[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dmlc--dmlc-core":3,"tool-dmlc--dmlc-core":61},[4,18,28,36,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"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":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"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",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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",[27,13,15,14],{"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":76,"owner_url":77,"languages":78,"stars":113,"forks":114,"last_commit_at":115,"license":116,"difficulty_score":117,"env_os":118,"env_gpu":119,"env_ram":119,"env_deps":120,"category_tags":125,"github_topics":126,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":127,"updated_at":128,"faqs":129,"releases":158},9941,"dmlc\u002Fdmlc-core","dmlc-core","A common bricks library  for building scalable and portable distributed machine learning.","dmlc-core 是 DMLC 开源生态系统的核心基础库，专为构建可扩展且可移植的分布式机器学习系统而设计。你可以将它想象成一套高质量的“通用积木”，为上层算法框架提供底层支撑，解决了在大规模集群环境下高效处理数据、管理参数以及实现跨平台部署的难题。\n\n作为连接算法与硬件的桥梁，dmlc-core 屏蔽了复杂的分布式通信细节，让开发者能够专注于模型逻辑本身。它基于现代 C++14 标准开发，遵循严格的代码规范，并致力于保持最小化的外部依赖，从而确保系统在不同环境下的运行效率与稳定性。其独特的技术亮点包括高效的 RecordIO 数据格式支持（需注意字节序兼容性）以及灵活的参数模块设计，这些特性共同保障了机器学习任务在海量数据场景下的高性能表现。\n\n这款工具主要面向机器学习框架开发者、系统工程师及从事分布式计算研究的专业人员。如果你计划从头构建一个新的深度学习框架，或者希望深入优化现有系统的底层性能，dmlc-core 将是不可或缺的技术基石。对于普通用户或仅需调用现成模型的应用者而言，它更多是隐藏在幕后默默提供支持的强大引擎。","Distributed Machine Learning Common Codebase\n============================================\n\n[![Build Status](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Fworkflows\u002Fcontinuous%20build\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Factions)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdmlc_dmlc-core_readme_6bf48b3e9a6d.png)](http:\u002F\u002Fdmlc-core.readthedocs.org\u002Fen\u002Flatest\u002F)\n[![GitHub license](http:\u002F\u002Fdmlc.github.io\u002Fimg\u002Fapache2.svg)](.\u002FLICENSE)\n\n\nDMLC-Core is the backbone library to support all DMLC projects, offers the bricks to build efficient and scalable distributed machine learning libraries.\n\nDeveloper Channel [![Join the chat at https:\u002F\u002Fgitter.im\u002Fdmlc\u002Fdmlc-core](https:\u002F\u002Fbadges.gitter.im\u002FJoin%20Chat.svg)](https:\u002F\u002Fgitter.im\u002Fdmlc\u002Fdmlc-core?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n\n\nWhat's New\n----------\n* [Note on Parameter Module for Machine Learning](http:\u002F\u002Fdmlc-core.readthedocs.org\u002Fen\u002Flatest\u002Fparameter.html)\n\n\nContents\n--------\n* [Documentation and Tutorials](http:\u002F\u002Fdmlc-core.readthedocs.org\u002Fen\u002Flatest\u002F)\n* [Contributing](#contributing)\n\nKnown Issues\n------------\n* RecordIO format is not portable across different processor endians. So it is not possible to save RecordIO file on a x86 machine and then load it on a SPARC machine, because x86 is little endian while SPARC is big endian.