[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-deepmind--xmanager":3,"tool-google-deepmind--xmanager":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",147882,2,"2026-04-09T11:32:47",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":10,"env_os":101,"env_gpu":102,"env_ram":103,"env_deps":104,"category_tags":111,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":112,"updated_at":113,"faqs":114,"releases":144},5879,"google-deepmind\u002Fxmanager","xmanager","A platform for managing machine learning experiments","xmanager 是一个专为机器学习实验设计的开源管理平台，旨在帮助开发者高效地打包、运行和追踪实验全过程。在机器学习研发中，实验往往涉及复杂的环境配置、代码版本管理以及在不同计算资源（如本地服务器或云端）间的调度，传统手动操作容易出错且难以复现。xmanager 通过统一的 Python 启动脚本接口，将这些繁琐步骤自动化，让用户只需编写少量代码即可灵活地将任务部署到本地 Docker 环境或谷歌云平台（GCP）的 Vertex AI 服务上。\n\n这款工具特别适合机器学习工程师、数据科学家及研究人员使用，尤其是那些需要频繁迭代模型、对比实验结果或进行大规模分布式训练的团队。其核心亮点在于“一次定义，多处运行”的灵活性：用户无需为不同运行环境重写代码，xmanager 能自动处理依赖打包与容器化构建（支持 Docker 和 Bazel），并确保实验记录的可追溯性。此外，它与 TensorFlow、TensorBoard 等主流生态无缝集成，方便用户随时查看训练日志与可视化指标。无论是初学者在笔记本上进行小规模测试，还是专业团队在云端开展大型项目，xmanager 都能提供稳定、简洁的工","xmanager 是一个专为机器学习实验设计的开源管理平台，旨在帮助开发者高效地打包、运行和追踪实验全过程。在机器学习研发中，实验往往涉及复杂的环境配置、代码版本管理以及在不同计算资源（如本地服务器或云端）间的调度，传统手动操作容易出错且难以复现。xmanager 通过统一的 Python 启动脚本接口，将这些繁琐步骤自动化，让用户只需编写少量代码即可灵活地将任务部署到本地 Docker 环境或谷歌云平台（GCP）的 Vertex AI 服务上。\n\n这款工具特别适合机器学习工程师、数据科学家及研究人员使用，尤其是那些需要频繁迭代模型、对比实验结果或进行大规模分布式训练的团队。其核心亮点在于“一次定义，多处运行”的灵活性：用户无需为不同运行环境重写代码，xmanager 能自动处理依赖打包与容器化构建（支持 Docker 和 Bazel），并确保实验记录的可追溯性。此外，它与 TensorFlow、TensorBoard 等主流生态无缝集成，方便用户随时查看训练日志与可视化指标。无论是初学者在笔记本上进行小规模测试，还是专业团队在云端开展大型项目，xmanager 都能提供稳定、简洁的工作流支持，让研究者更专注于算法创新而非工程琐事。","# XManager: A framework for managing machine learning experiments 🧑‍🔬\n\n\u003C!-- Note that links in README.md have to be absolute as it also lands on PyPI. -->\n\nXManager is a platform for packaging, running and keeping track of machine\nlearning experiments. It currently enables one to launch experiments locally or\non [Google Cloud Platform (GCP)](https:\u002F\u002Fcloud.google.com\u002F). Interaction with\nexperiments is done via XManager's APIs through Python *launch scripts*. Check\nout\n[these slides](https:\u002F\u002Fstorage.googleapis.com\u002Fgresearch\u002Fxmanager\u002Fdeepmind_xmanager_slides.pdf)\nfor a more detailed introduction.\n\n\nTo get started, install [XManager](#install-xmanager), its\n[prerequisites](#prerequisites) if needed and follow [the\ntutorial](#writing-xmanager-launch-scripts) or a codelab\n([Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmaster\u002Fcolab_codelab.ipynb) \u002F [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002Fjupyter_codelab.ipynb))\nto create and run a launch script.\n\nSee\n[CONTRIBUTING.md](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002FCONTRIBUTING.md)\nfor guidance on contributions.\n\n## Install XManager\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager.git\n```\n\nOr, alternatively, [a PyPI project](https:\u002F\u002Fpypi.org\u002Fproject\u002Fxmanager\u002F) is also\navailable.\n\n```bash\npip install xmanager\n```\n\nOn Debian-based systems, XManager and all its dependencies can be installed and\nset up by cloning this repository and then running\n\n```sh\ncd xmanager\u002Fsetup_scripts && chmod +x setup_all.sh && . .\u002Fsetup_all.sh\n```\n\n## Prerequisites\n\nThe codebase assumes Python 3.9+.\n\n### Install Docker (optional)\n\nIf you use `xmanager.xm.PythonDocker` to run XManager experiments,\nyou need to install Docker.\n\n1. Follow [the steps](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstall\u002F#supported-platforms)\n   to install Docker.\n\n2. And if you are a Linux user, follow [the steps](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstall\u002Flinux-postinstall\u002F)\n   to enable sudoless Docker.\n\n### Install Bazel (optional)\n\nIf you use `xmanager.xm_local.BazelContainer` or `xmanager.xm_local.BazelBinary`\nto run XManager experiments, you need to install Bazel.