[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-foolwood--pytorch-slimming":3,"tool-foolwood--pytorch-slimming":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":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":77,"owner_location":78,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":107},4342,"foolwood\u002Fpytorch-slimming","pytorch-slimming","Learning Efficient Convolutional Networks through Network Slimming, In ICCV 2017.","pytorch-slimming 是经典论文《Learning Efficient Convolutional Networks through Network Slimming》的 PyTorch 复现版本，旨在帮助开发者构建更轻量、高效的卷积神经网络。它主要解决深度学习模型在部署时参数量大、计算成本高且难以在资源受限设备上运行的痛点。\n\n该工具的核心技术亮点在于“网络剪枝”与“稀疏训练”相结合的策略。它通过在训练过程中引入稀疏正则化，自动识别并移除网络中不重要的通道（Channel），从而大幅压缩模型体积。数据显示，在 CIFAR-10 数据集上，pytorch-slimming 能将 VGG16BN 模型的参数量从 2000 多万锐减至 240 万左右（剪枝率 70%），同时经过微调后精度几乎无损，仍保持在 93.5% 以上。此外，它还支持动态调整剪枝比例，让用户根据具体硬件条件灵活平衡模型大小与性能。\n\npytorch-slimming 非常适合从事模型压缩、边缘计算部署的 AI 研究人员和工程师使用。对于希望将大型模型落地到移动端或嵌入式设备的开发者而言，这是一个无需从头设计","pytorch-slimming 是经典论文《Learning Efficient Convolutional Networks through Network Slimming》的 PyTorch 复现版本，旨在帮助开发者构建更轻量、高效的卷积神经网络。它主要解决深度学习模型在部署时参数量大、计算成本高且难以在资源受限设备上运行的痛点。\n\n该工具的核心技术亮点在于“网络剪枝”与“稀疏训练”相结合的策略。它通过在训练过程中引入稀疏正则化，自动识别并移除网络中不重要的通道（Channel），从而大幅压缩模型体积。数据显示，在 CIFAR-10 数据集上，pytorch-slimming 能将 VGG16BN 模型的参数量从 2000 多万锐减至 240 万左右（剪枝率 70%），同时经过微调后精度几乎无损，仍保持在 93.5% 以上。此外，它还支持动态调整剪枝比例，让用户根据具体硬件条件灵活平衡模型大小与性能。\n\npytorch-slimming 非常适合从事模型压缩、边缘计算部署的 AI 研究人员和工程师使用。对于希望将大型模型落地到移动端或嵌入式设备的开发者而言，这是一个无需从头设计架构即可实现模型加速的实用工具。项目提供了完整的训练、剪枝及微调脚本，便于用户快速复现论文结果并进行二次开发。","# pytorch-slimming\n\nThis is a **[PyTorch](http:\u002F\u002Fpytorch.org\u002F)** _re_-implementation of algorithm presented in \"[Learning Efficient Convolutional Networks Through Network Slimming](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_iccv_2017\u002Fhtml\u002FLiu_Learning_Efficient_Convolutional_ICCV_2017_paper.html) (ICCV2017).\" . The official source code is based on Torch. For more info, visit the author's [webpage](https:\u002F\u002Fgithub.com\u002Fliuzhuang13\u002Fslimming)!.\n\n|  CIFAR10-VGG16BN  | Baseline | Trained with Sparsity (1e-4) | Pruned (0.7 Pruned) | Fine-tuned (40epochs) |\n| :---------------: | :------: | :--------------------------: | :-----------------: | :-------------------: |\n| Top1 Accuracy (%) |  93.62   |            93.77             |        10.00        |         93.56         |\n|    Parameters     |  20.04M  |            20.04M            |        2.42M        |         2.42M         |\n\n|             Pruned Ratio             |       0       |     0.1      |      0.2      |     0.3      |     0.4      |     0.5      |     0.6      |     0.7      |\n| :----------------------------------: | :-----------: | :----------: | :-----------: | :----------: | :----------: | :----------: | :----------: | :----------: |\n| Top1 Accuracy (%) without Fine-tuned |     93.77     |    93.72     |     93.76     |    93.75     |    93.75     |    93.40     |    37.83     |    10.00     |\n|       Parameters(M) \u002F macc(M)        | 20.04\u002F 398.44 | 15.9\u002F 349.22 | 12.28\u002F 307.78 | 9.12\u002F 272.94 | 6.74\u002F 247.86 | 4.62\u002F 231.86 | 3.14\u002F 222.17 | 2.42\u002F 210.84 |\n\n| Pruned Ratio |               architecture               |\n| :----------: | :--------------------------------------: |\n|      0       | [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512] |\n|     0.1      | [60, 64, 'M', 128, 128, 'M', 256, 255, 253, 245, 'M', 436, 417, 425, 462, 'M', 463, 465, 472, 424] |\n|     0.2      | [58, 64, 'M', 128, 128, 'M', 256, 255, 250, 233, 'M', 360, 336, 329, 398, 'M', 420, 412, 435, 341] |\n|     0.3      | [56, 64, 'M', 128, 128, 'M', 256, 254, 249, 227, 'M', 284, 239, 244, 351, 'M', 369, 364, 384, 255] |\n|     0.4      | [52, 64, 'M', 128, 128, 'M', 256, 254, 247, 218, 'M', 218, 162, 166, 294, 'M', 317, 315, 318, 165] |\n|     0.5      | [52, 64, 'M', 128, 128, 'M', 256, 254, 245, 214, 'M', 179, 117, 116, 229, 'M', 228, 220, 210, 111] |\n|     0.6      | [51, 64, 'M', 128, 128, 'M', 256, 254, 245, 213, 'M', 165, 85, 92, 153, 'M', 83, 86, 87, 111] |\n|     0.7      | [49, 64, 'M', 128, 128, 'M', 256, 254, 234, 198, 'M', 114, 41, 24, 11, 'M', 14, 13, 19, 104] |\n\n## Baseline \n\n```shell\npython main.py\n```\n\n## Trained with Sparsity\n\n```shell\npython main.py -sr --s 0.0001\n```\n\n## Pruned\n\n```shell\npython prune.py --model model_best.pth.tar --save pruned.pth.tar --percent 0.7\n```\n\n## Fine-tuned\n\n```shell\npython main.py -refine pruned.pth.tar --epochs 40\n```\n\n## Reference\n\n```\n@InProceedings{Liu_2017_ICCV,\n    author = {Liu, Zhuang and Li, Jianguo and Shen, Zhiqiang and Huang, Gao and Yan, Shoumeng and Zhang, Changshui},\n    title = {Learning Efficient Convolutional Networks Through Network Slimming},\n    booktitle = {The IEEE International Conference on Computer Vision (ICCV)},\n    month = {Oct},\n    year = {2017}\n}\n```\n","# PyTorch瘦身\n\n这是对论文《通过网络瘦身学习高效的卷积网络》（ICCV2017）中提出的算法的 **[PyTorch](http:\u002F\u002Fpytorch.org\u002F)** _重新_ 实现。官方源代码基于 Torch。更多信息请访问作者的 [网页](https:\u002F\u002Fgithub.com\u002Fliuzhuang13\u002Fslimming)！