[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-research--federated":3,"tool-google-research--federated":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":99,"forks":100,"last_commit_at":101,"license":102,"difficulty_score":103,"env_os":78,"env_gpu":104,"env_ram":104,"env_deps":105,"category_tags":110,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":149},4100,"google-research\u002Ffederated","federated","A collection of Google research projects related to Federated Learning and Federated Analytics.","federated 是谷歌推出的一系列开源研究项目集合，专注于联邦学习（Federated Learning）与联邦分析（Federated Analytics）领域。它旨在解决数据隐私保护与模型训练之间的矛盾：允许在数据保留于用户本地设备的前提下，协同训练全局机器学习模型或对分散数据进行统计分析，从而避免原始数据上传云端带来的隐私风险。\n\n该项目主要面向人工智能研究人员和高级开发者，特别是那些希望复现前沿论文实验结果、探索去中心化数据计算场景的群体。federated 并非一个开箱即用的通用软件包，而是提供了大量基于 TensorFlow Federated (TFF) 框架的实验性代码库。其独特亮点在于紧密依托 TFF 生态，为模拟分布式环境下的机器学习提供了丰富的参考实现和工具函数（如 utils 模块），帮助研究者快速验证算法在异构数据和个性化场景下的表现。\n\n需要注意的是，federated 的定位更偏向学术研究而非生产级应用，代码接口可能随研究进展而调整。因此，它最适合用于学术复现、算法原型验证以及深入理解联邦优化机制，普通用户或非技术背景的设计师可能较难直接上手使用。","# Federated Research\n\nFederated Research is a collection of research projects related to\n[Federated Learning](https:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html)\nand\n[Federated Analytics](https:\u002F\u002Fai.googleblog.com\u002F2020\u002F05\u002Ffederated-analytics-collaborative-data.html).\nFederated learning is an approach to machine learning where a shared global\nmodel is trained across many participating clients that keep their training data\nlocally. Federated analytics is the practice of applying data science methods to\nthe analysis of raw data that is stored locally on users’ devices.\n\nMany of the projects contained in this repository use\n[TensorFlow Federated (TFF)](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated), an\nopen-source framework for machine learning and other computations on\ndecentralized data. For an overview and introduction to TFF, please see the\n[list of tutorials](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated\u002Ftutorials\u002Ffederated_learning_for_image_classification).\nFor information on using TFF for research, see\n[TFF for research](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated\u002Ftff_for_research).\n\n## Recommended Usage\n\nThe main purpose of this repository is for reproducing experimental results in\nrelated papers. None of the projects (or subfolders) here is intended to be a\nresusable framework or package.\n\n*   The recommended usage for this repository is to `git clone` and follow the\n    instruction in each independent project to run the code, usually with\n    `bazel`.\n\nThere is a special module `utils\u002F` that is widely used as a dependency for\nprojects in this repository. Some of the functions in `utils\u002F` are in the\nprocess of upstreaming to the\n[TFF package](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated). However, `utils\u002F`\nis not promised to be a stable API and the code may change in any time.