\n\n1. Follow [the steps](https:\u002F\u002Fdocs.bazel.build\u002Fversions\u002Fmaster\u002Finstall.html) to\n   install Bazel.\n\n### Create a GCP project (optional)\n\nIf you use `xm_local.Vertex` ([Vertex AI](https:\u002F\u002Fcloud.google.com\u002Fvertex-ai))\nto run XManager experiments, you need to have a GCP project in order to be able\nto access Vertex AI to run jobs.\n\n1. [Create](https:\u002F\u002Fconsole.cloud.google.com\u002F) a GCP project.\n\n2. [Install](https:\u002F\u002Fcloud.google.com\u002Fsdk\u002Fdocs\u002Finstall) `gcloud`.\n\n3. Associate your Google Account (Gmail account) with your GCP project by\n   running:\n\n   ```bash\n   export GCP_PROJECT=\u003CGCP PROJECT ID>\n   gcloud auth login\n   gcloud auth application-default login\n   gcloud config set project $GCP_PROJECT\n   ```\n\n4. Set up `gcloud` to work with Docker by running:\n\n   ```bash\n   gcloud auth configure-docker\n   ```\n\n5. Enable Google Cloud Platform APIs.\n\n   * [Enable](https:\u002F\u002Fconsole.cloud.google.com\u002Fapis\u002Flibrary\u002Fiam.googleapis.com)\n     IAM.\n\n   * [Enable](https:\u002F\u002Fconsole.cloud.google.com\u002Fapis\u002Flibrary\u002Faiplatform.googleapis.com)\n     the 'Cloud AI Platfrom'.\n\n   * [Enable](https:\u002F\u002Fconsole.cloud.google.com\u002Fapis\u002Flibrary\u002Fcontainerregistry.googleapis.com)\n     the 'Container Registry'.\n\n6. Create a staging bucket in us-central1 if you do not already have one. This\n   bucket should be used to save experiment artifacts like TensorFlow log files,\n   which can be read by TensorBoard. This bucket may also be used to stage files\n   to build your Docker image if you build your images remotely.\n\n   ```bash\n   export GOOGLE_CLOUD_BUCKET_NAME=\u003CGOOGLE_CLOUD_BUCKET_NAME>\n   gsutil mb -l us-central1 gs:\u002F\u002F$GOOGLE_CLOUD_BUCKET_NAME\n   ```\n\n   Add `GOOGLE_CLOUD_BUCKET_NAME` to the environment variables or your .bashrc:\n\n   ```bash\n   export GOOGLE_CLOUD_BUCKET_NAME=\u003CGOOGLE_CLOUD_BUCKET_NAME>\n   ```\n\n## Writing XManager launch scripts\n\n\u003Cdetails>\n  \u003Csummary>\n    A snippet for the impatient 🙂\n  \u003C\u002Fsummary>\n\n```python\n# Contains core primitives and APIs.\nfrom xmanager import xm\n# Implementation of those core concepts for what we call 'the local backend',\n# which means all executables are sent for execution from this machine,\n# independently of whether they are actually executed on our machine or on GCP.\nfrom xmanager import xm_local\n#\n# Creates an experiment context and saves its metadata to the database, which we\n# can reuse later via `xm_local.list_experiments`, for example. Note that\n# `experiment` has tracking properties such as `id`.\nwith xm_local.create_experiment(experiment_title='cifar10') as experiment:\n  # Packaging prepares a given *executable spec* for running with a concrete\n  # *executor spec*: depending on the combination, that may involve building\n  # steps and \u002F or copying the results somewhere. For example, a\n  # `xm.python_container` designed to run on `Kubernetes` will be built via\n  #`docker build`, and the new image will be uploaded to the container registry.\n  # But for our simple case where we have a prebuilt Linux binary designed to\n  # run locally only some validations are performed -- for example, that the\n  # file exists.\n  #\n  # `executable` contains all the necessary information needed to launch the\n  # packaged blob via `.add`, see below.\n  [executable] = experiment.package([\n      xm.binary(\n          # What we are going to run.\n          path='\u002Fhome\u002Fuser\u002Fproject\u002Fa.out',\n          # Where we are going to run it.\n          executor_spec=xm_local.Local.Spec(),\n      )\n  ])\n  #\n  # Let's find out which `batch_size` is best -- presumably our jobs write the\n  # results somewhere.