\n\n| CIFAR10-VGG16BN | 基线 | 使用稀疏性训练（1e-4） | 剪枝后（剪枝比例0.7） | 精调后（40轮） |\n| :---------------: | :------: | :--------------------------: | :-----------------: | :-------------------: |\n| Top1准确率(%) | 93.62 | 93.77 | 10.00 | 93.56 |\n| 参数量 | 20.04M | 20.04M | 2.42M | 2.42M |\n\n| 剪枝比例 | 0 | 0.1 | 0.2 | 0.3 | 0.4 | 0.5 | 0.6 | 0.7 |\n| :----------------------------------: | :-----------: | :----------: | :-----------: | :----------: | :----------: | :----------: | :----------: | :----------: |\n| 未精调时的Top1准确率(%) | 93.77 | 93.72 | 93.76 | 93.75 | 93.75 | 93.40 | 37.83 | 10.00 |\n| 参数量(M) \u002F MACC(M) | 20.04\u002F 398.44 | 15.9\u002F 349.22 | 12.28\u002F 307.78 | 9.12\u002F 272.94 | 6.74\u002F 247.86 | 4.62\u002F 231.86 | 3.14\u002F 222.17 | 2.42\u002F 210.84 |\n\n| 剪枝比例 | 架构 |\n| :----------: | :--------------------------------------: |\n| 0 | [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512] |\n| 0.1 | [60, 64, 'M', 128, 128, 'M', 256, 255, 253, 245, 'M', 436, 417, 425, 462, 'M', 463, 465, 472, 424] |\n| 0.2 | [58, 64, 'M', 128, 128, 'M', 256, 255, 250, 233, 'M', 360, 336, 329, 398, 'M', 420, 412, 435, 341] |\n| 0.3 | [56, 64, 'M', 128, 128, 'M', 256, 254, 249, 227, 'M', 284, 239, 244, 351, 'M', 369, 364, 384, 255] |\n| 0.4 | [52, 64, 'M', 128, 128, 'M', 256, 254, 247, 218, 'M', 218, 162, 166, 294, 'M', 317, 315, 318, 165] |\n| 0.5 | [52, 64, 'M', 128, 128, 'M', 256, 254, 245, 214, 'M', 179, 117, 116, 229, 'M', 228, 220, 210, 111] |\n| 0.6 | [51, 64, 'M', 128, 128, 'M', 256, 254, 245, 213, 'M', 165, 85, 92, 153, 'M', 83, 86, 87, 111] |\n| 0.7 | [49, 64, 'M', 128, 128, 'M', 256, 254, 234, 198, 'M', 114, 41, 24, 11, 'M', 14, 13, 19, 104] |\n\n## 基线\n\n```shell\npython main.py\n```\n\n## 使用稀疏性训练\n\n```shell\npython main.py -sr --s 0.0001\n```\n\n## 剪枝\n\n```shell\npython prune.py --model model_best.pth.tar --save pruned.pth.tar --percent 0.7\n```\n\n## 精调\n\n```shell\npython main.py -refine pruned.pth.tar --epochs 40\n```\n\n## 参考文献\n\n```\n@InProceedings{Liu_2017_ICCV,\n    author = {Liu, Zhuang and Li, Jianguo and Shen, Zhiqiang and Huang, Gao and Yan, Shoumeng and Zhang, Changshui},\n    title = {Learning Efficient Convolutional Networks Through Network Slimming},\n    booktitle = {The IEEE International Conference on Computer Vision (ICCV)},\n    month = {Oct},\n    year = {2017}\n}\n```","# pytorch-slimming 快速上手指南\n\n本工具是 ICCV 2017 论文《Learning Efficient Convolutional Networks Through Network Slimming》的 PyTorch 复现版本，用于通过稀疏训练和通道剪枝来压缩卷积神经网络（如 VGG），在大幅减少参数量的同时保持较高的准确率。\n\n## 环境准备\n\n*   **系统要求**：Linux \u002F macOS \u002F Windows (需配置 CUDA 环境以加速训练)\n*   **前置依赖**：\n    *   Python 3.6+\n    *   PyTorch (推荐最新稳定版)\n    *   torchvision\n    *   其他常用库 (numpy, etc.)\n\n> **国内加速建议**：安装依赖时推荐使用清华或阿里镜像源。\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  克隆项目代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FEric-Wynne\u002Fpytorch-slimming.git\n    cd pytorch-slimming\n    ```\n\n2.  确保已安装上述依赖库。