\n\n*   The recommended usage for `utils\u002F` is to fork the necessary piece of code\n    for your own research projects.\n*   If you find `utils\u002F` and maybe other projects helpful as a module that your\n    projects want to depend on (and you accept the risk of depending on\n    potentially unstable and unsupported code), you can use `git submodule` and\n    add the module to your python path.\n\n## Contributing\n\nThis repository contains Google-affiliated research projects related to\nfederated learning and analytics. If you are working with Google collaborators\nand would like to feature your research project here, please review the\n[contribution guidelines](CONTRIBUTING.md) for coding style, best practices,\netc.\n\n### Pull Requests\n\nWe currently do not accept pull requests for this repository. If you have\nfeature requests or encounter a bug, please file an issue to the project owners.\n\n## Issues\n\nPlease use [GitHub issues](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues)\nto communicate with project owners for requests and bugs. Add `[project\u002Ffolder\nname]` in the issue title so that we can easily find the best person to respond.\n\n## Questions\n\nIf you have questions related to TensorFlow Federated, please direct your\nquestions to [Stack Overflow](https:\u002F\u002Fstackoverflow.com) using the\n[tensorflow-federated](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002Ftagged\u002Ftensorflow-federated)\ntag.\n\nIf you would like more information on federated learning, please see the\nfollowing\n[introduction to federated learning](https:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html).\nFor a more in-depth discussion, see the following manuscripts\n\n*   [Advances and Open Problems in Federated Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1912.04977)\n    for progress in federated learning and open problems.\n*   [A Field Guide to Federated Optimization](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.06917)\n    for practical considerations, and guidelines to simulation and experiments.\n*   [Motley: Benchmarking Heterogeneity and Personalization in Federated\n    Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.09262) for personalization.\n*   [How to DP-fy ML: A Practical Guide to Machine Learning with Differential\n    Privacy](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.00654) for differential privacy.\n","# 联邦研究\n\n联邦研究是一个包含与\n[联邦学习](https:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html)\n和\n[联邦分析](https:\u002F\u002Fai.googleblog.com\u002F2020\u002F05\u002Ffederated-analytics-collaborative-data.html)\n相关的研究项目的集合。