\n  for batch_size in [64, 1024]:\n    # `add` creates a new *experiment unit*, which is usually a collection of\n    # semantically united jobs, and sends them for execution. To pass an actual\n    # collection one may want to use `JobGroup`s (more about it later in the\n    # documentation), but for our purposes we are going to pass just one job.\n    experiment.add(xm.Job(\n        # The `a.out` we packaged earlier.\n        executable=executable,\n        # We are using the default settings here, but executors have plenty of\n        # arguments available to control execution.\n        executor=xm_local.Local(),\n        # Time to pass the batch size as a command-line argument!\n        args={'batch_size': batch_size},\n        # We can also pass environment variables.\n        env_vars={'HEAPPROFILE': '\u002Ftmp\u002Fa_out.hprof'},\n    ))\n  #\n  # The context will wait for locally run things (but not for remote things such\n  # as jobs sent to GCP, although they can be explicitly awaited via\n  # `wait_for_completion`).\n```\n\n\u003C\u002Fdetails>\n\nThe basic structure of an XManager launch script can be summarized by these\nsteps:\n\n1. Create an experiment and acquire its context.\n\n    ```python\n    from xmanager import xm\n    from xmanager import xm_local\n\n    with xm_local.create_experiment(experiment_title='cifar10') as experiment:\n    ```\n\n2. Define specifications of executables you want to run.\n\n    ```python\n    spec = xm.PythonContainer(\n        path='\u002Fpath\u002Fto\u002Fpython\u002Ffolder',\n        entrypoint=xm.ModuleName('cifar10'),\n    )\n    ```\n\n3. Package your executables.\n\n    ```python\n    [executable] = experiment.package([\n      xm.Packageable(\n        executable_spec=spec,\n        executor_spec=xm_local.Vertex.Spec(),\n      ),\n    ])\n   ```\n\n4. Define your hyperparameters.\n\n    ```python\n    import itertools\n\n    batch_sizes = [64, 1024]\n    learning_rates = [0.1, 0.001]\n    trials = list(\n      dict([('batch_size', bs), ('learning_rate', lr)])\n      for (bs, lr) in itertools.product(batch_sizes, learning_rates)\n    )\n    ```\n\n5. Define resource requirements for each job.\n\n    ```python\n    requirements = xm.JobRequirements(T4=1)\n    ```\n\n6. For each trial, add a job \u002F job groups to launch them.\n\n    ```python\n    for hyperparameters in trials:\n      experiment.add(xm.Job(\n          executable=executable,\n          executor=xm_local.Vertex(requirements=requirements),\n          args=hyperparameters,\n        ))\n    ```\n\nNow we should be ready [to run](#run-xmanager) the launch script.\n\nTo learn more about different *executables* and *executors* follow\n['Components'](#components).\n\n## Run XManager\n\n```bash\nxmanager launch .\u002Fxmanager\u002Fexamples\u002Fcifar10_tensorflow\u002Flauncher.py\n```\n\nIn order to run multi-job experiments, the `--xm_wrap_late_bindings` flag might\nbe required:\n\n```bash\nxmanager launch .\u002Fxmanager\u002Fexamples\u002Fcifar10_tensorflow\u002Flauncher.py -- --xm_wrap_late_bindings\n```\n\n\u003C!-- TODO: Elaborate on why that is necessary. -->\n\n## Components\n\n### Executable specifications\n\nXManager executable specifications define what should be packaged in the form of\nbinaries, source files, and other input dependencies required for job execution.\nExecutable specifications are reusable and generally platform-independent.\n\nSee\n[executable_specs.md](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002Fdocs\u002Fexecutable_specs.md)\nfor details on each executable specification.