[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-research--fast-soft-sort":3,"tool-google-research--fast-soft-sort":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":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":32,"env_os":75,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":138},5861,"google-research\u002Ffast-soft-sort","fast-soft-sort","Fast Differentiable Sorting and Ranking","fast-soft-sort 是一个专为机器学习领域设计的高效开源库，核心功能是提供可微分的排序与排名操作。在传统深度学习中，标准的排序和排名算法因不可导而无法直接融入神经网络进行端到端的梯度反向传播，这限制了模型在需要顺序信息任务中的应用。fast-soft-sort 通过引入平滑近似技术，巧妙地将这些离散操作转化为连续且可微的形式，同时保持了 O(n log n) 的优秀计算复杂度，兼顾了速度与精度。\n\n该工具特别适合 AI 研究人员和深度学习开发者使用，尤其是在处理学习至排序（Learning to Rank）、单调性约束优化或需要基于顺序的损失函数等场景时。其独特亮点在于广泛的框架兼容性，不仅支持基础的 NumPy 和 SciPy，还原生提供了 TensorFlow、PyTorch 以及 JAX 的操作接口，方便用户无缝集成到现有的工作流中。通过调节正则化强度参数，用户可以灵活控制输出结果是趋向于精确的硬排序，还是更加平滑的软排序，从而满足不同训练阶段的需求。作为一个源自 ICML 2020 研究成果的工具，它为解决涉及排列组合的优化难题提供了坚实且易用的技术支撑。","\nFast Differentiable Sorting and Ranking\n=======================================\n\nDifferentiable sorting and ranking operations in O(n log n).\n\nDependencies\n------------\n\n* NumPy\n* SciPy\n* Numba\n* Tensorflow (optional)\n* PyTorch (optional)\n\nTensorFlow Example\n-------------------\n\n```python\n>>> import tensorflow as tf\n>>> from fast_soft_sort.tf_ops import soft_rank, soft_sort\n>>> values = tf.convert_to_tensor([[5., 1., 2.], [2., 1., 5.]], dtype=tf.float64)\n>>> soft_sort(values, regularization_strength=1.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[1.66666667, 2.66666667, 3.66666667], [1.66666667, 2.66666667, 3.66666667]])>\n>>> soft_sort(values, regularization_strength=0.1)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[1., 2., 5.], [1., 2., 5.]])>\n>>> soft_rank(values, regularization_strength=2.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[3. , 1.25, 1.75], [1.75, 1.25, 3. ]])>\n>>> soft_rank(values, regularization_strength=1.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[3., 1., 2.], [2., 1., 3.]])>\n```\n\nJAX Example\n-----------\n\n```python\n>>> import jax.numpy as jnp\n>>> from fast_soft_sort.jax_ops import soft_rank, soft_sort\n>>> values = jnp.array([[5., 1., 2.], [2., 1., 5.]], dtype=jnp.float64)\n>>> soft_sort(values, regularization_strength=1.0)\n[[1.66666667 2.66666667 3.66666667]\n [1.66666667 2.66666667 3.66666667]]\n>>> soft_sort(values, regularization_strength=0.1)\n[[1. 2. 5.]\n [1. 2. 5.]]\n>>> soft_rank(values, regularization_strength=2.0)\n[[3.   1.25 1.75]\n [1.75 1.25 3.  ]]\n>>> soft_rank(values, regularization_strength=1.0)\n[[3. 1. 2.]\n [2. 1. 3.]]\n```\n\nPyTorch Example\n---------------\n\n```python\n>>> import torch\n>>> from pytorch_ops import soft_rank, soft_sort\n>>> values = fast_soft_sort.torch.tensor([[5., 1., 2.], [2., 1., 5.]], dtype=torch.float64)\n>>> soft_sort(values, regularization_strength=1.0)\ntensor([[1.6667, 2.6667, 3.6667]\n        [1.6667, 2.6667, 3.6667]], dtype=torch.float64)\n>>> soft_sort(values, regularization_strength=0.1)\ntensor([[1., 2., 5.]