[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-flyyufelix--DenseNet-Keras":3,"tool-flyyufelix--DenseNet-Keras":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",153609,2,"2026-04-13T11:34:59",[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。",108322,"2026-04-10T11:39:34",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"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":32,"env_os":88,"env_gpu":89,"env_ram":90,"env_deps":91,"category_tags":97,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":131},7178,"flyyufelix\u002FDenseNet-Keras","DenseNet-Keras","DenseNet Implementation in Keras with ImageNet Pretrained Models","DenseNet-Keras 是一个基于 Keras 框架实现的 DenseNet（密集连接卷积网络）开源项目，提供了在 ImageNet 数据集上预训练的模型权重。它主要解决了开发者在复现前沿深度学习架构时面临的代码从零编写困难以及训练耗时过长的问题，让用户能够直接加载高质量预训练模型，快速进行图像识别推理或迁移学习。\n\n该工具非常适合人工智能研究人员、算法工程师以及深度学习爱好者使用。无论是需要验证新想法的科研人员，还是希望将先进视觉模型应用到实际业务中的开发者，都能从中受益。其核心技术亮点在于完整复刻了 DenseNet 独特的“密集连接”结构，即每一层都与后续所有层直接相连，这种设计极大地促进了特征复用，缓解了梯度消失问题，从而在较浅的网络深度下实现了卓越的准确率。\n\n此外，DenseNet-Keras 具有良好的兼容性，同时支持 Theano 和 TensorFlow 后端，并提供了从 Caffe 模型转换而来的多种规格预训练权重（如 DenseNet-121\u002F169\u002F161），用户可根据显存资源和精度需求灵活选择。项目还附带了清晰的推理示例和微调指南，帮助用户轻松上手，将自","DenseNet-Keras 是一个基于 Keras 框架实现的 DenseNet（密集连接卷积网络）开源项目，提供了在 ImageNet 数据集上预训练的模型权重。它主要解决了开发者在复现前沿深度学习架构时面临的代码从零编写困难以及训练耗时过长的问题，让用户能够直接加载高质量预训练模型，快速进行图像识别推理或迁移学习。\n\n该工具非常适合人工智能研究人员、算法工程师以及深度学习爱好者使用。无论是需要验证新想法的科研人员，还是希望将先进视觉模型应用到实际业务中的开发者，都能从中受益。其核心技术亮点在于完整复刻了 DenseNet 独特的“密集连接”结构，即每一层都与后续所有层直接相连，这种设计极大地促进了特征复用，缓解了梯度消失问题，从而在较浅的网络深度下实现了卓越的准确率。\n\n此外，DenseNet-Keras 具有良好的兼容性，同时支持 Theano 和 TensorFlow 后端，并提供了从 Caffe 模型转换而来的多种规格预训练权重（如 DenseNet-121\u002F169\u002F161），用户可根据显存资源和精度需求灵活选择。项目还附带了清晰的推理示例和微调指南，帮助用户轻松上手，将自己的数据集适配到这些强大的模型中。","# DenseNet-Keras with ImageNet Pretrained Models\n\nThis is an [Keras](https:\u002F\u002Fkeras.io\u002F) implementation of DenseNet with [ImageNet](http:\u002F\u002Fwww.image-net.org\u002F) pretrained weights. The weights are converted from [Caffe Models](https:\u002F\u002Fgithub.com\u002Fshicai\u002FDenseNet-Caffe). The implementation supports both [Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano\u002F) and [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) backends.\n\nTo know more about how DenseNet works, please refer to the [original paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.06993)\n\n```\nDensely Connected Convolutional Networks\nGao Huang, Zhuang Liu, Kilian Q. Weinberger, Laurens van der Maaten\narXiv:1608.06993\n```\n\n## Pretrained DenseNet Models on ImageNet\n\nThe top-1\u002F5 accuracy rates by using single center crop (crop size: 224x224, image size: 256xN)\n\nNetwork|Top-1|Top-5|Theano|Tensorflow\n:---:|:---:|:---:|:---:|:---:\nDenseNet 121 (k=32)| 74.91| 92.19| [model (32  MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfMlRYb3YzV210VzQ)| [model (32 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfSTA4SHJVOHNuTXc)\nDenseNet 169 (k=32)| 76.09| 93.14| [model (56  MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfN0d3T1F1MXg0NlU)| [model (56 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfSEc5UC1ROUFJdmM)\nDenseNet 161 (k=48)| 77.64| 93.79| [model (112 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfVnlCMlBGTDR3RGs)| [model (112 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfUDZwVjU2cFNidTA)\n\n## Usage\n\nFirst, download the above pretrained weights to the `imagenet_models` folder.\n\nRun `test_inference.py` for an example of how to use the pretrained model to make inference.\n\n```\npython test_inference.py\n```\n\n## Fine-tuning\n\nCheck [this](https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002Fcnn_finetune) out to see example of fine-tuning DenseNet with your own dataset.\n\n## Requirements\n\n* Keras ~~1.2.2~~ 2.0.5\n* Theano 0.8.2 or TensorFlow ~~0.12.0~~ 1.2.1\n\n## Updates\n\n* Keras 2.0.5 and TensorFlow 1.2.1 are supported\n\n\n","# 带有 ImageNet 预训练模型的 DenseNet-Keras\n\n这是使用 [Keras](https:\u002F\u002Fkeras.io\u002F) 实现的带有 [ImageNet](http0:\u002F\u002Fwww.image-net.org\u002F) 预训练权重的 DenseNet。这些权重是从 [Caffe 模型](https:\u002F\u002Fgithub.com\u002Fshicai\u002FDenseNet-Caffe)转换而来的。该实现同时支持 [Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano\u002F) 和 [TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F) 后端。\n\n要了解更多关于 DenseNet 的工作原理，请参阅[原始论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.06993)：\n\n```\n密集连接的卷积网络\nGao Huang, Zhuang Liu, Kilian Q. Weinberger, Laurens van der Maaten\narXiv:1608.06993\n```\n\n## ImageNet 上的预训练 DenseNet 模型\n\n使用单中心裁剪（裁剪尺寸：224x224，图像尺寸：256xN）时的 Top-1\u002F5 准确率\n\n网络|Top-1|Top-5|Theano|Tensorflow\n:---:|:---:|:---:|:---:|:---:\nDenseNet 121 (k=32)| 74.91| 92.19| [模型 (32 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfMlRYb3YzV210VzQ)| [模型 (32 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfSTA4SHJVOHNuTXc)\nDenseNet 169 (k=32)| 76.09| 93.14| [模型 (56 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfN0d3T1F1MXg0NlU)| [模型 (56 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfSEc5UC1ROUFJdmM)\nDenseNet 161 (k=48)| 77.64| 93.79| [模型 (112 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfVnlCMlBGTDR3RGs)| [模型 (112 MB)](https:\u002F\u002Fdrive.google.com\u002Fopen?id=0Byy2AcGyEVxfUDZwVjU2cFNidTA)\n\n## 使用方法\n\n首先，将上述预训练权重下载到 `imagenet_models` 文件夹中。\n\n运行 `test_inference.py` 以查看如何使用预训练模型进行推理的示例。\n\n```\npython test_inference.py\n```\n\n## 微调\n\n请查看[这个](https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002Fcnn_finetune)，了解如何使用您自己的数据集对 DenseNet 进行微调的示例。