\n\n| Name | Description |\n| --- | --- |\n| `xmanager.xm.Container` | A pre-built `.tar` image. |\n| `xmanager.xm.BazelContainer` | A [Bazel](https:\u002F\u002Fbazel.build\u002F) target producing a `.tar` image. |\n| `xmanager.xm.Binary` | A pre-built binary. |\n| `xmanager.xm.BazelBinary` | A [Bazel](https:\u002F\u002Fbazel.build\u002F) target producing a self-contained binary. |\n| `xmanager.xm.PythonContainer` | A directory with Python modules to be packaged as a Docker container. |\n\n\n### Executors\n\nXManager executors define a platform where the job runs and resource\nrequirements for the job.\n\nEach executor also has a specification which describes how an executable\nspecification should be prepared and packaged.\n\nSee\n[executors.md](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002Fdocs\u002Fexecutors.md)\nfor details on each executor.\n\n| Name | Description |\n| --- | --- |\n| `xmanager.xm_local.Local` | Runs a binary or a container locally. |\n| `xmanager.xm_local.Vertex` | Runs a container on [Vertex AI](#create-a-gcp-project-(optional)). |\n| `xmanager.xm_local.Kubernetes` | Runs a container on Kubernetes. |\n\n### Job \u002F JobGroup\n\nA `Job` represents a single executable on a particular executor, while a\n`JobGroup` unites a group of `Job`s providing a gang scheduling concept:\n`Job`s inside them are scheduled \u002F descheduled simultaneously. Same `Job`\nand `JobGroup` instances can be `add`ed multiple times.\n\n#### Job\n\nA Job accepts an executable and an executor along with hyperparameters which can\neither be command-line arguments or environment variables.\n\nCommand-line arguments can be passed in list form, `[arg1, arg2, arg3]`:\n\n```bash\nbinary arg1 arg2 arg3\n```\n\nThey can also be passed in dictionary form, `{key1: value1, key2: value2}`:\n\n```bash\nbinary --key1=value1 --key2=value2\n```\n\nEnvironment variables are always passed in `Dict[str, str]` form:\n\n```bash\nexport KEY=VALUE\n```\n\nJobs are defined like this:\n\n```python\n[executable] = xm.Package(...)\n\nexecutor = xm_local.Vertex(...)\n\nxm.Job(\n    executable=executable,\n    executor=executor,\n    args={\n        'batch_size': 64,\n    },\n    env_vars={\n        'NCCL_DEBUG': 'INFO',\n    },\n)\n```\n\n#### JobGroup\n\nA JobGroup accepts jobs in a kwargs form. The keyword can be any valid Python\nidentifier. For example, you can call your jobs 'agent' and 'observer'.\n\n```python\nagent_job = xm.Job(...)\nobserver_job = xm.Job(...)\n\nxm.JobGroup(agent=agent_job, observer=observer_job)\n```\n","# XManager：用于管理机器学习实验的框架 🧑‍🔬\n\n\u003C!-- 请注意，README.md 中的链接必须是绝对路径，因为它也会出现在 PyPI 上。 -->\n\nXManager 是一个用于打包、运行并跟踪机器学习实验的平台。目前，它支持在本地或 [Google Cloud Platform (GCP)](https:\u002F\u002Fcloud.google.com\u002F) 上启动实验。与实验的交互通过 Python *启动脚本* 使用 XManager 的 API 完成。请查看\n[这些幻灯片](https:\u002F\u002Fstorage.googleapis.com\u002Fgresearch\u002Fxmanager\u002Fdeepmind_xmanager_slides.pdf)\n以获得更详细的介绍。\n\n\n要开始使用，请安装 [XManager](#install-xmanager)，如有需要，先安装其\n[先决条件](#prerequisites)，然后按照 [教程](#writing-xmanager-launch-scripts) 或代码实验室\n([Colab Notebook](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmaster\u002Fcolab_codelab.ipynb) \u002F [Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002Fjupyter_codelab.ipynb))\n来创建并运行一个启动脚本。\n\n有关贡献的指导，请参阅\n[CONTRIBUTING.md](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002FCONTRIBUTING.md)。\n\n## 安装 XManager\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager.git\n```\n\n或者，也可以使用 [PyPI 项目](https:\u002F\u002Fpypi.org\u002Fproject\u002Fxmanager\u002F)：\n\n```bash\npip install xmanager\n```\n\n在基于 Debian 的系统上，可以通过克隆此仓库并运行以下命令来安装和设置 XManager 及其所有依赖项：\n\n```sh\ncd xmanager\u002Fsetup_scripts && chmod +x setup_all.sh && . .\u002Fsetup_all.sh\n```\n\n## 先决条件\n\n该代码库假设使用 Python 3.9 或更高版本。\n\n### 安装 Docker（可选）\n\n如果您使用 `xmanager.xm.PythonDocker` 来运行 XManager 实验，则需要安装 Docker。\n\n1. 按照 [步骤](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstall\u002F#supported-platforms)\n   安装 Docker。\n\n2. 