[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-google-research--fixmatch":3,"tool-google-research--fixmatch":62},[4,18,26,35,44,53],{"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},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。",108322,2,"2026-04-10T11:39:34",[14,15,13],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":32,"last_commit_at":41,"category_tags":42,"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",[43,13,15,14],"插件",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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",[52,15,13,14],"语言模型",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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",[14,15,13,61],"视频",{"id":63,"github_repo":64,"name":65,"description_en":66,"description_zh":67,"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":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":107,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":137},6987,"google-research\u002Ffixmatch","fixmatch","A simple method to perform semi-supervised learning with limited data.","FixMatch 是一种专为数据稀缺场景设计的半监督学习算法实现。它旨在解决机器学习中标注数据获取成本高、数量少，而未标注数据却大量存在的难题，帮助开发者在仅有少量标注样本的情况下，依然能训练出高性能的深度学习模型。\n\n该工具主要适合人工智能研究人员、算法工程师以及对半监督学习感兴趣的开发者使用。通过运行 FixMatch，用户可以轻松复现论文中的实验结果，并在 CIFAR-10、SVHN、ImageNet 等主流数据集上验证模型效果。其代码库提供了完整的数据集预处理脚本和灵活的训练配置，支持多 GPU 并行加速，方便进行大规模实验。\n\nFixMatch 的核心技术亮点在于“简化”与“稳健”。它巧妙结合了“一致性正则化”与“高置信度筛选”机制：通过对未标注数据进行强增强扰动，并仅保留模型预测置信度高的样本作为伪标签参与训练，有效降低了噪声干扰。这种方法不仅大幅简化了传统半监督学习的复杂流程，还在多个基准测试中达到了当时的最先进水平（SOTA），是探索小样本学习潜力的有力工具。","# FixMatch\n\nCode for the paper: \"[FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.07685)\" by \nKihyuk Sohn, David Berthelot, Chun-Liang Li, Zizhao Zhang, Nicholas Carlini, Ekin D. Cubuk, Alex Kurakin, Han Zhang, and Colin Raffel.\n\nThis is not an officially supported Google product.\n\n![FixMatch diagram](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-research_fixmatch_readme_8f0c98a22d1f.png)\n\n## Setup\n\n**Important**: `ML_DATA` is a shell environment variable that should point to the location where the datasets are installed. See the *Install datasets* section for more details.\n\n### Install dependencies\n\n```bash\nsudo apt install python3-dev python3-virtualenv python3-tk imagemagick\nvirtualenv -p python3 --system-site-packages env3\n. env3\u002Fbin\u002Factivate\npip install -r requirements.txt\n```\n\n### Install datasets\n\n```bash\nexport ML_DATA=\"path to where you want the datasets saved\"\nexport PYTHONPATH=$PYTHONPATH:\"path to the FixMatch\"\n\n# Download datasets\nCUDA_VISIBLE_DEVICES= .\u002Fscripts\u002Fcreate_datasets.py\ncp $ML_DATA\u002Fsvhn-test.tfrecord $ML_DATA\u002Fsvhn_noextra-test.tfrecord\n\n# Create unlabeled datasets\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fsvhn $ML_DATA\u002Fsvhn-train.tfrecord $ML_DATA\u002Fsvhn-extra.