\n\n## 要求\n\n* Keras ~~1.2.2~~ 2.0.5\n* Theano 0.8.2 或 TensorFlow ~~0.12.0~~ 1.2.1\n\n## 更新\n\n* 支持 Keras 2.0.5 和 TensorFlow 1.2.1","# DenseNet-Keras 快速上手指南\n\n本指南基于 `DenseNet-Keras` 开源项目，帮助开发者快速在 Keras 中加载预训练的 DenseNet 模型（基于 ImageNet 权重），支持 Theano 和 TensorFlow 后端。\n\n## 环境准备\n\n请确保您的开发环境满足以下版本要求：\n\n*   **Python**: 建议 2.7 或 3.5+\n*   **Keras**: 2.0.5 (注意：不兼容 1.2.2)\n*   **后端框架** (二选一):\n    *   **TensorFlow**: 1.2.1 (注意：不兼容 0.12.0)\n    *   **Theano**: 0.8.2\n\n> **提示**：国内用户安装依赖时，推荐使用清华或阿里镜像源加速。\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple keras==2.0.5 tensorflow==1.2.1\n> ```\n\n## 安装步骤\n\n1.  **克隆或下载项目代码**\n    将本项目下载到本地目录。\n\n2.  **下载预训练权重**\n    根据需求选择模型架构（DenseNet 121\u002F169\u002F161）和后端（Theano\u002FTensorFlow），从 README 提供的 Google Drive 链接下载对应的 `.h5` 权重文件。\n    \n    *   例如：下载 **DenseNet 121 (TensorFlow 版)** 权重。\n    *   在项目根目录下创建文件夹 `imagenet_models`。\n    *   将下载的权重文件放入该文件夹中。\n\n    ```bash\n    mkdir imagenet_models\n    # 请将下载好的权重文件移动至此目录，例如：\n    # mv dn201_tf_121.h5 imagenet_models\u002F\n    ```\n\n    > **网络加速建议**：如果无法直接访问 Google Drive，建议使用国内网盘中转或寻找 Gitee\u002FGitHub 上的镜像资源。\n\n## 基本使用\n\n完成上述步骤后，即可运行官方提供的推理示例脚本。该脚本会加载预训练模型并对测试图像进行分类预测。\n\n在项目根目录下执行：\n\n```bash\npython test_inference.py\n```\n\n若需在自己的项目中调用模型，可参考 `test_inference.py` 源码，核心逻辑如下：\n\n```python\nfrom keras.models import load_model\n# 加载特定权重的模型\nmodel = load_model('imagenet_models\u002Fdn201_tf_121.h5') \n# 进行预测...\npredictions = model.predict(input_image)\n```\n\n如需使用自定义数据集进行微调（Fine-tuning），可参考项目推荐的 [cnn_finetune](https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002Fcnn_finetune) 仓库。","某医疗科技公司的算法团队正致力于开发一套辅助诊断系统，需要从胸部 X 光片中自动识别肺炎病灶，但面临标注数据稀缺且训练资源有限的困境。\n\n### 没有 DenseNet-Keras 时\n- 团队需从零搭建复杂的密集连接卷积网络架构，手动处理层间特征复用逻辑，代码调试耗时数周。\n- 由于缺乏高质量的预训练权重，模型在少量医疗数据上极易过拟合，Top-1 准确率长期徘徊在 60% 以下。\n- 尝试复现论文效果时，需在 Caffe 与 Keras 之间进行繁琐的权重格式转换，常因维度不匹配导致推理失败。\n- 不同后端（Theano\u002FTensorFlow）环境配置冲突频发，团队成员难以统一开发环境，协作效率低下。\n\n### 使用 DenseNet-Keras 后\n- 直接调用封装好的 DenseNet 121\u002F169 模型接口，几分钟内即可完成骨干网络搭建，将精力聚焦于医疗数据预处理。\n- 加载 ImageNet 预训练权重作为初始化参数，利用迁移学习在小样本下快速收敛，病灶识别准确率提升至 75% 以上。\n- 直接使用官方提供的已转换 Keras 权重文件，省去了跨框架转换步骤，确保推理结果与论文指标一致。\n- 完美兼容 TensorFlow 后端，团队成员无需担心版本依赖问题，迅速在本地及服务器端部署统一的训练流程。\n\nDenseNet-Keras 通过提供开箱即用的高精度预训练模型，极大降低了深度学习在垂直领域的落地门槛与研发成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fflyyufelix_DenseNet-Keras_8ca360b9.png","flyyufelix","Felix Yu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fflyyufelix_d8865127.png",null,"https:\u002F\u002Fflyyufelix.