[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-deep-learning-with-pytorch--dlwpt-code":3,"tool-deep-learning-with-pytorch--dlwpt-code":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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},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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":98,"forks":99,"last_commit_at":100,"license":76,"difficulty_score":32,"env_os":101,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":144},6069,"deep-learning-with-pytorch\u002Fdlwpt-code","dlwpt-code","Code for the book Deep Learning with PyTorch by Eli Stevens, Luca Antiga, and Thomas Viehmann.","dlwpt-code 是 Manning 出版社出版的《Deep Learning with PyTorch》一书的官方配套代码库，由 Eli Stevens、Luca Antiga 和 Thomas Viehmann 三位资深专家共同维护。该项目旨在通过真实的端到端项目案例，将深度学习的基础理论与 PyTorch 框架的实际应用紧密结合，帮助读者透过代码表象理解背后的核心机制。\n\n针对初学者在掌握深度学习概念与框架操作之间存在的鸿沟，dlwpt-code 提供了结构清晰、可运行的示例代码，不仅展示了关键算法的实现细节，还刻意聚焦于核心子集以培养读者的直觉，使其具备独立探索更高级内容的能力。虽然未涵盖循环神经网络等部分进阶特性，但其对基础概念的深入剖析极具价值。\n\n这套资源特别适合希望转型或入门深度学习的开发者、数据科学家、软件工程师以及相关专业的学生。使用前需具备基础的 Python 编程能力、面向对象思维以及线性代数常识。作为由 PyTorch 核心贡献者参与编写的实战指南，dlwpt-code 不仅是书本知识的延伸，更是连接理论与实践的桥梁，助你在人工智能领域稳步前行。","# Deep Learning with PyTorch\n\nThis repository contains code for the book Deep Learning with PyTorch by Eli Stevens, Luca Antiga, and Thomas Viehmann, published by Manning Publications.\n\n![Image of the cover for Deep Learning with PyTorch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeep-learning-with-pytorch_dlwpt-code_readme_8e74f09d26bc.png)\n\nThe Manning site for the book is: https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fdeep-learning-with-pytorch\n\nThe book can also be purchased on Amazon: https:\u002F\u002Famzn.to\u002F38Iwrff (affiliate link; as per the rules: \"As an Amazon Associate I earn from qualifying purchases.\")\n\nThe errata for the book can be found on the manning website, or at https:\u002F\u002Fdeep-learning-with-pytorch.github.io\u002Fdlwpt-code\u002Ferrata.html\n\n## About Deep Learning with PyTorch\n\nThis book has the aim of providing the foundations of deep learning with PyTorch and\nshowing them in action in a real-life project. We strive to provide the key concepts underlying deep learning and show how PyTorch puts them in the hands of practitioners. In\nthe book, we try to provide intuition that will support further exploration, and in doing\nso we selectively delve into details to show what is going on behind the curtain.