如果您是 Linux 用户，请按照 [步骤](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstall\u002Flinux-postinstall\u002F)\n   启用无需 sudo 的 Docker。\n\n### 安装 Bazel（可选）\n\n如果您使用 `xmanager.xm_local.BazelContainer` 或 `xmanager.xm_local.BazelBinary`\n来运行 XManager 实验，则需要安装 Bazel。\n\n1. 按照 [步骤](https:\u002F\u002Fdocs.bazel.build\u002Fversions\u002Fmaster\u002Finstall.html) 安装 Bazel。\n\n### 创建 GCP 项目（可选）\n\n如果您使用 `xm_local.Vertex`（即 [Vertex AI](https:\u002F\u002Fcloud.google.com\u002Fvertex-ai)）\n来运行 XManager 实验，则需要拥有一个 GCP 项目，以便能够访问 Vertex AI 来运行作业。\n\n1. 在 [控制台](https:\u002F\u002Fconsole.cloud.google.com\u002F) 创建一个 GCP 项目。\n\n2. 安装 [gcloud](https:\u002F\u002Fcloud.google.com\u002Fsdk\u002Fdocs\u002Finstall)。\n\n3. 将您的 Google 帐户（Gmail 帐户）与 GCP 项目关联，方法如下：\n\n   ```bash\n   export GCP_PROJECT=\u003CGCP PROJECT ID>\n   gcloud auth login\n   gcloud auth application-default login\n   gcloud config set project $GCP_PROJECT\n   ```\n\n4. 配置 `gcloud` 以配合 Docker 使用，运行：\n\n   ```bash\n   gcloud auth configure-docker\n   ```\n\n5. 启用 Google Cloud Platform 的 API。\n\n   * 启用 [IAM](https:\u002F\u002Fconsole.cloud.google.com\u002Fapis\u002Flibrary\u002Fiam.googleapis.com)。\n\n   * 启用 [Cloud AI Platform](https:\u002F\u002Fconsole.cloud.google.com\u002Fapis\u002Flibrary\u002Faiplatform.googleapis.com)。\n\n   * 启用 [Container Registry](https:\u002F\u002Fconsole.cloud.google.com\u002Fapis\u002Flibrary\u002Fcontainerregistry.googleapis.com)。\n\n6. 如果您还没有存储桶，请在 us-central1 区域创建一个暂存存储桶。该存储桶可用于保存实验工件，例如 TensorFlow 日志文件，这些文件可以被 TensorBoard 读取。如果远程构建 Docker 镜像，该存储桶也可用于暂存文件以构建镜像。\n\n   ```bash\n   export GOOGLE_CLOUD_BUCKET_NAME=\u003CGOOGLE_CLOUD_BUCKET_NAME>\n   gsutil mb -l us-central1 gs:\u002F\u002F$GOOGLE_CLOUD_BUCKET_NAME\n   ```\n\n   将 `GOOGLE_CLOUD_BUCKET_NAME` 添加到环境变量或 `.bashrc` 文件中：\n\n   ```bash\n   export GOOGLE_CLOUD_BUCKET_NAME=\u003CGOOGLE_CLOUD_BUCKET_NAME>\n   ```\n\n## 编写 XManager 启动脚本\n\n\u003Cdetails>\n  \u003Csummary>\n    适合急于尝试的简短示例 🙂\n  \u003C\u002Fsummary>\n\n```python\n# 包含核心原语和 API。\nfrom xmanager import xm\n# 这些核心概念在我们称为“本地后端”的实现中应用，\n# 即所有可执行文件都从本机发送执行，\n# 不管它们实际上是在本机还是在 GCP 上执行。\nfrom xmanager import xm_local\n#\n# 创建一个实验上下文，并将其元数据保存到数据库中，\n# 我们以后可以通过 `xm_local.list_experiments` 等方式重复使用。\n注意，\n\n# `experiment` 具有诸如 `id` 之类的跟踪属性。\nwith xm_local.create_experiment(experiment_title='cifar10') as experiment:\n  # 打包会将给定的 *可执行文件规范* 准备好，以便使用具体的\n  # *执行器规范* 来运行：根据组合的不同，这可能涉及构建步骤和\u002F或\n  # 将结果复制到某个地方。例如，一个设计在 `Kubernetes` 上运行的\n  # `xm.python_container` 将通过 `docker build` 构建，并且新镜像会被\n  # 上传到容器注册表。\n  # 但在我们这个简单的例子中，我们有一个预先构建好的仅能在本地\n  # 运行的 Linux 二进制文件，因此只进行一些验证——比如检查文件是否\n  # 存在。\n  #\n  # `executable` 包含了通过 `.add` 启动打包后的文件所需的所有必要\n  # 信息，详见下文。\n  [executable] = experiment.package([\n      xm.binary(\n          # 我们要运行什么。\n          path='\u002Fhome\u002Fuser\u002Fproject\u002Fa.out',\n          # 我们要在哪儿运行它。\n          executor_spec=xm_local.Local.Spec(),\n      )\n  ])\n  #\n  # 让我们找出哪个 `batch_size` 最优——假设我们的作业会将结果写入\n  # 某个位置。\n  for batch_size in [64, 1024]:\n    # `add` 会创建一个新的 *实验单元*，通常是一组语义上相关的作业，\n  # 并将其发送去执行。如果要传递实际的一组作业，可以使用 `JobGroup`\n  # （文档稍后会有更多介绍），但出于我们的目的，这里我们将只传递一\n  # 个作业。\n    experiment.add(xm.Job(\n        # 我们之前打包的 `a.out`。\n        executable=executable,\n        # 这里我们使用默认设置，但执行器有许多参数可用于控制执行。\n        executor=xm_local.Local(),\n        # 现在该把批量大小作为命令行参数传入了！\n        args={'batch_size': batch_size},\n        # 我们还可以传递环境变量。\n        env_vars={'HEAPPROFILE': '\u002Ftmp\u002Fa_out.hprof'},\n    ))\n  #\n  # 上下文会等待本地运行的任务完成（但不会等待远程任务，比如发送到\n  # GCP 的作业，尽管可以通过 `wait_for_completion` 显式地等待它们完成）。\n```\n\n\u003C\u002Fdetails>\n\nXManager 启动脚本的基本结构可以概括为以下步骤：\n\n1. 创建一个实验并获取其上下文。\n\n    ```python\n    from xmanager import xm\n    from xmanager import xm_local\n\n    with xm_local.create_experiment(experiment_title='cifar10') as experiment:\n    ```\n\n2. 定义你想要运行的可执行文件的规格。