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fsvhn_noextra $ML_DATA\u002Fsvhn-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fcifar10 $ML_DATA\u002Fcifar10-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fcifar100 $ML_DATA\u002Fcifar100-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord &\nwait\n\n# Create semi-supervised subsets\nfor seed in 0 1 2 3 4 5; do\n    for size in 10 20 30 40 100 250 1000 4000; do\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fsvhn $ML_DATA\u002Fsvhn-train.tfrecord $ML_DATA\u002Fsvhn-extra.tfrecord &\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fsvhn_noextra $ML_DATA\u002Fsvhn-train.tfrecord &\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fcifar10 $ML_DATA\u002Fcifar10-train.tfrecord &\n    done\n    for size in 400 1000 2500 10000; do\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fcifar100 $ML_DATA\u002Fcifar100-train.tfrecord &\n    done\n    CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=1000 $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord &\n    wait\ndone\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=1 --size=5000 $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord\n```\n\n### ImageNet\n\nCodebase for ImageNet experiments located in the [imagenet subdirectory](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffixmatch\u002Ftree\u002Fmaster\u002Fimagenet).\n\n## Running\n\n### Setup\n\nAll commands must be ran from the project root. The following environment variables must be defined:\n```bash\nexport ML_DATA=\"path to where you want the datasets saved\"\nexport PYTHONPATH=$PYTHONPATH:.\n```\n\n### Example\n\nFor example, training a FixMatch with 32 filters on cifar10 shuffled with `seed=3`, 40 labeled samples and 1\nvalidation sample:\n```bash\nCUDA_VISIBLE_DEVICES=0 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir .\u002Fexperiments\u002Ffixmatch\n```\n\nAvailable labelled sizes are 10, 20, 30, 40, 100, 250, 1000, 4000.\nFor validation, available sizes are 1, 5000.\nPossible shuffling seeds are 1, 2, 3, 4, 5 and 0 for no shuffling (0 is not used in practiced since data requires to be\nshuffled for gradient descent to work properly).\n\n\n#### Multi-GPU training\nJust pass more GPUs and fixmatch automatically scales to them, here we assign GPUs 4-7 to the program:\n```bash\nCUDA_VISIBLE_DEVICES=4,5,6,7 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir .\u002Fexperiments\u002Ffixmatch\n```\n\n#### Flags\n\n```bash\npython fixmatch.py --help\n# The following option might be too slow to be really practical.\n# python fixmatch.py --helpfull\n# So instead I use this hack to find the flags:\nfgrep -R flags.DEFINE libml fixmatch.py\n```\n\nThe `--augment` flag can use a little more explanation. It is composed of 3 values, for example `d.d.d`\n(`d`=default augmentation, for example shift\u002Fmirror, `x`=identity, e.g. no augmentation, `ra`=rand-augment,\n `rac`=rand-augment + cutout):\n- the first `d` refers to data augmentation to apply to the labeled example. \n- the second `d` refers to data augmentation to apply to the weakly augmented unlabeled example. \n- the third `d` refers to data augmentation to apply to the strongly augmented unlabeled example. For the strong\naugmentation, `d` is followed by `CTAugment` for `fixmatch.py` and code inside `cta\u002F` folder.