\nDeep Learning with PyTorch doesn’t try to be a reference book; rather, it’s a conceptual companion that will allow you to independently explore more advanced material\nonline. As such, we focus on a subset of the features offered by PyTorch. The most\nnotable absence is recurrent neural networks, but the same is true for other parts of\nthe PyTorch API.\n\n## Who should read this book\n\nThis book is meant for developers who are or aim to become deep learning practitioners and who want to get acquainted with PyTorch. We imagine our typical reader\nto be a computer scientist, data scientist, or software engineer, or an undergraduateor-later student in a related program. Since we don’t assume prior knowledge of deep\nlearning, some parts in the first half of the book may be a repetition of concepts that\nare already known to experienced practitioners. For those readers, we hope the exposition will provide a slightly different angle to known topics.\n We expect readers to have basic knowledge of imperative and object-oriented programming. Since the book uses Python, you should be familiar with the syntax and\noperating environment. Knowing how to install Python packages and run scripts on\nyour platform of choice is a prerequisite. Readers coming from C++, Java, JavaScript,\nRuby, or other such languages should have an easy time picking it up but will need to\ndo some catch-up outside this book. Similarly, being familiar with NumPy will be useful, if not strictly required. We also expect familiarity with some basic linear algebra,\nsuch as knowing what matrices and vectors are and what a dot product is.\n\n## About the authors\n\nEli Stevens has spent the majority of his career working at startups in Silicon Valley,\nwith roles ranging from software engineer (making enterprise networking appliances)\nto CTO (developing software for radiation oncology). At publication, he is working\non machine learning in the self-driving-car industry.\n\nLuca Antiga worked as a researcher in biomedical engineering in the 2000s, and\nspent the last decade as a cofounder and CTO of an AI engineering company. He has\ncontributed to several open source projects, including the PyTorch core. He recently\ncofounded a US-based startup focused on infrastructure for data-defined software.\n\nThomas Viehmann is a machine learning and PyTorch specialty trainer and consultant based in Munich, Germany, and a PyTorch core developer. With a PhD in\nmathematics, he is not scared by theory, but he is thoroughly practical when applying\nit to computing challenges.\n","# 使用 PyTorch 进行深度学习\n\n本仓库包含由 Eli Stevens、Luca Antiga 和 Thomas Viehmann 撰写的《使用 PyTorch 进行深度学习》一书的代码，该书由 Manning 出版社出版。