\n\n\nContributing\n------------\n\nContributing to dmlc-core is welcomed! dmlc-core follows google's C style guide. If you are interested in contributing, take a look at [feature wishlist](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Flabels\u002Ffeature%20wishlist) and open a new issue if you like to add something.\n\n* DMLC-Core uses C++14 standard. Ensure that your C++ compiler supports C++14.\n* Try to introduce minimum dependency when possible\n\n### CheckList before submit code\n* Type ```make lint``` and fix all the style problems.\n* Type ```make doc``` and fix all the warnings.\n\nNOTE\n----\ndeps:\n\nlibcurl4-openssl-dev\n","分布式机器学习通用代码库\n============================================\n\n[![构建状态](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Fworkflows\u002Fcontinuous%20build\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Factions)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdmlc_dmlc-core_readme_6bf48b3e9a6d.png)](http:\u002F\u002Fdmlc-core.readthedocs.org\u002Fen\u002Flatest\u002F)\n[![GitHub 许可证](http:\u002F\u002Fdmlc.github.io\u002Fimg\u002Fapache2.svg)](.\u002FLICENSE)\n\n\nDMLC-Core 是支持所有 DMLC 项目的骨干库，提供了构建高效且可扩展的分布式机器学习库所需的基石。\n\n开发者交流频道 [![加入 https:\u002F\u002Fgitter.im\u002Fdmlc\u002Fdmlc-core 的聊天](https:\u002F\u002Fbadges.gitter.im\u002FJoin%20Chat.svg)](https:\u002F\u002Fgitter.im\u002Fdmlc\u002Fdmlc-core?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n\n\n新内容\n----------\n* [关于机器学习参数模块的说明](http:\u002F\u002Fdmlc-core.readthedocs.org\u002Fen\u002Flatest\u002Fparameter.html)\n\n\n目录\n--------\n* [文档与教程](http:\u002F\u002Fdmlc-core.readthedocs.org\u002Fen\u002Flatest\u002F)\n* [贡献指南](#contributing)\n\n已知问题\n------------\n* RecordIO 格式在不同处理器字节序之间不兼容。因此，无法在 x86 架构的机器上保存 RecordIO 文件，然后在 SPARC 架构的机器上加载它；这是因为 x86 是小端序，而 SPARC 是大端序。\n\n\n贡献指南\n------------\n\n欢迎为 dmlc-core 做出贡献！dmlc-core 遵循 Google 的 C++ 风格指南。如果您有兴趣参与贡献，请查看 [功能愿望清单](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Flabels\u002Ffeature%20wishlist)，并提出新的议题以添加您希望实现的功能。\n\n* DMLC-Core 使用 C++14 标准。请确保您的 C++ 编译器支持 C++14。\n* 尽可能减少依赖项。\n\n### 提交代码前检查清单\n* 运行 ```make lint``` 并修复所有风格问题。\n* 运行 ```make doc``` 并修复所有警告。\n\n注意\n----\n依赖：\n\nlibcurl4-openssl-dev","# dmlc-core 快速上手指南\n\ndmlc-core 是分布式机器学习项目（DMLC）的核心基础库，为构建高效、可扩展的分布式机器学习算法提供底层支持。\n\n## 环境准备\n\n### 系统要求\n- **编译器**：必须支持 **C++14** 标准（如 GCC 5+ 或 Clang 3.4+）。\n- **操作系统**：Linux \u002F macOS \u002F Windows (需配置相应编译环境)。\n\n### 前置依赖\n在开始编译前，请确保安装以下系统依赖：\n\n**Ubuntu\u002FDebian:**\n```bash\nsudo apt-get update\nsudo apt-get install -y libcurl4-openssl-dev\n```\n\n**CentOS\u002FRHEL:**\n```bash\nsudo yum install -y libcurl-devel\n```\n\n> **注意**：dmlc-core 设计原则是尽量减少外部依赖，除 libcurl 外通常无需额外安装重型库。