\n\n联邦学习是一种机器学习方法，其中共享的全局模型是在众多参与客户端上进行训练的，这些客户端将其训练数据保留在本地。联邦分析则是将数据科学方法应用于存储在用户设备本地的原始数据分析的做法。\n\n本仓库中的许多项目都使用了\n[TensorFlow Federated (TFF)](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated)，这是一个用于在去中心化数据上进行机器学习及其他计算的开源框架。有关 TFF 的概述和入门，请参阅\n[教程列表](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated\u002Ftutorials\u002Ffederated_learning_for_image_classification)。\n如需了解如何将 TFF 用于科研，请参阅\n[TFF 用于科研](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated\u002Ftff_for_research)。\n\n## 推荐用法\n\n本仓库的主要用途是复现相关论文中的实验结果。此处的任何项目（或子文件夹）均不旨在作为可重用的框架或软件包。\n\n*   建议的使用方式是通过 `git clone` 克隆本仓库，并按照每个独立项目中的说明运行代码，通常使用 `bazel` 工具链。\n  \n本仓库中有一个名为 `utils\u002F` 的特殊模块，被广泛用作各个项目依赖的一部分。`utils\u002F` 中的部分函数正在逐步合并到\n[TFF 包](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated) 中。然而，`utils\u002F` 并不保证其 API 的稳定性，代码随时可能发生变化。\n\n*   对于 `utils\u002F` 的推荐用法是：针对您的研究项目，将所需部分代码 fork 到您自己的仓库中。\n*   如果您认为 `utils\u002F` 或其他项目可以作为您希望依赖的模块（并愿意承担依赖于可能不稳定且不受支持的代码的风险），则可以使用 `git submodule` 将该模块添加到您的 Python 路径中。\n\n## 贡献\n\n本仓库包含与联邦学习和联邦分析相关的谷歌内部研究项目。如果您正与谷歌的合作者一起工作，并希望在此处展示您的研究项目，请查阅\n[贡献指南](CONTRIBUTING.md)，了解代码风格、最佳实践等内容。\n\n### 拉取请求\n\n我们目前不接受针对本仓库的拉取请求。如果您有功能需求或遇到问题，请向项目负责人提交 issue。\n\n## 问题\n\n请使用 [GitHub issues](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues) 与项目负责人沟通需求和 bug。请在 issue 标题中添加 `[项目\u002F文件夹名称]`，以便我们能够快速找到合适的响应人员。\n\n## 问答\n\n如果您对 TensorFlow Federated 有任何疑问，请前往 [Stack Overflow](https:\u002F\u002Fstackoverflow.com) 使用\n[tensorflow-federated](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002Ftagged\u002Ftensorflow-federated)\n标签提问。\n\n如果您想了解更多关于联邦学习的信息，请参阅以下\n[联邦学习简介](https:\u002F\u002Fai.googleblog.com\u002F2017\u002F04\u002Ffederated-learning-collaborative.html)。\n如需更深入的讨论，请参考以下文献：\n\n*   [联邦学习的进展与开放问题](https:\u002F\u002Farxiv.org\u002Fabs\u002F1912.04977)，探讨联邦学习的最新进展及未解决的问题。\n*   [联邦优化实战指南](https:\u002F\u002Farxiv.org\u002Fabs\u002F2107.06917)，介绍实际应用中的注意事项以及仿真和实验的指导原则。\n*   [Motley：联邦学习中的异构性与个性化基准测试](https:\u002F\u002Farxiv.org\u002Fabs\u002F2206.09262)，聚焦于个性化研究。\n*   [如何为机器学习引入差分隐私：基于差分隐私的机器学习实用指南](https:\u002F\u002Farxiv.org\u002Fabs\u002F2303.00654)，介绍差分隐私技术的应用。","# Federated Research 快速上手指南\n\n## 环境准备\n\n本仓库主要用于复现联邦学习（Federated Learning）和联邦分析（Federated Analytics）相关的研究论文实验结果，并非作为通用的可复用框架发布。\n\n*   **系统要求**：支持 Linux 或 macOS 的开发环境（Windows 用户建议使用 WSL2 或 Docker）。\n*   **核心依赖**：\n    *   [Git](https:\u002F\u002Fgit-scm.com\u002F)：用于代码克隆。\n    *   [Bazel](https:\u002F\u002Fbazel.build\u002F)：Google 开源的构建工具，本项目主要使用 Bazel 进行构建和运行。\n    *   [Python](https:\u002F\u002Fwww.python.org\u002F)：通常需 Python 3.8+（具体版本请参考各子项目要求）。\n    *   [TensorFlow Federated (TFF)](https:\u002F\u002Fwww.tensorflow.org\u002Ffederated)：底层计算框架。\n*   **网络提示**：由于依赖 Google 源，国内开发者可能需要配置科学上网环境，或在 `.bazelrc` 中配置国内镜像源以加速依赖下载。\n\n## 安装步骤\n\n本仓库包含多个独立的研究项目，没有统一的安装包。