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fflyyufelix",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,565,260,"2026-03-28T00:10:58","MIT","","未说明（支持 TensorFlow\u002FTheano 后端，通常可选配 GPU 加速，但 README 未指定具体型号或 CUDA 版本）","未说明",{"notes":92,"python":90,"dependencies":93},"该工具同时支持 Theano 和 TensorFlow 后端。使用前需手动下载预训练权重文件（32MB 至 112MB 不等）并放入 'imagenet_models' 文件夹。README 中列出的版本为历史特定版本（Keras 2.0.5, TF 1.2.1），在现代环境中运行可能需要调整依赖版本或进行代码适配。",[94,95,96],"Keras==2.0.5","Theano==0.8.2","TensorFlow==1.2.1",[15,14],"2026-03-27T02:49:30.150509","2026-04-14T00:02:59.885449",[101,106,111,116,121,126],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},32216,"运行推理时遇到 'Tensor' object has no attribute 'assign' 错误怎么办？","该错误通常发生在退化场景（degenerate scenario）中，例如输入数据的矩阵没有行、没有列或形状为空（empty shape）。请检查传递给 Keras 或 TensorFlow 的输入数据，确保其不为空且形状正确。这不是 TensorFlow 的 Bug，而是由空迭代器或空数据引起的。","https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras\u002Fissues\u002F1",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},32217,"DenseNet 模型中的 Scale 层和 BatchNormalization 层有什么区别？为什么要同时使用？","这是为了兼容从 Caffe 迁移过来的权重。在 Caffe 中，BatchNorm 层只负责归一化，而缩放因子（gamma）和偏移量（beta）由紧随其后的 Scale 层处理。而在 Keras v2 的 BatchNormalization 层中，已经内置了 `scale` (gamma) 和 `center` (beta) 参数。因此，Keras 原生的 BatchNorm 实际上等同于 Caffe 的 'BatchNorm + Scale'。如果你直接使用转换工具生成的包含独立 Scale 层的模型，它会正常工作但参数冗余；你也可以将 Scale 层的参数合并到 BatchNorm 层中以简化模型。","https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras\u002Fissues\u002F5",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},32218,"测试图像时应该使用 RGB 还是 BGR 格式？","应该使用 **BGR** 格式。因为该模型的权重是从 Caffe 迁移过来的，而 Caffe 和 OpenCV 默认使用 BGR 通道顺序。在使用 `test_inference.py` 进行测试时，OpenCV 读取的图片即为 BGR 格式，无需转换。","https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras\u002Fissues\u002F18",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},32219,"如何将 Caffe 模型的权重转换为 Keras 格式？需要注意什么？","转换过程比较棘手，主要步骤如下：\n1. 修改 Caffe 源码以支持 `ceil_mode`（参考 BVLC\u002Fcaffe PR #3057）。\n2. 重新编译 Caffe。\n3. 使用生成的 `python\u002Fcaffe\u002Fproto\u002Fcaffe_pb2.py` 文件通过 Python 读取 protobuf 内容（即 .caffemodel 文件）。\n此外，作者曾撰写过详细的博客教程介绍从 Caffe 到 Keras 的转换流程。","https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras\u002Fissues\u002F3",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},32220,"在新版 Keras 中遇到 'concatenate' 相关错误或 'module' object is not callable 怎么办？","最新版本的 Keras API 有所变化，不再支持旧的 `concatenate` 调用方式。如果遇到此类问题，可以尝试使用 `Lambda` 层来替代特定的连接或计算逻辑。例如，将原来的连接操作替换为：\n`policy = Lambda(lambda x: x[0]-K.mean(x[0])+x[1], (NUM_ACTIONS,))([advantage, value])`\n请根据具体报错位置调整代码以适配 Keras 2+ 的 API 规范。","https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras\u002Fissues\u002F22",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},32221,"该项目是否有开源许可证？","项目维护者已响应社区请求，建议采用 MIT 许可证。用户在使用、修改或分发代码时应遵循相应的开源协议规定。","https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras\u002Fissues\u002F2",[]]