\n\n![《使用 PyTorch 进行深度学习》封面图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeep-learning-with-pytorch_dlwpt-code_readme_8e74f09d26bc.png)\n\n本书的 Manning 官网地址为：https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fdeep-learning-with-pytorch\n\n您也可以在亚马逊上购买此书：https:\u002F\u002Famzn.to\u002F38Iwrff（联盟链接；根据规定：“作为亚马逊联盟会员，我将从符合条件的购买中获得收入。”）\n\n本书的勘误表可在 Manning 官网或以下网址找到：https:\u002F\u002Fdeep-learning-with-pytorch.github.io\u002Fdlwpt-code\u002Ferrata.html\n\n## 关于《使用 PyTorch 进行深度学习》\n\n本书旨在提供使用 PyTorch 进行深度学习的基础知识，并通过一个实际项目展示这些知识的应用。我们力求阐明深度学习的核心概念，并说明 PyTorch 如何使这些概念易于实践者掌握。在书中，我们努力培养读者对深度学习的直觉理解，以支持进一步的探索；同时，我们会适度深入细节，揭示底层的工作原理。\n\n《使用 PyTorch 进行深度学习》并非一本参考手册，而是一本概念性的辅助读物，帮助读者独立地在网上探索更高级的内容。因此，我们只聚焦于 PyTorch 提供的部分功能。其中最显著的缺失是循环神经网络，但其他部分的 PyTorch API 也同样未涵盖。\n\n## 哪些人适合阅读本书\n\n本书面向希望成为或已经从事深度学习工作的开发者，以及想要熟悉 PyTorch 的人士。我们的典型读者可能是计算机科学家、数据科学家、软件工程师，或是相关专业的本科生及以上学生。由于我们不假设读者具备深度学习的先验知识，因此书中前半部分的一些内容可能会重复经验丰富的从业者已知的概念。对于这类读者，我们希望本书能以不同的视角重新阐述这些主题。\n\n我们期望读者具备命令式编程和面向对象编程的基础知识。由于本书使用 Python，您需要熟悉其语法和运行环境。能够安装 Python 包并在您选择的平台上运行脚本是必要的前提条件。来自 C++、Java、JavaScript、Ruby 等语言背景的读者应该能够较快上手，但仍需在本书之外补充一些知识。同样地，熟悉 NumPy 将会很有帮助，尽管并非严格要求。此外，我们也希望读者了解一些基础的线性代数知识，例如矩阵和向量的概念，以及点积的含义。\n\n## 关于作者\n\nEli Stevens 大部分职业生涯都在硅谷的初创公司工作，担任过软件工程师（开发企业级网络设备）和首席技术官（开发放射肿瘤学软件）等职务。截至出版时，他正致力于自动驾驶领域的机器学习研究。\n\nLuca Antiga 在 2000 年代曾从事生物医学工程研究，过去十年则担任一家人工智能工程公司的联合创始人兼首席技术官。他曾参与多个开源项目，包括 PyTorch 核心开发。最近，他共同创立了一家位于美国的初创公司，专注于数据驱动型软件的基础设施建设。\n\nThomas Viehmann 是一位总部位于德国慕尼黑的机器学习和 PyTorch 专业培训师及顾问，同时也是 PyTorch 核心开发者。他拥有数学博士学位，既不惧怕理论，又善于将其应用于实际的计算挑战中。","# dlwpt-code 快速上手指南\n\n`dlwpt-code` 是 Manning 出版社出版的《Deep Learning with PyTorch》一书的官方配套代码库。本书旨在通过实战项目帮助开发者掌握 PyTorch 深度学习基础。\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、macOS 或 Windows。\n*   **编程语言**：Python 3.6 或更高版本。\n*   **前置知识**：\n    *   熟悉 Python 语法及面向对象编程。\n    *   了解基础的线性代数概念（矩阵、向量、点积）。\n    *   熟悉 `NumPy` 库（推荐，非强制）。\n*   **依赖管理**：建议创建独立的虚拟环境（如使用 `venv` 或 `conda`）以避免依赖冲突。\n\n## 安装步骤\n\n### 1. 克隆代码仓库\n首先，将项目代码克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdeep-learning-with-pytorch\u002Fdlwpt-code.git\ncd dlwpt-code\n```\n\n### 2. 安装依赖包\n进入项目目录后，安装所需的 Python 依赖。为了获得更快的下载速度，推荐使用国内镜像源（如清华源或阿里源）。\n\n**使用 pip 安装（推荐清华源）：**\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**注意**：如果项目中未包含 `requirements.txt` 文件，通常需要手动安装核心依赖：\n\n```bash\npip install torch torchvision numpy matplotlib jupyter -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **提示**：如需使用 GPU 加速，请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取对应 CUDA 版本的安装命令。\n\n## 基本使用\n\n本仓库主要包含书中各章节的 Jupyter Notebook (`.ipynb`) 和 Python 脚本 (`.py`)。\n\n### 启动 Jupyter Notebook\n这是最推荐的浏览方式，可以交互式地运行代码并查看可视化结果：\n\n```bash\njupyter notebook\n```\n\n浏览器会自动打开，导航至对应的章节文件夹（例如 `part1` 或 `part2`），点击 `.ipynb` 文件即可开始学习。