\n\n    ```python\n    spec = xm.PythonContainer(\n        path='\u002Fpath\u002Fto\u002Fpython\u002Ffolder',\n        entrypoint=xm.ModuleName('cifar10'),\n    )\n    ```\n\n3. 打包你的可执行文件。\n\n    ```python\n    [executable] = experiment.package([\n      xm.Packageable(\n        executable_spec=spec,\n        executor_spec=xm_local.Vertex.Spec(),\n      ),\n    ])\n   ```\n\n4. 定义你的超参数。\n\n    ```python\n    import itertools\n\n    batch_sizes = [64, 1024]\n    learning_rates = [0.1, 0.001]\n    trials = list(\n      dict([('batch_size', bs), ('learning_rate', lr)])\n      for (bs, lr) in itertools.product(batch_sizes, learning_rates)\n    )\n    ```\n\n5. 为每个作业定义资源需求。\n\n    ```python\n    requirements = xm.JobRequirements(T4=1)\n    ```\n\n6. 对于每个试验，添加一个作业或作业组来启动它们。\n\n    ```python\n    for hyperparameters in trials:\n      experiment.add(xm.Job(\n          executable=executable,\n          executor=xm_local.Vertex(requirements=requirements),\n          args=hyperparameters,\n        ))\n    ```\n\n现在我们应该已经准备好[运行](#run-xmanager)启动脚本了。\n\n要了解更多关于不同 *可执行文件* 和 *执行器* 的信息，请参阅\n['组件'](#components)。\n\n## 运行 XManager\n\n```bash\nxmanager launch .\u002Fxmanager\u002Fexamples\u002Fcifar10_tensorflow\u002Flauncher.py\n```\n\n为了运行多作业实验，可能需要使用 `--xm_wrap_late_bindings` 标志：\n\n```bash\nxmanager launch .\u002Fxmanager\u002Fexamples\u002Fcifar10_tensorflow\u002Flauncher.py -- --xm_wrap_late_bindings\n```\n\n\u003C!-- TODO: Elaborate on why that is necessary. -->\n\n## 组件\n\n### 可执行文件规格\n\nXManager 的可执行文件规格定义了应该以二进制文件、源代码文件以及其他\n作业执行所需的输入依赖项的形式打包的内容。可执行文件规格是可重用的，\n并且通常是平台无关的。\n\n有关每种可执行文件规格的详细信息，请参阅\n[executable_specs.md](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002Fdocs\u002Fexecutable_specs.md)。\n\n| 名称 | 描述 |\n| --- | --- |\n| `xmanager.xm.Container` | 一个预先构建好的 `.tar` 镜像。 |\n| `xmanager.xm.BazelContainer` | 一个 [Bazel](https:\u002F\u002Fbazel.build\u002F) 目标，用于生成 `.tar` 镜像。 |\n| `xmanager.xm.Binary` | 一个预先构建的二进制文件。 |\n| `xmanager.xm.BazelBinary` | 一个 [Bazel](https:\u002F\u002Fbazel.build\u002F) 目标，用于生成自包含的二进制文件。 |\n| `xmanager.xm.PythonContainer` | 一个包含 Python 模块的目录，这些模块将被打包成 Docker 容器。 |\n\n\n### 执行器\n\nXManager 的执行器定义了作业运行的平台以及作业所需的资源。\n\n每个执行器还有一个规格，描述了如何准备和打包可执行文件规格。\n\n有关每个执行器的详细信息，请参阅\n[executors.md](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager\u002Fblob\u002Fmain\u002Fdocs\u002Fexecutors.md)。\n\n| 名称 | 描述 |\n| --- | --- |\n| `xmanager.xm_local.Local` | 在本地运行二进制文件或容器。 |\n| `xmanager.xm_local.Vertex` | 在 [Vertex AI](#create-a-gcp-project-(optional)) 上运行容器。 |\n| `xmanager.xm_local.Kubernetes` | 在 Kubernetes 上运行容器。 |\n\n### 作业 \u002F 作业组\n\n`Job` 代表特定执行器上的单个可执行文件，而 `JobGroup` 则将一组 `Job` 联合起来，\n提供一种“gang scheduling”概念：其中的 `Job` 会同时被调度或取消调度。相同的\n`Job` 和 `JobGroup` 实例可以被多次 `add`。\n\n#### 作业\n\n作业接受一个可执行文件和一个执行器，以及超参数，这些超参数可以是命令行参数\n或者环境变量。\n\n命令行参数可以以列表形式传递，如 `[arg1, arg2, arg3]`：\n\n```bash\nbinary arg1 arg2 arg3\n```\n\n也可以以字典形式传递，如 `{key1: value1, key2: value2}`：\n\n```bash\nbinary --key1=value1 --key2=value2\n```\n\n环境变量总是以 `Dict[str, str]` 形式传递：\n\n```bash\nexport KEY=VALUE\n```\n\n作业的定义如下：\n\n```python\n[executable] = xm.Package(...)\n\nexecutor = xm_local.Vertex(...)\n\nxm.Job(\n    executable=executable,\n    executor=executor,\n    args={\n        'batch_size': 64,\n    },\n    env_vars={\n        'NCCL_DEBUG': 'INFO',\n    },\n)\n```\n\n#### 作业组\n\n作业组以关键字参数的形式接受作业。关键字可以是任何有效的 Python 标识符。\n例如，你可以将你的作业命名为“agent”和“observer”。\n\n```python\nagent_job = xm.Job(...)\nobserver_job = xm.Job(...)\n\nxm.JobGroup(agent=agent_job, observer=observer_job)\n```","# XManager 快速上手指南\n\nXManager 是一个用于打包、运行和追踪机器学习实验的框架。它支持在本地或 Google Cloud Platform (GCP) 上启动实验，并通过 Python 启动脚本进行交互。\n\n## 环境准备\n\n### 系统要求\n- **Python**: 3.9 或更高版本。\n\n### 可选前置依赖\n根据你选择的运行后端，可能需要安装以下工具：\n\n1. **Docker** (可选)\n   - 如果你使用 `xmanager.xm.PythonDocker` 运行实验。\n   - **Linux 用户注意**：安装后需配置免 sudo 运行 Docker。