4110,"是否提供Jupyter Notebook文件以便直接运行代码？","目前主要提供的是markdown文件，出于让学员手动敲命令加强学习效果的意图。\n\n获取notebook的方案：\n1. 每章内容基本都会有对应的直播讲解，直播后notebook会放到GitHub上\n2. 可以自己使用notedown将markdown文件转为notebook文件来运行\n3. 参考社区方案：自己使用notebook写笔记，可参考 https:\u002F\u002Fgithub.com\u002FRelph1119\u002Fmy-team-learning\u002Ftree\u002Fmaster\u002Fnotebook\u002Fpytorch_learning35\u002Fmy_homework","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fissues\u002F9",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},4111,"如何使用交叉验证（K-Fold）进行模型训练？","可以参考以下代码实现中的K-Fold交叉验证方法：\n\n代码示例：https:\u002F\u002Fgithub.com\u002FNoFish-528\u002FSeg\u002Fblob\u002F872f7a25138bc04e34d6edf366ec7e3206d82bfb\u002Fours\u002Ftrain.py#L154\n\n如果您已经实现了回归或分类的交叉验证示例，欢迎进行PR贡献。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fissues\u002F14",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},4112,"多GPU环境下如何正确保存和加载模型权重？","使用`nn.DataParallel`时的正确做法：\n\n保存模型：\n```python\nimport os\nos.environ['CUDA_VISIBLE_DEVICES'] = '0,1,2'  # 替换成希望使用的GPU编号\nimport torch\nfrom torchvision import models\nimport torch.nn as nn\n\nmodel = models.resnet152(pretrained=True)\nmodel = nn.DataParallel(model).cuda()\n\n# 保存模型权重（强烈建议保存model.module.state_dict）\ntorch.save(model.module.state_dict(), save_dir)\n```\n\n加载模型：\n```python\nos.environ['CUDA_VISIBLE_DEVICES'] = '0'  # 替换成希望使用的GPU编号\nloaded_model = models.resnet152()  # 注意这里需要对模型结构有定义\nloaded_model.load_state_dict(torch.load(save_dir))\nloaded_model = nn.DataParallel(loaded_model).cuda()\n```\n\n关键要点：保存时使用`model.module.state_dict()`而不是`model.state_dict()`，这样可以避免单GPU加载时出现键名不匹配的问题。","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fissues\u002F67",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},4113,"如何获取ResNet50中avgpool层的中间输出结果？","要获取avgpool后的输出，需要使用hook机制或者修改原始ResNet50的forward函数。\n\n注意：修改后的forward函数会有两个返回值，一个是ResNet50的最终结果，另一个是中间层输出。\n\n具体实现方式：\n1. 使用register_forward_hook注册钩子函数捕获中间层输出\n2. 或者直接继承ResNet类并重写forward函数，使其返回多个值","https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002Fthorough-pytorch\u002Fissues\u002F76",[]]