\n\n### 运行单个脚本\n如果您希望直接在命令行运行某个具体的示例脚本：\n\n```bash\npython chapter_name\u002Fscript_name.py\n```\n\n例如，运行一个简单的张量操作示例（具体文件名请参考仓库内的实际结构）：\n\n```bash\npython part1\u002Fchapter_02\u002Fexample_tensor.py\n```\n\n现在您可以结合书籍内容，深入探索 PyTorch 的核心概念与实战应用了。","一位刚入门深度学习的软件工程师，试图复现书中基于 PyTorch 的肺部 CT 扫描肿瘤检测项目，以掌握从数据加载到模型部署的全流程。\n\n### 没有 dlwpt-code 时\n- **环境配置困难**：面对书中描述的依赖库版本，手动排查兼容性问题耗时数天，常因版本冲突导致代码无法运行。\n- **数据预处理黑盒**：缺乏标准的医疗影像数据处理脚本，需自行摸索如何将原始的 DICOM 文件转换为模型可输入的张量格式。\n- **调试无从下手**：在构建自定义损失函数或训练循环时出现维度错误，由于缺少参考实现，难以定位是数学逻辑错误还是 API 使用不当。\n- **理论落地脱节**：虽然理解了反向传播的数学原理，但不知道如何将其高效地映射为具体的 PyTorch 代码结构。\n\n### 使用 dlwpt-code 后\n- **一键复现环境**：直接利用仓库中经过验证的 `requirements.txt` 和配套脚本，几分钟内即可搭建好与书本章节完全一致的开发环境。\n- **标准化数据流水线**：直接调用书中提供的 `ct_scan` 数据处理模块，快速完成从原始影像读取、归一化到增强处理的完整流程。\n- **对照调试高效**：遇到报错时，可逐行对比官方实现代码，迅速发现自己在张量形状变换或梯度清零环节的疏漏，大幅缩短排错时间。\n- **直观理解架构**：通过阅读书中项目完整的类封装和训练循环代码，清晰看到抽象的神经网络概念是如何被组织成可维护的工程代码的。\n\ndlwpt-code 将深奥的理论公式转化为可执行、可调试的工程实践，极大地降低了开发者从“读懂算法”到“写出代码”的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeep-learning-with-pytorch_dlwpt-code_21180069.png","deep-learning-with-pytorch","Deep Learning with PyTorch","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdeep-learning-with-pytorch_c2763123.png","Code to accompany the DLwPT book.",null,"https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fdeep-learning-with-pytorch","https:\u002F\u002Fgithub.com\u002Fdeep-learning-with-pytorch",[80,84,88,92,95],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",98.9,{"name":85,"color":86,"percentage":87},"Python","#3572A5",1.1,{"name":89,"color":90,"percentage":91},"C++","#f34b7d",0,{"name":93,"color":94,"percentage":91},"Java","#b07219",{"name":96,"color":97,"percentage":91},"CMake","#DA3434",5206,2152,"2026-04-09T14:11:28","","未说明",{"notes":104,"python":105,"dependencies":106},"本项目是《Deep Learning with PyTorch》一书的配套代码。读者需具备命令式和面向对象编程基础，熟悉 Python 包安装及脚本运行。虽不强制要求深度学习背景，但建议具备基础线性代数知识（如矩阵、向量、点积）。书中未涵盖循环神经网络（RNN）等部分 PyTorch 功能。","需熟悉 Python 语法及运行环境（具体版本未说明）",[107,108],"PyTorch","NumPy (推荐)",[14],[111,112,113,114,115],"pytorch","deep-learning","deep-neural-networks","python","python3","2026-03-27T02:49:30.150509","2026-04-10T10:32:09.500422",[119,124,129,134,139],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},27492,"在准备缓存（prepcache）过程中遇到内存错误怎么办？","这通常是由于并发工作进程过多或特定数据集导致的。建议尝试以下解决方案：\n1. 减少工作进程数量（workers），甚至设置为 0 以在主进程中运行所有任务。\n2. 在代码中添加打印语句，定位导致问题的具体数据样本（可能是异常大的 CT 扫描）。\n3. 对于 Windows 用户，可以尝试多次运行脚本。因为部分计算结果会被缓存，重复运行后累积的缓存可能帮助克服内存瓶颈。\n4. 