\n   - 安装参考：[Docker 官方文档](https:\u002F\u002Fdocs.docker.com\u002Fengine\u002Finstall\u002F#supported-platforms)\n\n2. **Bazel** (可选)\n   - 如果你使用 `xmanager.xm_local.BazelContainer` 或 `xmanager.xm_local.BazelBinary`。\n   - 安装参考：[Bazel 官方文档](https:\u002F\u002Fbazel.build\u002Fversions\u002Fmaster\u002Finstall.html)\n\n3. **Google Cloud Platform (GCP)** (可选)\n   - 如果你使用 `xm_local.Vertex` (Vertex AI) 运行实验。\n   - 需要创建 GCP 项目、安装 `gcloud` CLI、配置认证并启用相关 API (IAM, Cloud AI Platform, Container Registry)。\n   - 需要创建一个 GCS bucket 用于存储实验产物。\n\n## 安装步骤\n\n### 方法一：通过 PyPI 安装（推荐）\n```bash\npip install xmanager\n```\n\n### 方法二：从源码安装\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager.git\n```\n\n### 方法三：Debian\u002FUbuntu 一键脚本\n如果你使用的是基于 Debian 的系统，可以克隆仓库并运行设置脚本来自动安装所有依赖：\n```sh\ngit clone https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fxmanager.git\ncd xmanager\u002Fsetup_scripts && chmod +x setup_all.sh && . .\u002Fsetup_all.sh\n```\n\n## 基本使用\n\nXManager 的核心工作流程分为：**创建实验上下文** -> **定义可执行文件规范** -> **打包** -> **定义超参数** -> **提交任务**。\n\n以下是一个最简单的本地运行示例脚本 (`launcher.py`)：\n\n```python\n# 导入核心模块\nfrom xmanager import xm\nfrom xmanager import xm_local\n\n# 1. 创建实验上下文\nwith xm_local.create_experiment(experiment_title='cifar10_demo') as experiment:\n  \n  # 2. 定义可执行文件规范 (这里以预编译的二进制文件为例)\n  # 如果是 Python 项目，通常使用 xm.PythonContainer\n  spec = xm.Binary(\n      path='\u002Fhome\u002Fuser\u002Fproject\u002Fa.out', \n      executor_spec=xm_local.Local.Spec(),\n  )\n\n  # 3. 打包可执行文件\n  # package 方法返回一个 executable 列表，用于后续任务定义\n  [executable] = experiment.package([spec])\n\n  # 4. 定义超参数组合\n  batch_sizes = [64, 1024]\n\n  # 5. 提交任务 (Job)\n  for batch_size in batch_sizes:\n    experiment.add(xm.Job(\n        executable=executable,\n        # 指定执行器为本地运行\n        executor=xm_local.Local(),\n        # 传递命令行参数 (字典格式会自动转换为 --key=value)\n        args={'batch_size': batch_size},\n        # 传递环境变量\n        env_vars={'HEAPPROFILE': '\u002Ftmp\u002Fa_out.hprof'},\n    ))\n    \n  # 上下文退出时，本地任务会自动等待完成\n```\n\n### 运行启动脚本\n\n使用 `xmanager launch` 命令运行上述脚本：\n\n```bash\nxmanager launch .\u002Flauncher.py\n```\n\n如果运行包含多任务绑定的复杂实验，可能需要添加标志：\n\n```bash\nxmanager launch .\u002Flauncher.py -- --xm_wrap_late_bindings\n```\n\n### 核心概念简述\n- **Executable Specs**: 定义要打包的内容（如 Docker 镜像、二进制文件、Python 目录）。\n- **Executors**: 定义运行平台（`Local` 本地, `Vertex` GCP Vertex AI, `Kubernetes`）。\n- **Job**: 单个执行单元，包含可执行文件、执行器和参数。\n- **JobGroup**: 一组需要同时调度\u002F取消调度的 Job 集合。","某自动驾驶算法团队正在迭代感知模型，需要频繁在本地调试代码并将最终训练任务提交到 Google Cloud Platform (GCP) 的大规模集群上运行。\n\n### 没有 xmanager 时\n- **环境不一致导致复现难**：本地开发的依赖库版本与云端服务器不一致，导致代码在本地跑通后，上传到云端常因缺少依赖或版本冲突而报错。\n- **手动部署流程繁琐**：每次实验都需要手动构建 Docker 镜像、推送到远程仓库、编写复杂的 gcloud 命令行脚本并提交作业，耗时且容易出错。\n- **实验追踪混乱**：超参数调整、代码版本和对应的训练日志分散在不同地方，缺乏统一视图，难以回溯哪个代码版本产生了最佳效果。\n- **资源调度僵化**：无法通过代码灵活定义计算资源需求，切换本地测试与云端大规模训练需要大幅修改执行逻辑。\n\n### 使用 xmanager 后\n- **容器化封装确保一致性**：通过 `PythonDocker` 或 `BazelContainer` 将代码与依赖自动打包成镜像，确保本地调试环境与云端运行环境完全一致。\n- **一键式跨平台启动**：只需编写一次 Python 启动脚本（Launch Script），即可无缝切换在本地运行或在 GCP Vertex AI 上提交大规模训练任务，无需手动操作命令行。\n- **原生实验管理集成**：xmanager 自动关联代码版本、超参数配置与云端日志，配合 TensorBoard 轻松追踪和对比不同实验的结果。\n- **声明式资源定义**：在脚本中直接声明所需的 CPU\u002FGPU 资源和区域，xmanager 自动处理底层的资源调度与作业提交逻辑。\n\nxmanager 通过将实验流程代码化，消除了本地开发与云端训练之间的鸿沟，让算法工程师能专注于模型创新而非运维琐事。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-deepmind_xmanager_20855aee.png","google-deepmind","Google DeepMind","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-deepmind_06b1dd17.png","",null,"https:\u002F\u002Fwww.deepmind.com\u002F","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind",[81,85,89,93],{"name":82,"color":83,"percentage":84},"Python","#3572A5",92.5,{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",5.5,{"name":90,"color":91,"percentage":92},"Shell","#89e051",1.9,{"name":94,"color":95,"percentage":96},"Mako","#7e858d",0.2,904,63,"2026-04-09T07:08:30","Apache-2.0","Linux, macOS","未说明 (取决于具体使用的执行器，如 Vertex AI 可配置 T4 等 GPU)","未说明",{"notes":105,"python":106,"dependencies":107},"该工具是一个实验管理框架，而非单一的深度学习模型。