\n        [1., 2., 5.]], dtype=torch.float64)\n>>> soft_rank(values, regularization_strength=2.0)\ntensor([[3.0000, 1.2500, 1.7500],\n        [1.7500, 1.2500, 3.0000]], dtype=torch.float64)\n>>> soft_rank(values, regularization_strength=1.0)\ntensor([[3., 1., 2.]\n        [2., 1., 3.]], dtype=torch.float64)\n```\n\n\nInstall\n--------\n\nRun `python setup.py install` or copy the `fast_soft_sort\u002F` folder to your\nproject.\n\n\nReference\n------------\n\n> Fast Differentiable Sorting and Ranking\n> Mathieu Blondel, Olivier Teboul, Quentin Berthet, Josip Djolonga\n> In proceedings of ICML 2020\n> [arXiv:2002.08871](https:\u002F\u002Farxiv.org\u002Fabs\u002F2002.08871)\n","快速可微排序与排名\n=======================================\n\nO(n log n) 时间复杂度的可微排序与排名操作。\n\n依赖项\n------------\n\n* NumPy\n* SciPy\n* Numba\n* TensorFlow（可选）\n* PyTorch（可选）\n\nTensorFlow 示例\n-------------------\n\n```python\n>>> import tensorflow as tf\n>>> from fast_soft_sort.tf_ops import soft_rank, soft_sort\n>>> values = tf.convert_to_tensor([[5., 1., 2.], [2., 1., 5.]], dtype=tf.float64)\n>>> soft_sort(values, regularization_strength=1.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[1.66666667, 2.66666667, 3.66666667], [1.66666667, 2.66666667, 3.66666667]])>\n>>> soft_sort(values, regularization_strength=0.1)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[1., 2., 5.], [1., 2., 5.]])>\n>>> soft_rank(values, regularization_strength=2.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[3. , 1.25, 1.75], [1.75, 1.25, 3. ]])>\n>>> soft_rank(values, regularization_strength=1.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[3., 1., 2.], [2., 1., 3.]])>\n```\n\nJAX 示例\n-----------\n\n```python\n>>> import jax.numpy as jnp\n>>> from fast_soft_sort.jax_ops import soft_rank, soft_sort\n>>> values = jnp.array([[5., 1., 2.], [2., 1., 5.]], dtype=jnp.float64)\n>>> soft_sort(values, regularization_strength=1.0)\n[[1.66666667 2.66666667 3.66666667]\n [1.66666667 2.66666667 3.66666667]]\n>>> soft_sort(values, regularization_strength=0.1)\n[[1. 2. 5.]\n [1. 2. 5.]]\n>>> soft_rank(values, regularization_strength=2.0)\n[[3.   1.25 1.75]\n [1.75 1.25 3.  ]]\n>>> soft_rank(values, regularization_strength=1.0)\n[[3. 1. 2.]\n [2. 1. 3.]]\n```\n\nPyTorch 示例\n---------------\n\n```python\n>>> import torch\n>>> from pytorch_ops import soft_rank, soft_sort\n>>> values = fast_soft_sort.torch.tensor([[5., 1., 2.], [2., 1., 5.]], dtype=torch.float64)\n>>> soft_sort(values, regularization_strength=1.0)\ntensor([[1.6667, 2.6667, 3.6667]\n        [1.6667, 2.6667, 3.6667]], dtype=torch.float64)\n>>> soft_sort(values, regularization_strength=0.1)\ntensor([[1., 2., 5.]\n        [1., 2., 5.]], dtype=torch.float64)\n>>> soft_rank(values, regularization_strength=2.0)\ntensor([[3.0000, 1.2500, 1.7500],\n        [1.7500, 1.2500, 3.0000]], dtype=torch.float64)\n>>> soft_rank(values, regularization_strength=1.0)\ntensor([[3., 1., 2.]\n        [2., 1., 3.]], dtype=torch.float64)\n```\n\n\n安装\n--------\n\n运行 `python setup.py install` 或将 `fast_soft_sort\u002F` 文件夹复制到您的项目中。