\n\n\n\n### Valid dataset names\n```bash\nfor dataset in cifar10 svhn svhn_noextra; do\nfor seed in 0 1 2 3 4 5; do\nfor valid in 1 5000; do\nfor size in 10 20 30 40 100 250 1000 4000; do\n    echo \"${dataset}.${seed}@${size}-${valid}\"\ndone; done; done; done\n\nfor seed in 1 2 3 4 5; do\nfor valid in 1 5000; do\n    echo \"cifar100.${seed}@10000-${valid}\"\ndone; done\n\nfor seed in 1 2 3 4 5; do\nfor valid in 1 5000; do\n    echo \"stl10.${seed}@1000-${valid}\"\ndone; done\necho \"stl10.1@5000-1\"\n```\n\n\n## Monitoring training progress\n\nYou can point tensorboard to the training folder (by default it is `--train_dir=.\u002Fexperiments`) to monitor the training\nprocess:\n\n```bash\ntensorboard.sh --port 6007 --logdir .\u002Fexperiments\n```\n\n## Checkpoint accuracy\n\nWe compute the median accuracy of the last 20 checkpoints in the paper, this is done through this code:\n\n```bash\n# Following the previous example in which we trained cifar10.3@250-5000, extracting accuracy:\n.\u002Fscripts\u002Fextract_accuracy.py .\u002Fexperiments\u002Ffixmatch\u002Fcifar10.d.d.d.3@40-1\u002FCTAugment_depth2_th0.80_decay0.990\u002FFixMatch_archresnet_batch64_confidence0.95_filters32_lr0.03_nclass10_repeat4_scales3_uratio7_wd0.0005_wu1.0\u002F\n\n# The command above will create a stats\u002Faccuracy.json file in the model folder.\n# The format is JSON so you can either see its content as a text file or process it to your liking.\n```\n\n## Adding datasets\nYou can add custom datasets into the codebase by taking the following steps:\n\n1. Add a function to acquire the dataset to `scripts\u002Fcreate_datasets.py` similar to the present ones, e.g. `_load_cifar10`. \nYou need to call `_encode_png` to create encoded strings from the original images.\nThe created function should return a dictionary of the format \n`{'train' : {'images': \u003Cencoded 4D NHWC>, 'labels': \u003C1D int array>},\n'test' : {'images': \u003Cencoded 4D NHWC>, 'labels': \u003C1D int array>}}` .\n2. Add the dataset to the variable `CONFIGS` in `scripts\u002Fcreate_datasets.py` with the previous function as loader. \nYou can now run the `create_datasets` script to obtain a tf record for it.\n3. Use the `create_unlabeled` and `create_split` script to create unlabeled and differently split tf records as above in the *Install Datasets* section.\n4. In `libml\u002Fdata.py` add your dataset in the `create_datasets` function. The specified \"label\" for the dataset has to match\nthe created splits for your dataset. You will need to specify the corresponding variables if your dataset \nhas a different # of classes than 10 and different resolution and # of channels than 32x32x3\n5. In `libml\u002Faugment.py` add your dataset to the `DEFAULT_AUGMENT` variable. Primitives \"s\", \"m\", \"ms\" represent mirror, shift and mirror+shift. \n\n## Citing this work\n\n```bibtex\n@article{sohn2020fixmatch,\n    