请按照以下步骤获取代码并准备运行环境：\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated.git\n    cd federated\n    ```\n\n2.  **安装 Bazel**\n    请根据您的操作系统访问 [Bazel 官方安装文档](https:\u002F\u002Fbazel.build\u002Finstall) 进行安装。确保 `bazel --version` 能正常输出版本号。\n\n3.  **配置项目依赖**\n    进入您想要运行的具体子项目目录（例如 `emnist` 或其他研究文件夹），查看该目录下的 `README.md` 或 `BUILD` 文件。通常需要使用 Bazel 拉取依赖：\n    ```bash\n    # 在具体的子项目目录下执行\n    bazel fetch \u002F\u002F...\n    ```\n\n4.  **关于 `utils\u002F` 模块的使用建议**\n    仓库中的 `utils\u002F` 目录被许多项目依赖，但其 API 不稳定且随时可能变更。\n    *   **推荐做法**：如果您开展自己的研究，建议直接 Fork（复制）您需要的代码片段到您的项目中。\n    *   **高级用法**：若确需依赖此模块，可使用 `git submodule` 将其添加到您的项目路径中，但需自行承担代码不稳定的风险。\n\n## 基本使用\n\n由于每个子项目都是独立的研究实验，使用方式略有不同。最通用的运行流程是通过 `bazel` 命令执行特定目标。\n\n**最简单的使用示例：**\n\n假设您要运行某个名为 `my_experiment` 的子项目中的训练脚本，通常步骤如下：\n\n1.  进入对应的子项目目录：\n    ```bash\n    cd path\u002Fto\u002Fmy_experiment\n    ```\n\n2.  使用 `bazel run` 执行目标（具体目标名称需查阅该项目下的 `BUILD` 文件或说明）：\n    ```bash\n    bazel run :train_binary -- --experiment_name=my_run\n    ```\n\n    *注：部分项目可能需要先通过 `bazel build` 构建，再运行生成的二进制文件。请务必阅读具体子项目文件夹内的指令说明。*\n\n**重要提示**：\n*   本仓库**不接受** Pull Requests。如发现 Bug 或有功能需求，请在 GitHub Issues 中提交，并在标题中标注 `[项目文件夹名称]` 以便作者定位。\n*   关于 TensorFlow Federated (TFF) 的具体技术问题，请访问 [Stack Overflow](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002Ftagged\u002Ftensorflow-federated) 提问。","某大型医疗联盟希望联合多家医院的数据训练癌症筛查模型，但受限于患者隐私法规和数据主权要求，原始病历无法出院共享。\n\n### 没有 federated 时\n- 数据孤岛严重：各医院因合规顾虑拒绝上传数据，导致只能利用单家医院的小样本训练，模型泛化能力极差。\n- 隐私泄露风险高：若强行集中数据，需耗费巨资进行脱敏处理，且仍存在重识别攻击导致患者隐私泄露的隐患。\n- 协作流程冗长：跨机构数据调拨需经过漫长的法律审批和行政协调，算法迭代周期从数周拉长至数月。\n- 实验复现困难：缺乏统一的联邦学习仿真框架，研究人员难以在本地模拟分布式环境，论文成果无法快速验证。\n\n### 使用 federated 后\n- 数据不出域训练：利用 federated 中的项目代码，模型下发至各医院本地更新，仅上传加密参数，彻底规避原始数据移动。\n- 原生隐私保护：基于 TensorFlow Federated (TFF) 架构，天然支持差分隐私等机制，在数学层面保障单个患者信息不可推断。\n- 高效敏捷迭代：研究人员可直接 `git clone` 仓库并在本地用 Bazel 运行仿真，将原本数月的跨机构协调缩短为几天的代码调试。\n- 学术成果落地：直接复用仓库中已复现的顶尖论文实验配置，快速构建针对异构医疗数据的基准测试，加速科研转化。\n\nfederated 通过提供可复现的研究项目集合，打破了数据物理隔离的壁垒，让多方在严守隐私红线的前提下实现了高质量的协同智能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-research_federated_2a970e8b.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",[83,87,91,95],{"name":84,"color":85,"percentage":86},"Python","#3572A5",97.2,{"name":88,"color":89,"percentage":90},"Starlark","#76d275",1.6,{"name":92,"color":93,"percentage":94},"Jupyter Notebook","#DA5B0B",1.2,{"name":96,"color":97,"percentage":98},"Shell","#89e051",0.1,750,209,"2026-04-01T07:14:30","Apache-2.0",4,"未说明",{"notes":106,"python":104,"dependencies":107},"该项目主要用于复现论文实验结果，并非可重用的框架包。推荐使用 git clone 克隆仓库后，遵循各独立项目的说明（通常使用 bazel）运行代码。utils\u002F模块不提供稳定的 API 支持，建议根据研究需求自行叉取（fork）所需代码。目前不接受 Pull Requests，遇到问题需通过 GitHub Issues 联系项目所有者。",[108,109],"TensorFlow Federated (TFF)","bazel",[13,54],"2026-03-27T02:49:30.150509","2026-04-06T09:05:23.186534",[114,119,124,129,134,139,144],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},18684,"推荐的安装和使用方式是什么？