[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-fkodom--fft-conv-pytorch":3,"tool-fkodom--fft-conv-pytorch":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",140436,2,"2026-04-05T23:32:43",[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。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[14,35],{"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":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":89,"env_deps":91,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":135},4267,"fkodom\u002Ffft-conv-pytorch","fft-conv-pytorch","Implementation of 1D, 2D, and 3D FFT convolutions in PyTorch.  Much faster than direct convolutions for large kernel sizes.","fft-conv-pytorch 是一个专为 PyTorch 框架设计的开源库，实现了基于一维、二维及三维快速傅里叶变换（FFT）的卷积运算。它主要解决了传统直接卷积在处理超大尺寸卷积核时计算效率低下的痛点。在深度学习与信号处理领域，当卷积核包含的元素数量较多（通常超过 100 个）时，fft-conv-pytorch 能利用频域变换显著加速计算过程；反之，若使用较小卷积核，其速度可能不如原生直接卷积，因此它特别适用于需要大感受野或长序列建模的场景。\n\n这款工具非常适合 AI 研究人员、算法工程师以及需要构建高效神经网络的开发者使用。无论是处理高分辨率图像、长音频序列还是复杂的 3D 体数据，只要面临大核卷积带来的性能瓶颈，都能从中受益。其核心技术亮点在于巧妙地将空间域的卷积操作转化为频域的乘法运算，从而大幅降低时间复杂度。库的使用方式灵活，既支持简洁的函数式调用以便快速验证想法，也提供了面向对象的模块类（如 FFTConv1d），方便用户无缝集成到现有的深度学习模型架构中。对于追求极致推理或训练速度的技术团队而言，这是一个值得尝试的高效解决方案。","# fft-conv-pytorch\n\nImplementation of 1D, 2D, and 3D FFT convolutions in PyTorch.  \n* Faster than direct convolution for large kernels.\n* **Much slower** than direct convolution for small kernels.\n* In my local tests, FFT convolution is faster when the kernel has >100 or so elements.\n    * Dependent on machine and PyTorch version.\n    * Also see benchmarks below.\n\n\n## Install\n\nUsing `pip`:\n```bash\npip install fft-conv-pytorch\n```\n\nFrom source:\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch.git\ncd fft-conv-pytorch\npip install .\n```\n\n## Example Usage\n\n```python\nimport torch\nfrom fft_conv_pytorch import fft_conv, FFTConv1d\n\n# Create dummy data.  \n#     Data shape: (batch, channels, length)\n#     Kernel shape: (out_channels, in_channels, kernel_size)\n#     Bias shape: (out channels, )\n# For ordinary 1D convolution, simply set batch=1.\nsignal = torch.randn(3, 3, 1024 * 1024)\nkernel = torch.randn(2, 3, 128)\nbias = torch.randn(2)\n\n# Functional execution.  (Easiest for generic use cases.)\nout = fft_conv(signal, kernel, bias=bias)\n\n# Object-oriented execution.  (Requires some extra work, since the \n# defined classes were designed for use in neural networks.)\nfft_conv = FFTConv1d(3, 2, 128, bias=True)\nfft_conv.weight = torch.nn.Parameter(kernel)\nfft_conv.bias = torch.nn.Parameter(bias)\nout = fft_conv(signal)\n```\n\n## Benchmarks\n\nBenchmarking FFT convolution against the direct convolution from PyTorch in 1D, 2D, \nand 3D. The exact times are heavily dependent on your local machine, but relative \nscaling with kernel size is always the same. \n\nDimensions | Input Size   | Input Channels | Output Channels | Bias | Padding | Stride | Dilation\n-----------|--------------|----------------|-----------------|------|---------|--------|---------\n1          | (4096)       | 4              | 4               | True | 0       | 1      | 1\n2          | (512, 512)   | 4              | 4               | True | 0       | 1      | 1\n3          | (64, 64, 64) | 4              | 4               | True | 0       | 1      | 1\n\n![Benchmark Plot](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffkodom_fft-conv-pytorch_readme_966cfd39958d.png)","# fft-conv-pytorch\n\n在 PyTorch 中实现一维、二维和三维的 FFT 卷积。  \n* 对于大卷积核，比直接卷积更快。\n* 对于小卷积核，则**慢得多**。\n* 根据我的本地测试，当卷积核包含 100 多个元素时，FFT 卷积通常会更快。\n    * 具体速度还取决于机器配置和 PyTorch 版本。\n    * 更多信息请参阅下方的基准测试结果。\n\n\n## 安装\n\n使用 `pip`：\n```bash\npip install fft-conv-pytorch\n```\n\n从源码安装：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch.git\ncd fft-conv-pytorch\npip install .\n```\n\n## 使用示例\n\n```python\nimport torch\nfrom fft_conv_pytorch import fft_conv, FFTConv1d\n\n# 创建虚拟数据。  \n#     数据形状：(batch, channels, length)\n#     卷积核形状：(out_channels, in_channels, kernel_size)\n#     偏置形状：(out channels, )\n# 对于普通的 1D 卷积，只需将 batch 设置为 1。\nsignal = torch.randn(3, 3, 1024 * 1024)\nkernel = torch.randn(2, 3, 128)\nbias = torch.randn(2)\n\n# 函数式调用。（适用于通用场景，最简单。）\nout = fft_conv(signal, kernel, bias=bias)\n\n# 面向对象调用。（需要额外一些工作，因为这些类是为神经网络设计的。）\nfft_conv = FFTConv1d(3, 2, 128, bias=True)\nfft_conv.weight = torch.nn.Parameter(kernel)\nfft_conv.bias = torch.nn.Parameter(bias)\nout = fft_conv(signal)\n```\n\n## 基准测试\n\n对一维、二维和三维的 FFT 卷积与 PyTorch 的直接卷积进行了基准测试。具体时间会因本地硬件而异，但卷积核大小对性能的影响趋势始终一致。\n\n维度 | 输入尺寸   | 输入通道数 | 输出通道数 | 偏置 | 填充 | 步幅 | 膨胀率\n-----------|--------------|----------------|-----------------|------|---------|--------|---------\n1          | (4096)       | 4              | 4               | True | 0       | 1      | 1\n2          | (512, 512)   | 4              | 4               | True | 0       | 1      | 1\n3          | (64, 64, 64) | 4              | 4               | True | 0       | 1      | 1\n\n![基准测试图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffkodom_fft-conv-pytorch_readme_966cfd39958d.png)","# fft-conv-pytorch 快速上手指南\n\n`fft-conv-pytorch` 是一个基于 PyTorch 实现的 1D、2D 和 3D 快速傅里叶变换（FFT）卷积库。它专为**大尺寸卷积核**设计，当卷积核元素数量超过约 100 个时，其速度显著优于 PyTorch 原生直接卷积；但对于小卷积核，其性能会明显较慢。\n\n## 环境准备\n\n在使用本工具前，请确保满足以下系统要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.7+\n*   **核心依赖**：\n    *   `torch` (PyTorch)\n    *   `numpy` (通常随 PyTorch 自动安装)\n\n> **注意**：实际加速效果取决于您的硬件配置及 PyTorch 版本。建议在正式使用前参考官方基准测试，确认您的场景（大卷积核）能从中获益。\n\n## 安装步骤\n\n您可以通过 `pip` 直接安装，或从源码安装。国内开发者推荐使用清华源或阿里源以加速下载。\n\n### 方式一：使用 pip 安装（推荐）\n\n```bash\npip install fft-conv-pytorch -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\u002Ffkodom\u002Ffft-conv-pytorch.git\ncd fft-conv-pytorch\npip install . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n本库提供两种使用方式：**函数式调用**（通用场景最简单）和**面向对象调用**（适用于构建神经网络模块）。\n\n以下是最简单的 1D 卷积使用示例：\n\n```python\nimport torch\nfrom fft_conv_pytorch import fft_conv, FFTConv1d\n\n# 创建模拟数据\n# 数据形状: (batch, channels, length)\n# 卷积核形状: (out_channels, in_channels, kernel_size)\n# 偏置形状: (out_channels, )\nsignal = torch.randn(3, 3, 1024 * 1024)\nkernel = torch.randn(2, 3, 128)\nbias = torch.randn(2)\n\n# 方法 1: 函数式执行 (推荐用于通用场景)\nout = fft_conv(signal, kernel, bias=bias)\n\n# 方法 2: 面向对象执行 (适用于神经网络层)\n# 初始化层：输入通道=3, 输出通道=2, 卷积核大小=128\nfft_layer = FFTConv1d(3, 2, 128, bias=True)\n\n# 将权重和偏置载入模型参数\nfft_layer.weight = torch.nn.Parameter(kernel)\nfft_layer.bias = torch.nn.Parameter(bias)\n\n# 执行前向传播\nout = fft_layer(signal)\n```\n\n> **提示**：对于普通的 1D 卷积需求，只需将 `batch` 维度设为 1 即可。