\n\n## 安装步骤\n\ndmlc-core 通常作为子模块被其他 DMLC 项目（如 XGBoost, LightGBM 等）引用，若需独立编译测试，请按以下步骤操作：\n\n1. **克隆代码库**\n   ```bash\n   git clone --recursive https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core.git\n   cd dmlc-core\n   ```\n   *(国内开发者如遇网络缓慢，可尝试使用 Gitee 镜像或配置 Git 代理)*\n\n2. **编译与检查**\n   该项目主要通过 Makefile 进行构建管理和代码检查：\n   ```bash\n   # 编译文档（可选，需安装 Doxygen）\n   make doc\n\n   # 运行代码风格检查（提交代码前必做）\n   make lint\n   ```\n\n3. **集成使用**\n   大多数情况下，你不需要单独安装它，而是通过 CMake 或 Make 将其作为依赖库链接到你的项目中。在 CMake 中通常这样引用：\n   ```cmake\n   add_subdirectory(dmlc-core)\n   target_link_libraries(your_target dmlc)\n   ```\n\n## 基本使用\n\ndmlc-core 主要提供数据加载、参数解析和分布式通信接口。以下是一个最简单的 C++ 使用示例，展示如何引入头文件并使用其日志功能：\n\n**示例代码 (`main.cpp`)：**\n```cpp\n#include \u003Cdmlc\u002Flogging.h>\n#include \u003Cdmlc\u002Fparameter.h>\n\nint main(int argc, char *argv[]) {\n  \u002F\u002F 初始化日志系统\n  dmlc::InitLogging(argv[0]);\n\n  \u002F\u002F 输出一条信息日志\n  LOG(INFO) \u003C\u003C \"dmlc-core initialized successfully!\";\n\n  \u002F\u002F 输出一条警告日志\n  LOG(WARNING) \u003C\u003C \"This is a sample warning message.\";\n\n  return 0;\n}\n```\n\n**编译命令：**\n假设 dmlc-core 位于当前目录下的 `dmlc-core` 文件夹：\n```bash\ng++ -std=c++14 -I.\u002Fdmlc-core\u002Finclude main.cpp -o demo -lcurl\n```\n\n**运行结果：**\n```text\n[INFO] .\u002Fdemo: dmlc-core initialized successfully!\n[WARNING] .\u002Fdemo: This is a sample warning message.\n```\n\n> **提示**：开发时请遵循 Google C++ 风格指南，并在提交代码前务必执行 `make lint` 修复所有风格问题。","某大型电商公司的算法团队正致力于构建一个支持亿级用户行为数据的分布式推荐系统，需要在数百台服务器上高效训练深度学习模型。\n\n### 没有 dmlc-core 时\n- **重复造轮子**：团队成员需手动编写底层数据加载、参数同步和网络通信代码，导致大量精力浪费在基础架构而非算法优化上。\n- **扩展性瓶颈**：自研的通信模块难以应对节点动态增减，一旦集群规模扩大，训练速度不升反降，甚至频繁出现同步死锁。\n- **移植困难**：代码严重依赖特定硬件或云厂商接口，想要从本地测试环境迁移到生产集群时，需要重构大量底层逻辑。\n- **维护成本高**：缺乏统一的编码规范和模块化设计，不同成员开发的组件接口不一致，排查分布式故障如同“大海捞针”。\n\n### 使用 dmlc-core 后\n- **聚焦核心业务**：直接调用 dmlc-core 提供的标准化“积木”模块（如 Parameter Server 和数据迭代器），团队将 80% 的研发时间投入到模型结构创新中。\n- **线性加速比**：利用其内置的高效通信原语，系统在扩容至千核规模时仍保持近乎线性的训练加速，轻松支撑海量数据并发处理。\n- **一次编写，随处运行**：凭借 dmlc-core 的跨平台抽象能力，代码无需修改即可无缝部署从本地单机到混合云集群的各种环境。\n- **生态协同效应**：遵循统一的 C++ 风格指南和接口规范，新加入的工程师能快速上手，且能直接复用社区成熟的调试与监控工具。\n\ndmlc-core 通过提供标准化的分布式机器学习底层基座，让开发者从繁琐的基础设施泥潭中解脱，真正实现算法价值的快速落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdmlc_dmlc-core_78d40cea.png","dmlc","Distributed (Deep) Machine Learning Community","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdmlc_b69cc302.png","A Community of Awesome Machine Learning