title={FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence},\n    author={Kihyuk Sohn and David Berthelot and Chun-Liang Li and Zizhao Zhang and Nicholas Carlini and Ekin D. Cubuk and Alex Kurakin and Han Zhang and Colin Raffel},\n    journal={arXiv preprint arXiv:2001.07685},\n    year={2020},\n}\n```\n","# FixMatch\n\n论文代码：由 Kihyuk Sohn、David Berthelot、Chun-Liang Li、Zizhao Zhang、Nicholas Carlini、Ekin D. Cubuk、Alex Kurakin、Han Zhang 和 Colin Raffel 撰写的“FixMatch：通过一致性与置信度简化半监督学习”（[arXiv:2001.07685](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.07685)）。  \n\n本项目并非 Google 官方支持的产品。\n\n![FixMatch 流程图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-research_fixmatch_readme_8f0c98a22d1f.png)\n\n## 环境设置\n\n**重要提示**：`ML_DATA` 是一个 shell 环境变量，应指向数据集的安装路径。更多详情请参阅“安装数据集”部分。\n\n### 安装依赖\n```bash\nsudo apt install python3-dev python3-virtualenv python3-tk imagemagick\nvirtualenv -p python3 --system-site-packages env3\n. env3\u002Fbin\u002Factivate\npip install -r requirements.txt\n```\n\n### 安装数据集\n```bash\nexport ML_DATA=\"您希望保存数据集的路径\"\nexport PYTHONPATH=$PYTHONPATH:\"FixMatch 代码所在路径\"\n\n# 下载数据集\nCUDA_VISIBLE_DEVICES= .\u002Fscripts\u002Fcreate_datasets.py\ncp $ML_DATA\u002Fsvhn-test.tfrecord $ML_DATA\u002Fsvhn_noextra-test.tfrecord\n\n# 创建无标签数据集\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fsvhn $ML_DATA\u002Fsvhn-train.tfrecord $ML_DATA\u002Fsvhn-extra.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fsvhn_noextra $ML_DATA\u002Fsvhn-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fcifar10 $ML_DATA\u002Fcifar10-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fcifar100 $ML_DATA\u002Fcifar100-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord &\nwait\n\n# 创建半监督子集\nfor seed in 0 1 2 3 4 5; do\n    for size in 10 20 30 40 100 250 1000 4000; do\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fsvhn $ML_DATA\u002Fsvhn-train.tfrecord $ML_DATA\u002Fsvhn-extra.tfrecord &\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fsvhn_noextra $ML_DATA\u002Fsvhn-train.tfrecord &\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fcifar10 $ML_DATA\u002Fcifar10-train.tfrecord &\n    done\n    for size in 400 1000 2500 10000; do\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fcifar100 $ML_DATA\u002Fcifar100-train.tfrecord &\n    done\n    CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=1000 $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord &\n    wait\ndone\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=1 --size=5000 $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord\n```\n\n### ImageNet\n用于 ImageNet 实验的代码位于 [imagenet 子目录](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffixmatch\u002Ftree\u002Fmaster\u002Fimagenet)。\n\n## 运行\n\n### 设置\n所有命令必须从项目根目录运行。需定义以下环境变量：\n```bash\nexport ML_DATA=\"您希望保存数据集的路径\"\nexport PYTHONPATH=$PYTHONPATH:.\n```\n\n### 示例\n例如，在 cifar10 数据上训练一个具有 32 个滤波器的 FixMatch 模型，使用 `seed=3` 的随机打乱方式，40 个有标签样本和 1 个验证样本：\n```bash\nCUDA_VISIBLE_DEVICES=0 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir .\u002Fexperiments\u002Ffixmatch\n```\n\n可用的有标签样本数量为：10、20、30、40、100、250、1000、4000。  \n验证样本数量为：1 或 5000。  \n可选的随机打乱种子为：1、2、3、4、5，以及 0 表示不打乱（实践中通常会打乱数据，以确保梯度下降能够正常工作）。\n\n#### 多 GPU 训练\n只需指定更多的 GPU，FixMatch 就会自动扩展到这些 GPU 上。例如，将 GPU 4–7 分配给程序：\n```bash\nCUDA_VISIBLE_DEVICES=4,5,6,7 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir .\u002Fexperiments\u002Ffixmatch\n```\n\n#### 命令行参数\n```bash\npython fixmatch.py --help\n# 以下选项可能过于耗时，实际应用中不太可行。\n# python fixmatch.py --helpfull\n# 因此，我使用以下方法查找可用的参数：\nfgrep -R flags.DEFINE libml fixmatch.py\n```\n\n`--augment` 参数需要稍作说明。它由三个值组成，例如 `d.d.d`：  \n- 第一个 `d` 表示应用于有标签样本的数据增强。  \n- 第二个 `d` 表示应用于弱增强无标签样本的数据增强。  \n- 第三个 `d` 表示应用于强增强无标签样本的数据增强。对于强增强，`d` 后面会跟 `CTAugment`，对应于 `fixmatch.py` 及其 `cta\u002F` 文件夹中的代码。  \n\n\n\n### 有效的数据集名称\n```bash\nfor dataset in cifar10 svhn svhn_noextra; do\nfor seed in 0 1 2 3 4 5; do\nfor valid in 1 5000; do\nfor size in 10 20 30 40 100 250 1000 4000; do\n    echo \"${dataset}.${seed}@${size}-${valid}\"\ndone; done; done; done\n\nfor seed in 1 2 3 4 5; do\nfor valid in 1 5000; do\n    echo \"cifar100.${seed}@10000-${valid}\"\ndone; done\n\nfor seed in 1 2 3 4 5; do\nfor valid in 1 5000; do\n    echo \"stl10.${seed}@1000-${valid}\"\ndone; done\necho \"stl10.1@5000-1\"\n```\n\n\n## 监控训练进度\n\n您可以将 TensorBoard 指向训练文件夹（默认为 `--train_dir=.\u002Fexperiments`），以监控训练过程：\n\n```bash\ntensorboard.sh --port 6007 --logdir .\u002Fexperiments\n```\n\n## 检查模型准确率\n我们在论文中计算了最后 20 个检查点的中位数准确率，具体代码如下：\n```bash\n# 继续之前的 cifar10.3@250-5000 训练示例，提取准确率：\n.\u002Fscripts\u002Fextract_accuracy.py .\u002Fexperiments\u002Ffixmatch\u002Fcifar10.d.d.d.3@40-1\u002FCTAugment_depth2_th0.80_decay0.990\u002FFixMatch_archresnet_batch64_confidence0.95_filters32_lr0.03_nclass10_repeat4_scales3_uratio7_wd0.0005_wu1.0\u002F\n```\n\n上述命令会在模型文件夹中生成一个 `stats\u002Faccuracy.json` 文件。该文件采用 JSON 格式，您可以将其作为文本文件查看，也可以根据需要进行进一步处理。\n\n## 添加数据集\n您可以通过以下步骤将自定义数据集添加到代码库中：\n\n1. 在 `scripts\u002Fcreate_datasets.py` 中添加一个用于获取数据集的函数，类似于现有的 `_load_cifar10` 函数。您需要调用 `_encode_png` 函数，将原始图像转换为编码字符串。新创建的函数应返回一个字典，格式如下：\n   ```python\n   {\n       'train': {'images': \u003C编码后的 4D NHWC>, 'labels': \u003C1D 整数数组>},\n       'test': {'images': \u003C编码后的 4D NHWC>, 'labels': \u003C1D 整数数组>}\n   }\n   ```\n2. 使用上述函数作为加载器，将该数据集添加到 `scripts\u002Fcreate_datasets.py` 中的 `CONFIGS` 变量中。现在您可以运行 `create_datasets` 脚本，以生成对应的数据集 TFRecord 文件。\n3. 使用 `create_unlabeled` 和 `create_split` 脚本，按照“安装数据集”部分中的说明，创建未标注和不同划分方式的 TFRecord 文件。\n4. 在 `libml\u002Fdata.py` 的 `create_datasets` 函数中添加您的数据集。为该数据集指定的“label”必须与您创建的数据集划分方式相匹配。如果您的数据集类别数不是 10 类，或分辨率及通道数不是 32x32x3，则还需要相应地指定相关变量。\n5. 在 `libml\u002Faugment.py` 中，将您的数据集添加到 `DEFAULT_AUGMENT` 变量中。“s”、“m”、“ms”分别代表镜像、平移以及镜像加平移这三种数据增强操作。\n\n## 引用本工作\n\n```bibtex\n@article{sohn2020fixmatch,\n    title={FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence},\n    author={Kihyuk Sohn and David Berthelot and Chun-Liang Li and Zizhao Zhang and Nicholas Carlini and Ekin D. Cubuk and Alex Kurakin and Han Zhang and Colin Raffel},\n    journal={arXiv preprint arXiv:2001.07685},\n    year={2020},\n}\n```","# FixMatch 快速上手指南\n\nFixMatch 是一种简化的半监督学习算法，通过一致性和置信度阈值提升模型性能。