请确保您的卷积核足够大（例如本例中的 128），以发挥 FFT 卷积的性能优势。","某生物医学研究团队正在开发一套基于深度学习的长序列脑电图（EEG）实时分析系统，需要处理长达数秒的高频信号并提取细微的病理特征。\n\n### 没有 fft-conv-pytorch 时\n- **训练周期漫长**：为了捕捉长距离依赖关系，模型必须使用超大尺寸卷积核（如长度超过 1024），导致单次前向传播耗时极长，整晚只能完成少量迭代。\n- **显存资源紧张**：传统直接卷积在处理大核与大输入尺寸组合时，中间激活值占用大量显存，迫使团队降低批次大小（Batch Size），影响模型收敛稳定性。\n- **实时推理延迟高**：在部署阶段，大核卷积的计算延迟无法满足临床实时监测的低延迟要求，导致系统响应滞后。\n- **实验迭代受阻**：由于计算成本过高，研究人员不敢轻易尝试不同的大核架构组合，严重限制了算法优化的探索空间。\n\n### 使用 fft-conv-pytorch 后\n- **训练速度飞跃**：利用快速傅里叶变换（FFT）加速大核卷积，在核元素超过 100 个时性能显著超越传统方法，将原本需数小时的训练轮次缩短至几分钟。\n- **资源利用率优化**：更高效的计算方式降低了内存峰值占用，允许团队增大批次大小，从而提升了模型训练的平滑度和最终精度。\n- **满足实时性要求**：推理阶段的计算延迟大幅降低，使得基于大感受野特征的毫秒级脑电异常检测成为可能。\n- **架构探索自由**：计算瓶颈的消除让研究人员能够自由测试各种超大核尺寸配置，快速验证新假设并找到最优模型结构。\n\nfft-conv-pytorch 通过将大尺寸卷积核的计算复杂度从线性级降低至对数级，彻底解决了长序列信号处理中的性能瓶颈，让大规模深度学习模型在时序分析领域得以高效落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffkodom_fft-conv-pytorch_966cfd39.png","fkodom","Frank Odom","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffkodom_179b2b86.png","founding eng @tower-research-ventures ",null,"fkodom.com","https:\u002F\u002Fgithub.com\u002Ffkodom",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,520,62,"2026-03-24T02:41:51","MIT",1,"未说明","未说明 (基于 PyTorch，支持 CPU 和 GPU，但具体性能取决于机器配置)",{"notes":92,"python":89,"dependencies":93},"该工具在卷积核元素数量大于约 100 个时比直接卷积更快，小卷积核下速度明显较慢。具体性能表现依赖于本地机器环境和 PyTorch 版本。",[94,64],"torch",[15,14],[97,98,99,100,101],"pytorch","python3","convolution","image-processing","neural-networks","2026-03-27T02:49:30.150509","2026-04-06T15:54:35.169398",[105,110,115,120,125,130],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},19430,"如何实现深度可分离卷积（Depth-wise Separable Convolution）？","可以通过设置 `groups` 参数等于输入通道数来实现。例如，对于 64 通道的输入，使用以下代码：\n\n```python\nconv = FFTConv2d(64, 64, 3, padding=1, groups=64)\n```\n\n或者直接调用卷积函数：\n```python\ny = fft_conv(\n    signal=torch.randn(1, 64, 128, 128),\n    kernel=torch.randn(64, 1, 3, 3),\n    padding=1,\n    groups=64,\n)\n```\n这符合 PyTorch 的标准惯例（即 `groups = in_channels`）。","https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fissues\u002F3",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},19431,"为什么 FFTConv2d 的输出形状或结果与 nn.Conv2d 不一致？","这不是 Bug，而是参数顺序的问题。在 `nn.Conv2d` 中，参数顺序是 `(kernel_size, stride, padding)`，而在该库的 `FFTConv2d` 实现中，`stride` 和 `padding` 的位置互换了，顺序为 `(kernel_size, padding, stride)`。\n\n请检查您的初始化代码，确保按照 `FFTConv2d` 的参数顺序传递 `padding` 和 `stride`。","https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fissues\u002F6",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},19432,"在 PyTorch 1.7.0+ 版本中，复数矩阵乘法是否支持自动求导（Autograd）？","在 PyTorch 1.7.0 中，直接对复数张量进行运算（如 `loss.backward()`）可能会报错：`RuntimeError: _unsafe_view does not support automatic differentiation for outputs with complex dtype.`。\n\n虽然简单的直接乘法（`c = a * b`）在某些情况下看似有效，但为了兼容性和确保梯度正确传播，库中采用了“黑客”写法：分别计算实部和虚部，然后手动组合到输出张量中。如果您在训练过程中遇到梯度错误，请确保使用库提供的封装层（如 `FFTConv1d`），它们内部已处理了复数梯度的兼容性问题。","https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fissues\u002F5",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},19433,"使用 FFTConv 进行模型训练时，为什么收敛速度变慢或准确率下降？","这可能是由于通过 FFT（快速傅里叶变换）和 IFFT（逆快速傅里叶变换）进行反向传播导致的。虽然操作是完全可微的，但在优化过程中，梯度需要穿过整个 FFT 变换过程，这可能导致梯度被压缩（squashed）或数值不稳定，从而影响收敛。\n\n目前该实现主要旨在加速推理过程（特别是在 CPU 上），对于训练任务，标准的 `nn.Conv2d` 通常表现更好。