Projects",null,"https:\u002F\u002Fgithub.com\u002Fdmlc",[79,83,87,91,95,99,102,106,109],{"name":80,"color":81,"percentage":82},"C++","#f34b7d",83.8,{"name":84,"color":85,"percentage":86},"Python","#3572A5",6.3,{"name":88,"color":89,"percentage":90},"Java","#b07219",4.5,{"name":92,"color":93,"percentage":94},"CMake","#DA3434",3.9,{"name":96,"color":97,"percentage":98},"Shell","#89e051",0.6,{"name":100,"color":101,"percentage":98},"Makefile","#427819",{"name":103,"color":104,"percentage":105},"Dockerfile","#384d54",0.1,{"name":107,"color":108,"percentage":105},"C","#555555",{"name":110,"color":111,"percentage":112},"Batchfile","#C1F12E",0,877,525,"2026-04-13T15:29:02","Apache-2.0",4,"","未说明",{"notes":121,"python":119,"dependencies":122},"该项目是基于 C++14 标准的底层库，主要用于构建分布式机器学习库。RecordIO 格式在不同字节序（如 x86 的小端序与 SPARC 的大端序）的处理器之间不兼容。贡献代码需遵循 Google C++ 风格指南，并在提交前运行 'make lint' 和 'make doc' 检查。",[123,124],"C++14 兼容的编译器","libcurl4-openssl-dev",[14],[72],"2026-03-27T02:49:30.150509","2026-04-20T10:24:22.248093",[130,135,140,145,150,154],{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},44643,"在 Linux 上构建时出现\"Redefining fopen64 with std::fopen\"警告或构建失败怎么办？","该问题通常由针对 MinGW-w64 的规范化构建更改引起。维护者已通过合并 PR #458 修复了此问题。请确保拉取包含该修复的最新代码版本（例如 commit 1b28779801f9e85bb0eb6feae95be1d8360ddc1b 之后），重新构建即可解决。","https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Fissues\u002F457",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},44644,"在 MinGW 环境下遇到 _create_locale 和 msvcrt 相关的错误如何解决？","维护者建议不要使用临时的 workaround（如切换 DLL），而是直接移除对 `_create_locale()` 和 `_free_locale()` 的依赖。最新的解决方案是实施不依赖区域设置（locale-independent）的解析逻辑。请更新到已移除这些函数调用的最新版本代码。","https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Fissues\u002F478",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},44645,"安装 R 包时提示找不到 'dmlc\u002Fbase.h' 文件怎么办？","这通常是因为环境中存在多个 R 版本或旧的安装残留，导致编译时链接到了错误的路径。解决方法：\n1. 检查 `Rscript` 路径：运行 `locate Rscript` 查看是否有多个版本。\n2. 清理环境：卸载旧的 R 版本或清理无效的库链接。\n3. 重新构建：确保使用正确的 R 版本执行 `R CMD BUILD` 和 `R CMD INSTALL`。\n4. 如果涉及 OpenMP，需在 config.mk 中设置 `USE_OPENMP = 1`。","https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Fissues\u002F144",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},44646,"在 Yarn 上运行时遇到 'FILE size not calculated correctly' 及 Exit code 250 错误如何处理？","这是一个已知的 Bug，当 worker 任务因 `abortJob()` 失败时，ApplicationMaster 进程可能不会正确停止，导致文件大小计算错误和容器退出码 250。该问题已在后续的代码提交中修复。如果遇到此问题，请尝试拉取最新的代码版本，或者手动应用修复该逻辑的补丁（确保 ApplicationMaster 在任务失败时能正确终止）。","https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fdmlc-core\u002Fissues\u002F9",{"id":151,"question_zh":152,"answer_zh":153,"source_url":144},44647,"如何在编译时启用 OpenMP 支持以提升 R 包的并行性能？","要在 R 包中启用 OpenMP 并行支持，需要在编译配置中显式开启。具体步骤是在 mxnet 源码目录下的 `make\u002Fconfig.mk` 文件中，将 `USE_OPENMP` 设置为 1（即 `USE_OPENMP = 1`），然后重新编译项目。这样生成的 R 包即可利用多核进行并行计算。",{"id":155,"question_zh":156,"answer_zh":157,"source_url":149},44648,"发现代码 Bug 后，应该如何贡献修复代码？","如果发现小规模的 Bug 修复，可以直接发送补丁（patch），但这种方式无法在提交者列表中显示你的名字。推荐的做法是创建一个 Pull Request (PR)。通过 PR 提交代码不仅便于维护者审查和合并，还能确保你的贡献被正式记录在项目贡献者名单中。",[159],{"id":160,"version":161,"summary_zh":162,"released_at":163},352063,"v0.3","dmlc-core 的初始标签发布","2018-07-17T16:17:46"]