确保系统有足够的 RAM（例如 32GB 可能比 16GB 更稳定）。","https:\u002F\u002Fgithub.com\u002Fdeep-learning-with-pytorch\u002Fdlwpt-code\u002Fissues\u002F3",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},27493,"为什么在 Colab 中检查张量转置后的存储 ID (id(storage())) 返回 False，即使它们应该共享内存？","这是一个常见的误解。虽然 `points` 和 `points_t`（转置后）在 C++ 层面共享同一个存储对象，但每次调用 `.storage()` 时，PyTorch 都会创建一个新的 Python 包装对象，因此它们的 Python `id()` 不同。\n要验证它们是否共享底层内存，请使用以下方法（返回 True）：\n1. 比较数据指针：`points.data_ptr() == points_t.data_ptr()`\n2. 比较 C++ 对象地址：`points.storage()._cdata == points_t.storage()._cdata`\n不要依赖 `id(points.storage())` 来判断内存共享。","https:\u002F\u002Fgithub.com\u002Fdeep-learning-with-pytorch\u002Fdlwpt-code\u002Fissues\u002F109",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},27494,"笔记本中引用的预训练模型文件（.state）在仓库中找不到，该如何解决？","这些特定的模型文件并未包含在仓库中，因为它们需要用户在本地或云实例上自行训练生成。\n请按照以下步骤操作：\n1. 运行预处理脚本：`run('p2ch14.prepcache.LunaPrepCacheApp')`\n2. 运行训练脚本：`run('p2ch14.training.ClassificationTrainingApp', f'--epochs=100', 'nodule-nonnodule')`\n运行完成后，您可以在本地目录 `..\u002Fdata-unversioned\u002Fpart2\u002Fmodels\u002Fp2ch14` 中找到生成的文件（文件名格式类似 `cls_\u003CTIMESTAMP>_final-nodule-nonnodule.best.state`），并使用这些文件继续后续步骤。","https:\u002F\u002Fgithub.com\u002Fdeep-learning-with-pytorch\u002Fdlwpt-code\u002Fissues\u002F57",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},27495,"代码中 `weights.unsqueeze(-1).unsqueeze_(-1)` 为什么要使用带下划线的 `unsqueeze_`？","这里使用带下划线的 `unsqueeze_` 是为了执行**原地操作（in-place operation）**。\n- `unsqueeze(-1)` 会返回一个新的张量，不修改原张量。\n- `unsqueeze_(-1)` 会直接修改调用它的张量本身，并返回该张量。\n在链式调用 `weights.unsqueeze(-1).unsqueeze_(-1)` 中，第一步 `unsqueeze(-1)` 创建了一个临时的新张量（增加了一个维度），第二步对这个**临时张量**执行原地操作再次增加维度。虽然在这个特定链条中第一步已经创建了副本，使得原地操作的意义在性能上不明显，但这通常用于确保后续操作作用于具有正确维度的张量对象上，或者在不需要保留原始张量时节省内存。如果在其他上下文中单独使用 `tensor.unsqueeze_()`，则能明确避免内存分配。","https:\u002F\u002Fgithub.com\u002Fdeep-learning-with-pytorch\u002Fdlwpt-code\u002Fissues\u002F36",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},27496,"书中提到批量归一化（BatchNorm）主要只加速收敛且不是正则化手段，这种说法准确吗？","这种说法并不完全准确，存在细微的理论争议。虽然某些初始化方案可以减少对 BN 的依赖，但研究表明 BN 不仅仅是加速收敛。\nBN 的主要深层作用包括：\n1. **平滑损失景观（Loss Landscape）**：引导优化过程避开过早的局部最优解和平坦区域，从而找到泛化能力更好的局部最优解。\n2. **权重长度与方向解耦**：有助于优化稳定性。\n3. **层间尺度不变性**：允许使用动态学习率等高级技术。\n因此，BN 具有显著的正则化效果，能帮助模型在测试集上获得更好的性能，而不仅仅是训练速度的提升。","https:\u002F\u002Fgithub.com\u002Fdeep-learning-with-pytorch\u002Fdlwpt-code\u002Fissues\u002F31",[145,150],{"id":146,"version":147,"summary_zh":148,"released_at":149},180633,"v1.0.1","本次发布新增了一个未被本书直接引用的文件，该文件用于生成我们在第14章中使用的恶性肿瘤信息。","2020-07-02T05:20:53",{"id":151,"version":152,"summary_zh":153,"released_at":154},180634,"v1.0","这是本书于2020年6月付印时代码的状态。\n\n代码的主分支会不断接收勘误和更新，因此可能会与印刷版的内容有所偏差。","2020-07-01T15:46:12"]