\n\n\n参考文献\n------------\n\n> 快速可微排序与排名\n> Mathieu Blondel, Olivier Teboul, Quentin Berthet, Josip Djolonga\n> ICML 2020 会议论文\n> [arXiv:2002.08871](https:\u002F\u002Farxiv.org\u002Fabs\u002F2002.08871)","# fast-soft-sort 快速上手指南\n\n`fast-soft-sort` 是一个提供可微分排序（Differentiable Sorting）和排名操作的高效库，时间复杂度为 O(n log n)。它支持 NumPy、SciPy、Numba，并可选集成 TensorFlow、PyTorch 和 JAX。\n\n## 环境准备\n\n在开始之前，请确保您的系统已安装 Python 环境，并具备以下基础依赖：\n\n*   **必需依赖**：\n    *   NumPy\n    *   SciPy\n    *   Numba\n*   **可选框架依赖**（根据您的需求选择安装）：\n    *   TensorFlow\n    *   PyTorch\n    *   JAX\n\n> **提示**：国内开发者建议使用国内镜像源加速安装依赖，例如使用清华源或阿里源。\n> 示例：`pip install numpy scipy numba -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n您可以通过以下两种方式之一安装 `fast-soft-sort`：\n\n**方式一：使用 setup.py 安装（推荐）**\n\n克隆仓库或下载源码后，在项目根目录运行：\n\n```bash\npython setup.py install\n```\n\n**方式二：直接复制源码**\n\n将 `fast_soft_sort\u002F` 文件夹直接复制到您的项目目录中即可使用。\n\n## 基本使用\n\n该库的核心功能是 `soft_sort`（软排序）和 `soft_rank`（软排名）。通过调整 `regularization_strength` 参数，可以控制输出结果接近硬排序的程度（值越小越接近真实排序，值越大越平滑）。\n\n以下是基于 **TensorFlow** 的最简使用示例（PyTorch 和 JAX 用法类似）：\n\n```python\n>>> import tensorflow as tf\n>>> from fast_soft_sort.tf_ops import soft_rank, soft_sort\n>>> values = tf.convert_to_tensor([[5., 1., 2.], [2., 1., 5.]], dtype=tf.float64)\n\n# 执行软排序 (正则化强度=1.0，结果较平滑)\n>>> soft_sort(values, regularization_strength=1.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[1.66666667, 2.66666667, 3.66666667], [1.66666667, 2.66666667, 3.66666667]])>\n\n# 执行软排序 (正则化强度=0.1，结果接近真实排序 [1, 2, 5])\n>>> soft_sort(values, regularization_strength=0.1)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[1., 2., 5.], [1., 2., 5.]])>\n\n# 执行软排名\n>>> soft_rank(values, regularization_strength=1.0)\n\u003Ctf.Tensor: shape=(2, 3), dtype=float64, numpy= array([[3., 1., 2.], [2., 1., 3.]])>\n```\n\n**框架导入路径参考：**\n*   **TensorFlow**: `from fast_soft_sort.tf_ops import soft_rank, soft_sort`\n*   **JAX**: `from fast_soft_sort.jax_ops import soft_rank, soft_sort`\n*   **PyTorch**: `from pytorch_ops import soft_rank, soft_sort` (注意需确保 torch tensor 创建方式正确)","某推荐算法团队正在训练一个深度排序模型，目标是让模型直接学习输出商品的正确排名顺序，而不仅仅是预测点击概率。\n\n### 没有 fast-soft-sort 时\n- **梯度断裂无法端到端训练**：传统的排序操作（如 `argsort`）是不可导的离散运算，导致损失函数无法将排名误差反向传播回神经网络，迫使团队设计复杂的代理损失函数（如 pairwise loss）来间接优化。\n- **近似方法效率低下**：为了获得可导性，以往常采用平滑近似或采样策略，这些方法计算复杂度往往高达 $O(n^2)$ 甚至更高，在处理长列表商品时显著拖慢训练速度。\n- **超参数调节困难**：现有的可导排序方案对正则化强度非常敏感，缺乏灵活的控制机制，难以在“排序准确性”和“梯度平滑度”之间找到最佳平衡点。\n- **框架迁移成本高**：不同深度学习框架（PyTorch、TensorFlow）缺乏统一的高效排序算子，团队在切换实验环境时需要重新实现底层逻辑，维护成本极高。\n\n### 使用 fast-soft-sort 后\n- **实现真正的端到端优化**：fast-soft-sort 提供了 $O(n \\log n)$ 复杂度的可导排序与排名算子，允许直接使用基于排名的损失函数（如 NDCG），梯度可流畅地传回网络层。\n- **大规模数据训练加速**：得益于高效的算法实现，即使在处理包含数百个候选项的长列表排序任务时，训练耗时也大幅降低，不再成为性能瓶颈。\n- **灵活控制平滑程度**：通过简单调整 `regularization_strength` 参数，开发者可以精确控制输出是接近硬排序还是软排序，轻松适配不同阶段的训练需求。\n- **多框架无缝集成**：该库原生支持 TensorFlow、PyTorch 和 JAX，团队可以在不同实验项目中复用同一套排序逻辑，无需重复造轮子。