本指南帮助中国开发者快速搭建环境并运行示例。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu)\n- **Python**: Python 3.x\n- **GPU**: 支持 CUDA 的 NVIDIA GPU（可选，但推荐用于加速训练）\n- **磁盘空间**: 需预留足够空间存放数据集（建议至少 20GB）\n\n### 前置依赖\n安装系统级依赖包：\n```bash\nsudo apt install python3-dev python3-virtualenv python3-tk imagemagick\n```\n\n## 安装步骤\n\n### 1. 创建虚拟环境\n```bash\nvirtualenv -p python3 --system-site-packages env3\n. env3\u002Fbin\u002Factivate\npip install -r requirements.txt\n```\n> **提示**：国内用户可使用清华或阿里镜像源加速安装：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 2. 配置环境变量\n设置数据集存储路径和项目路径（请替换为实际路径）：\n```bash\nexport ML_DATA=\"\u002Fpath\u002Fto\u002Fyour\u002Fdatasets\"\nexport PYTHONPATH=$PYTHONPATH:\"\u002Fpath\u002Fto\u002FFixMatch\"\n```\n\n### 3. 下载与预处理数据集\n执行以下脚本自动下载 CIFAR-10、SVHN 等数据集并生成半监督学习所需的划分文件：\n```bash\n# 下载基础数据集\nCUDA_VISIBLE_DEVICES= .\u002Fscripts\u002Fcreate_datasets.py\ncp $ML_DATA\u002Fsvhn-test.tfrecord $ML_DATA\u002Fsvhn_noextra-test.tfrecord\n\n# 创建无标签数据集\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fsvhn $ML_DATA\u002Fsvhn-train.tfrecord $ML_DATA\u002Fsvhn-extra.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fsvhn_noextra $ML_DATA\u002Fsvhn-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fcifar10 $ML_DATA\u002Fcifar10-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fcifar100 $ML_DATA\u002Fcifar100-train.tfrecord &\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_unlabeled.py $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord &\nwait\n\n# 创建不同标签数量的半监督子集 (此过程耗时较长，可根据需要注释不需要的部分)\nfor seed in 0 1 2 3 4 5; do\n    for size in 10 20 30 40 100 250 1000 4000; do\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fsvhn $ML_DATA\u002Fsvhn-train.tfrecord $ML_DATA\u002Fsvhn-extra.tfrecord &\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fsvhn_noextra $ML_DATA\u002Fsvhn-train.tfrecord &\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fcifar10 $ML_DATA\u002Fcifar10-train.tfrecord &\n    done\n    # CIFAR-100 和 STL-10 的特殊尺寸处理\n    for size in 400 1000 2500 10000; do\n        CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=$size $ML_DATA\u002FSSL2\u002Fcifar100 $ML_DATA\u002Fcifar100-train.tfrecord &\n    done\n    CUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=$seed --size=1000 $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord &\n    wait\ndone\nCUDA_VISIBLE_DEVICES= scripts\u002Fcreate_split.py --seed=1 --size=5000 $ML_DATA\u002FSSL2\u002Fstl10 $ML_DATA\u002Fstl10-train.tfrecord $ML_DATA\u002Fstl10-unlabeled.tfrecord\n```\n\n## 基本使用\n\n确保在项目根目录下运行，并已正确设置 `ML_DATA` 和 `PYTHONPATH` 环境变量。\n\n### 单卡训练示例\n以下命令在 CIFAR-10 数据集上训练 FixMatch 模型：\n- 使用 32 个滤波器\n- 随机种子为 3\n- 仅使用 40 个有标签样本和 1 个验证样本\n- 结果保存在 `.\u002Fexperiments\u002Ffixmatch`\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir .\u002Fexperiments\u002Ffixmatch\n```\n\n**参数说明：**\n- `--dataset`: 格式为 `数据集名。种子@标签数 - 验证数`。\n  - 可用标签数：10, 20, 30, 40, 100, 250, 1000, 4000\n  - 可用验证数：1, 5000\n  - 可用种子：0-5 (0 表示不洗牌，通常建议使用 1-5)\n- `--augment`: 数据增强策略，格式为 `有标签增强。