如果必须使用，可能需要调整学习率或优化器策略。","https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fissues\u002F22",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},19434,"多层堆叠 FFTConv 后，为什么误差会迅速变大？","这是由于 FFT（快速傅里叶变换）和 IFFT（逆变换）本身引入的数值误差造成的。当多个包含 FFT\u002FIFFT 的层串联使用时，这些微小的浮点数误差会逐层累积，导致最终输出与标准卷积相比出现较大偏差。这在深层网络中尤为明显，属于频域卷积方法的固有特性。","https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fissues\u002F4",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},19435,"该项目的许可证是什么？是否支持打包到 conda-forge？","维护者已确认许可问题并表示支持（\"you got it!\"）。关于打包，Conda 渠道（channels）可以替代私有的 PyPI 服务器。如果需要特定功能（如 OpenCV 的 HDF5 支持），Conda 包通常比 pip 包提供更完整的编译选项。用户可以通过构建源码或使用 conda-forge 包来解决依赖和功能缺失问题。","https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fissues\u002F23",[136,141,146,151,156,161,166,170],{"id":137,"version":138,"summary_zh":139,"released_at":140},117503,"1.2.0","## 变更内容\n* 添加 `padding=same`，支持半精度输入，由 @papkov 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F18 中实现。\n\n## 新贡献者\n* @papkov 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F18 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fcompare\u002F1.1.3...1.2.0","2023-09-28T16:05:33",{"id":142,"version":143,"summary_zh":144,"released_at":145},117504,"1.1.3","## 变更内容\n* 自适应地将偏移量移动到正确的设备上，以便在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F17 中由 @alexhagen 使用 GPU。\n\n## 新贡献者\n* @alexhagen 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F17 中完成了他们的首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fcompare\u002F1.1.2...1.1.3","2022-02-10T03:48:12",{"id":147,"version":148,"summary_zh":149,"released_at":150},117505,"1.1.2","## 变更内容\n* 现在需要 `torch >= 1.8` 才能在空洞卷积上支持梯度。\n* @fkodom 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F15 中添加了基准测试图表。\n* @fkodom 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F16 中修复了错误并增强了与 PyTorch 的兼容性。\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fcompare\u002F1.1.1...1.1.2","2022-01-29T13:53:57",{"id":152,"version":153,"summary_zh":154,"released_at":155},117506,"1.1.1","修复了由于膨胀参数导致的梯度不正确的问题。\n\n## 变更内容\n* 由 @aretor 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F13 中实现，使用克罗内克积进行膨胀操作。\n* 由 @fkodom 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F14 中优化并清理了单元测试。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fcompare\u002F1.1.0...1.1.1","2022-01-24T23:04:00",{"id":157,"version":158,"summary_zh":159,"released_at":160},117507,"1.1.0","## 变更内容\n* @aretor 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F12 中添加了膨胀参数及相应测试\n\n## 新贡献者\n* @aretor 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F12 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fcompare\u002F1.0.1...1.1.0","2021-12-16T16:02:39",{"id":162,"version":163,"summary_zh":164,"released_at":165},117508,"1.0.1","## 变更内容\n* 功能性改进：为提高效率，移除了 einsum，由 @yoyololicon 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F11 中完成\n\n## 新贡献者\n* @yoyololicon 在 https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fpull\u002F11 中完成了首次贡献\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Ffkodom\u002Ffft-conv-pytorch\u002Fcompare\u002F1.0.0...1.0.1","2021-12-13T03:33:26",{"id":167,"version":168,"summary_zh":76,"released_at":169},117509,"1.0.0","2021-11-05T21:07:25",{"id":171,"version":172,"summary_zh":76,"released_at":173},117510,"1.0.0rc0","2021-11-05T20:57:12"]