\n\nfast-soft-sort 通过提供高效、可微分的排序原语，彻底解决了深度学习模型难以直接优化排名指标的长期痛点，让排序任务真正实现了端到端的智能化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-research_fast-soft-sort_ecde20cd.png","google-research","Google Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgoogle-research_c23b2adf.png","",null,"https:\u002F\u002Fresearch.google","https:\u002F\u002Fgithub.com\u002Fgoogle-research",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,624,53,"2026-03-27T07:27:30","Apache-2.0","未说明",{"notes":90,"python":88,"dependencies":91},"该工具支持 TensorFlow、JAX 和 PyTorch 框架，其中 TensorFlow 和 PyTorch 为可选依赖。安装方式为运行 `python setup.py install` 或直接复制 `fast_soft_sort\u002F` 文件夹到项目中。README 中未明确指定操作系统、GPU、内存及具体的 Python 版本要求。",[92,93,94,95,96],"NumPy","SciPy","Numba","Tensorflow (可选)","PyTorch (可选)",[14],[99,100,101,102,103,104],"differentiable","sorting","ranking","pytorch","tensorflow","jax","2026-03-27T02:49:30.150509","2026-04-09T21:09:37.792241",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},26581,"为什么在 PyTorch CUDA 张量上使用 soft_sort 和 soft_rank 会报错？","目前该库的投影算子（projection operators）尚未实现 GPU 版本，因此直接传入 CUDA 张量会导致错误（无法将 cuda 张量转换为 numpy）。维护者建议显式地将张量移动到 CPU 进行计算，然后再移回 GPU。你可以编写一个辅助函数来自动处理这一过程：\n\ndef soft_sort(array):\n   return pytorch_ops.soft_sort(array.cpu()).cuda()\n\n将其作为插件替换原有调用即可。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffast-soft-sort\u002Fissues\u002F8",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},26582,"在 PyTorch 中使用 soft_sort 后，为什么 loss.backward() 无法获取梯度（grad 为 None）？","这通常是因为变量名重用导致的。如果你在代码中写了类似 `conf = soft_sort(conf, ...)` 的语句，原始带有梯度追踪信息的张量引用会被覆盖，导致无法反向传播。\n解决方案：将排序后的结果赋值给一个新的变量名，例如：\nsorted_conf = soft_sort(conf, direction=\"DESCENDING\", regularization_strength=1)\nloss = l2(sorted_conf, ideal)\nloss.backward()\n这样就能正常获取梯度了。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffast-soft-sort\u002Fissues\u002F7",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},26583,"PyTorch 中的 soft_rank 输出结果看起来不正确（非整数），这是 Bug 吗？","这不是 Bug，而是软排序（Soft Rank）的特性。`soft_rank` 的输出是连续值，只有在正则化强度（regularization strength）趋于极限时才会收敛到整数秩。\n如果你希望输出更接近原始的整数排名，需要调整 `regularization_strength` 参数。注意：较小的正则化强度会使结果更接近原始操作（即更接近硬排序的整数结果），而较大的强度会使结果更平滑。请尝试减小该参数值以获得更接近整数的排名。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffast-soft-sort\u002Fissues\u002F14",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},26584,"是否支持配置自定义的比较器函数（例如使用神经网络作为比较器）？","目前不支持。虽然对于冒泡排序等算法实现可学习的比较器函数比较容易，但该库基于各向同性回归（isotonic regression）的方法，很难在其中插入自定义的比较器函数。维护者表示目前没有计划实现此功能。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffast-soft-sort\u002Fissues\u002F1",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},26585,"在 PyTorch 中使用 soft_rank 时梯度全为零，如何解决？","如果遇到 soft_rank 梯度全为零的情况，而 soft_sort 工作正常，通常是因为损失函数构建不当或计算图断裂。请检查你的损失函数定义是否正确连接了 soft_rank 的输出。此外，确保没有像 Issue #7 中提到的那样重用了输入变量名。如果确认代码逻辑无误但仍无梯度，可能是由于正则化强度设置过大导致梯度消失，尝试调整 `regularization_strength` 参数。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffast-soft-sort\u002Fissues\u002F10",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},26586,"运行 python setup.py install 时遇到模块导入错误怎么办？","如果安装时报错提示找不到 `thirdparty` 模块，这是因为该目录未被识别为 Python 包。解决方法是在 `thirdparty` 文件夹下添加一个空的 `__init__.py` 文件，使其成为一个子包。维护者已在后续版本中修复了此问题，建议升级到最新版本或手动添加该文件后重新安装。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffast-soft-sort\u002Fissues\u002F3",[]]