是否支持 pip 安装？","该项目推荐使用 Bazel 进行构建和测试。如果不希望使用 Bazel，可以通过将项目路径添加到 Python 的 sys.path 中来直接使用其中的工具模块（utils）。目前不支持直接通过 `pip install` 安装整个项目，建议参考 Python 官方文档关于模块导入的部分（https:\u002F\u002Fdocs.python.org\u002F3\u002Ftutorial\u002Fmodules.html#standard-modules）进行配置。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues\u002F2",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},18685,"运行测试时遇到 GPU 内存不足（OOM）错误怎么办？","如果遇到类似 `bazel test shared:fed_avg_schedule_test` 因 GPU 内存溢出而失败的情况，首先尝试升级依赖包：在 tensorflow_federated 仓库目录下运行 `pip install --upgrade -r tensorflow_federated\u002Frequirements.txt`。如果问题依旧，可能是 GPU 配置问题，建议运行 TFF 主仓库中的标准测试（如 `federated_averaging_test.py`）来验证环境配置是否正常。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues\u002F26",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},18686,"生成集中式训练基准时报错 \"AttributeError: 'GFile' object has no attribute 'readable'\" 如何解决？","该错误通常与 pandas 版本不兼容有关。特别是 `pandas>=1.2.0` 版本可能会引发此问题。解决方案是更改 pandas 版本（尝试降级或升级到修复后的版本），或者等待项目提交修复。维护者已提交相关 commit 解决此问题，若错误持续，请检查并调整 pandas 版本。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues\u002F28",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},18687,"如何复现论文《ADAPTIVE FEDERATED OPTIMIZATION》中 CIFAR-100 的实验结果？","复现 FedAdam 在 CIFAR-100 上的结果时，超参数设置至关重要。建议尝试以下设置：`--server_learning_rate=0.001` 和 `--client_learning_rate=0.1`。此外，为了提高鲁棒性，建议使用 `tff.learning.robust_aggregator` 替代默认聚合器。对于 epsilon 参数，尝试设置为 `1e-3`。注意，随机初始化的变化也可能影响结果，建议参考论文附录 A 中的详细超参数设置，并进行多次随机种子试验以确保结果稳定。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues\u002F48",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},18688,"Cifar10 数据集在客户端数量不等于类别数（10）时报错，如何支持灵活的客户端数量？","Cifar10 数据集加载器应当支持任意数量的客户端。如果在不等于 10 个客户端时出错，请确保调用了 `cifar10_dataset.load_cifar10_federated` 函数并传入了正确的 `num_clients` 参数。建议使用 Bazel 运行相关测试（`bazel test {path to test}:{test_name}`）来验证功能。如果问题仍然存在，请提供完整的堆栈跟踪信息和导致错误的完整命令以便进一步排查。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues\u002F23",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},18689,"运行集中式基线时 StackOverflow NWP 数据集消耗超过 64GB 内存导致进程被杀，如何解决？","StackOverflow NWP 数据集在加载到内存进行处理时确实非常消耗资源。如果在 64GB 内存机器上运行集中式基线导致内存溢出，这通常是因为数据预处理阶段将所有数据加载到了 RAM 中。建议检查数据加载代码，看是否可以使用生成器（generator）或 tf.data API 进行流式加载，而不是一次性加载所有数据。同时，可以尝试减小 `vocab_size` 或 `max_sequence_length` 参数来降低内存占用。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues\u002F29",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},18690,"项目依赖文档中是否缺少必要的库（如 scipy, tensorflow_addons）？","如果发现缺少 `scipy` 或 `tensorflow_addons` 等依赖，建议手动安装：`pip install scipy==1.1.0` 和 `pip install tensorflow_addons`。此外，如果遇到指标保存异常或其他运行时错误，尝试升级到 nightly 版本的包（如 `tff-nightly`）通常能解决问题，因为近期对指标保存逻辑进行了更新以更好地匹配训练指标。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffederated\u002Fissues\u002F39",[]]