本项目主要包含 `main.py` (训练\u002F微调) 和 `prune.py` (剪枝) 脚本，无需额外的 `setup.py` 安装步骤。\n\n## 基本使用\n\n完整的工作流分为四个阶段：基准训练、稀疏训练、模型剪枝、微调恢复。以下以 CIFAR-10 数据集上的 VGG16BN 模型为例。\n\n### 1. 训练基准模型 (Baseline)\n首先训练一个未压缩的原始模型作为参考。\n```shell\npython main.py\n```\n\n### 2. 进行稀疏训练 (Trained with Sparsity)\n在基准模型基础上，加入 L1 正则化（缩放因子）进行稀疏训练，使不重要的通道权重趋近于零。\n```shell\npython main.py -sr --s 0.0001\n```\n*   `-sr`: 启用稀疏正则化。\n*   `--s 0.0001`: 设置稀疏惩罚系数。\n\n### 3. 执行模型剪枝 (Pruned)\n根据稀疏训练后的权重分布，按比例剪除通道。以下命令剪除 70% 的通道。\n```shell\npython prune.py --model model_best.pth.tar --save pruned.pth.tar --percent 0.7\n```\n*   `--model`: 输入稀疏训练得到的最佳模型路径。\n*   `--save`: 输出剪枝后的模型路径。\n*   `--percent`: 剪枝比例 (0.0 - 1.0)。\n\n### 4. 微调恢复精度 (Fine-tuned)\n加载剪枝后的模型进行短时间微调，以恢复因剪枝损失的精度。\n```shell\npython main.py -refine pruned.pth.tar --epochs 40\n```\n*   `-refine`: 指定需要微调的剪枝模型路径。\n*   `--epochs`: 微调训练的轮数。\n\n---\n**效果参考**：在 CIFAR-10 上，剪枝 70% 后参数量从 20.04M 降至 2.42M，经微调后 Top1 准确率可恢复至 93.56% (基准为 93.62%)。","某边缘计算团队正试图将高精度的 VGG16 图像分类模型部署到算力受限的工业巡检摄像头中，以实时检测零件缺陷。\n\n### 没有 pytorch-slimming 时\n- **显存占用过高**：原始模型参数量高达 2004 万，远超嵌入式设备的内存上限，导致程序无法启动或直接崩溃。\n- **推理延迟严重**：庞大的计算量使得单张图片处理耗时过长，无法满足生产线毫秒级的实时反馈需求。\n- **手动剪枝风险大**：若尝试人工移除网络通道，极易破坏模型结构，导致准确率从 93.6% 断崖式下跌至不可用水平。\n- **架构调整困难**：缺乏自动化工具来重新计算剪枝后的网络层级宽度，重新设计模型架构耗时且容易出错。\n\n### 使用 pytorch-slimming 后\n- **模型体积剧减**：通过稀疏训练和自动剪枝，在保持 93.56% 高准确率的同时，将参数量从 2004 万压缩至 242 万，完美适配端侧内存。\n- **推理速度提升**：大幅减少了冗余卷积核计算，显著降低了推理延迟，实现了流畅的实时缺陷检测。\n- **精度无损保留**：利用工具内置的“稀疏训练 - 剪枝 - 微调”全流程，确保在剔除 70% 冗余通道后，模型性能几乎未受损失。\n- **自动化架构生成**：工具自动输出剪枝后的新网络配置（如将部分层通道数从 512 动态调整为 114），无需人工干预结构细节。\n\npytorch-slimming 通过智能化的网络瘦身技术，成功打破了高精度深度学习模型在资源受限边缘设备上落地的瓶颈。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffoolwood_pytorch-slimming_bef9b2e5.png","foolwood","Qiang Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffoolwood_7e7543cf.jpg","Computer Vision & Machine Learning (We're hiring https:\u002F\u002Fjobs.apple.com\u002Fen-us\u002Fdetails\u002F200321942, email: qiang_wang5@apple.com)\r\n","Apple","Beijing",null,"http:\u002F\u002Fwww.robots.ox.ac.uk\u002F~qwang\u002F","https:\u002F\u002Fgithub.com\u002Ffoolwood",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,577,97,"2026-02-01T13:03:58","MIT","未说明","未说明（基于 PyTorch，通常建议配备支持 CUDA 的 NVIDIA GPU 以加速训练）",{"notes":94,"python":91,"dependencies":95},"该项目是 ICCV2017 论文《Learning Efficient Convolutional Networks Through Network Slimming》的 PyTorch 复现版本。官方原版代码基于 Torch。主要功能包括稀疏训练、模型剪枝和微调。运行示例命令涉及 CIFAR-10 数据集和 VGG16BN 模型架构。具体依赖版本需参考项目源码中的 requirements 文件或根据安装的 PyTorch 版本自行适配。",[96,97],"pytorch","torchvision",[14],[100,96,101,102,103],"weight-pruning","l1-regularization","fast-inference","deep-learning","2026-03-27T02:49:30.150509","2026-04-06T18:54:08.291918",[],[]]