核心依赖为 Python 3.9+。若需本地运行容器化实验需安装 Docker；若使用 Bazel 构建需安装 Bazel；若需在 Google Cloud Platform (GCP) 的 Vertex AI 上运行实验，需配置 GCP 项目、安装 gcloud 工具链、启用相关 API (IAM, Cloud AI Platform, Container Registry) 并创建存储桶。支持通过脚本在本地、Kubernetes 或 GCP 上调度任务。","3.9+",[108,109,110],"Docker (可选，用于 PythonDocker)","Bazel (可选，用于 BazelContainer\u002FBazelBinary)","Google Cloud SDK (gcloud) (可选，用于 GCP\u002FVertex AI)",[14],"2026-03-27T02:49:30.150509","2026-04-09T21:34:01.583587",[115,120,125,130,135,140],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},26685,"运行 `xmanager launch` 时提示无法在子进程中解析 'docker' 命令，如何解决？","该问题通常是因为环境变量未正确传递到容器内部。维护者已修复此问题（提交记录：4b7199eb），核心原因是 `run_container_subprocess` 不应覆盖环境变量，这些变量应在容器内部设置，而不是针对 `docker run` 进程本身。如果遇到此问题，请确保升级到最新版本。临时变通方法包括将 `docker` 命令的绝对路径作为可选参数传入。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fxmanager\u002Fissues\u002F5",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},26686,"遇到 `TypeError: Descriptors cannot not be created directly` 错误怎么办？","这通常是因为生成的代码过时或 protobuf 版本不兼容。解决方法包括：\n1. 重新安装 xmanager 包：先执行 `pip uninstall xmanager`，然后执行 `pip install .\u002Fxmanager`（如果是本地安装）。\n2. 确保使用 Python 3.10 及以上版本，因为新版本依赖其特性。\n3. 避免直接安装 HEAD 版本，尽量使用 PyPI 上发布的稳定版本。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fxmanager\u002Fissues\u002F34",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},26687,"设置了 `xm.JobRequirements(CPU=...)` 但实际分配的 vCPU 数量没有变化，始终为 4，为什么？","这是因为如果只设置 CPU 而未设置 RAM，XManager 默认会使用 `n1-standard-4` 机器类型（4 vCPU）。解决方法是同时设置 CPU 和 RAM 的值，例如：\n```python\nxm_local.Vertex(\n    requirements=xm.JobRequirements(CPU=vcpu_count, RAM=ram_gb)\n)\n```\n只有当两个值都设定时，系统才会根据需求分配相应的机器类型。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fxmanager\u002Fissues\u002F22",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},26688,"运行示例后 Tensorboard 链接显示 \"Not found\" 错误，如何查看日志？","这通常不是 XManager 库本身的问题，而是 Vertex AI 服务端的配置或同步问题。建议采取以下措施：\n1. 联系官方 Vertex AI 支持团队获取帮助。\n2. 临时解决方案：在本地机器运行 Tensorboard 并指定正确的 GCS 路径，命令如下：\n```bash\ntensorboard --logdir gs:\u002F\u002Fyour-bucket\u002Fpath\u002Fto\u002Flogs\n```\n这样可以绕过云端实例查找失败的问题。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fxmanager\u002Fissues\u002F15",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},26689,"使用 `path=\".\"` 构建 Docker 镜像时，是否会将 launcher.py 所在目录的所有文件复制进去？","是的。当设置 `path=\".\"` 时，XManager 会将 `launcher.py` 脚本所在的整个目录内容复制到镜像中。例如，如果您的路径是 `\u002Fhome\u002Fuser\u002Fproject\u002Flauncher.py` 并运行 `xmanager launcher.py`，那么 `\u002Fhome\u002Fuser\u002Fproject\u002F` 下的所有内容都会被复制。如果观察到行为不符，请检查目录结构以及是否意外排除了某些文件，并可向维护者提供镜像 URL 以便排查具体复制了什么内容。","https:\u002F\u002Fgithub.com\u002Fgoogle-deepmind\u002Fxmanager\u002Fissues\u002F4",{"id":141,"question_zh":142,"answer_zh":143,"source_url":129},26690,"构建镜像时遇到 \"403 Forbidden PERMISSION_DENIED\" 警告，但任务仍能启动，这有影响吗？","该警告通常出现在创建自定义作业（CustomJob）阶段，表示在某些权限检查上被拒绝，但这并不一定阻止任务的提交和执行。任务可能会在 \"Custom Jobs\" 标签页下显示，而不是 \"Training Pipelines\"。只要任务能正常启动并完成，通常可以忽略此警告。如果任务无法启动或需要特定权限，请检查 Google Cloud IAM 角色配置，确保拥有 Vertex AI 相关的操作权限。",[145,149,153,157,161,165,169],{"id":146,"version":147,"summary_zh":77,"released_at":148},171877,"v0.7.1","2025-05-05T10:41:53",{"id":150,"version":151,"summary_zh":77,"released_at":152},171878,"v0.7.0","2025-04-22T08:46:02",{"id":154,"version":155,"summary_zh":77,"released_at":156},171879,"v0.6.0","2024-12-05T14:03:14",{"id":158,"version":159,"summary_zh":77,"released_at":160},171880,"v0.5.0","2023-12-18T12:16:33",{"id":162,"version":163,"summary_zh":77,"released_at":164},171881,"v0.3.0","2022-09-30T14:52:40",{"id":166,"version":167,"summary_zh":77,"released_at":168},171882,"v0.2.0","2022-05-06T11:11:09",{"id":170,"version":171,"summary_zh":77,"released_at":172},171883,"v.0.1.4","2022-02-03T13:46:30"]