弱增强无标签。强增强无标签` (例如 `d.d.d`)。\n\n### 多卡训练示例\n若有多块 GPU，只需在 `CUDA_VISIBLE_DEVICES` 中指定多个 ID，程序会自动扩展：\n```bash\nCUDA_VISIBLE_DEVICES=4,5,6,7 python fixmatch.py --filters=32 --dataset=cifar10.3@40-1 --train_dir .\u002Fexperiments\u002Ffixmatch\n```\n\n### 监控训练进度\n使用 TensorBoard 可视化训练过程：\n```bash\ntensorboard.sh --port 6007 --logdir .\u002Fexperiments\n```\n然后在浏览器访问 `http:\u002F\u002Flocalhost:6007`。\n\n### 提取准确率\n训练完成后，运行以下脚本计算最后 20 个检查点的中位准确率：\n```bash\n.\u002Fscripts\u002Fextract_accuracy.py .\u002Fexperiments\u002Ffixmatch\u002Fcifar10.d.d.d.3@40-1\u002FCTAugment_depth2_th0.80_decay0.990\u002FFixMatch_archresnet_batch64_confidence0.95_filters32_lr0.03_nclass10_repeat4_scales3_uratio7_wd0.0005_wu1.0\u002F\n```\n结果将保存在模型目录下的 `stats\u002Faccuracy.json` 文件中。","某医疗影像初创团队正在开发肺炎筛查模型，但面临标注成本极高、专家资源稀缺的困境，手中仅有 40 张确诊 X 光片，却拥有数万张未标注的临床影像数据。\n\n### 没有 fixmatch 时\n- **模型无法收敛**：仅靠 40 张标注图片训练深度学习模型，导致严重的过拟合，模型在测试集上几乎随机猜测，无法投入实际使用。\n- **标注成本失控**：为了达到可用的准确率，团队被迫聘请放射科医生手工标注数千张图片，项目预算迅速超支且周期被拉长数月。\n- **数据利用率低**：海量未标注的临床数据只能被闲置浪费，无法辅助模型学习医学影像的通用特征分布。\n- **调参难度极大**：尝试传统的半监督学习方法时，需要手动平衡有标签和无标签数据的损失权重，过程繁琐且效果不稳定。\n\n### 使用 fixmatch 后\n- **小样本高性能**：利用 fixmatch 的一致性正则化和置信度阈值机制，仅用 40 张标签结合大量未标注数据，模型准确率直接媲美全监督训练上千张数据的效果。\n- **大幅降低成本**：团队无需再进行大规模人工标注，将原本需要数月的标注工作缩减为几天，显著节省了资金和时间成本。\n- **激活沉睡数据**：成功将仓库中数万张未标注的 X 光片转化为有效的训练信号，让模型学到了更鲁棒的肺部纹理特征。\n- **部署简单高效**：只需一行命令指定标签数量（如 `cifar10.3@40-1` 类似的参数逻辑），fixmatch 自动处理复杂的半监督学习流程，无需人工干预超参数平衡。\n\nfixmatch 的核心价值在于它打破了“高质量模型依赖海量标注数据”的传统瓶颈，让企业在极低的数据标注成本下也能构建出生产级的 AI 应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgoogle-research_fixmatch_8f0c98a2.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",[81,85],{"name":82,"color":83,"percentage":84},"Python","#3572A5",99.1,{"name":86,"color":87,"percentage":88},"Shell","#89e051",0.9,1210,189,"2026-04-10T05:43:24","Apache-2.0",4,"Linux","需要 NVIDIA GPU（通过 CUDA_VISIBLE_DEVICES 变量控制），具体型号和显存大小未说明，需安装 CUDA 驱动以支持脚本运行","未说明",{"notes":98,"python":99,"dependencies":100},"1. 该项目主要基于 Linux 环境开发，安装命令使用 apt-get。2. 必须设置 ML_DATA 环境变量指向数据集存储路径。3. 数据集需要预先通过提供的脚本下载并转换为 TFRecord 格式。4. 代码依赖项目根目录下的 libml 模块，需正确设置 PYTHONPATH。5. 支持多 GPU 训练，只需在 CUDA_VISIBLE_DEVICES 中指定多个 GPU ID 即可自动扩展。6. 这是一个非官方支持的 Google 研究项目代码。","Python 3 (通过 python3-dev 和 virtualenv -p python3 推断)",[101,102,103,104,105,106],"tensorflow (推断自 .tfrecord 文件和 Google Research 背景)","libml (项目内部库)","numpy","Pillow","scipy","absl-py",[15,108],"其他","2026-03-27T02:49:30.150509","2026-04-13T09:17:31.686690",[112,117,122,127,132],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},31480,"STL-10 实验中使用的 WRN-37-2 网络参数量是多少？论文中的 23.8M 是否准确？","论文中提到的 23.8M 参数量是错误的。实际上，STL-10 实验（包括 FixMatch 和 ReMixMatch）使用的是 `--scales=4` 配置，模型参数量约为 600 万（具体为 5,933,770）。维护者确认该错误源自 ReMixMatch 论文，并将在更新后的论文中修正。完整的网络结构以代码库中实际运行的配置为准。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffixmatch\u002Fissues\u002F34",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},31481,"运行 ImageNet 数据分割或训练时遇到 'OutputStream realloc failed' 错误或程序停止，如何解决？","这通常是由于 TensorFlow 版本不匹配导致的配置问题。请严格检查并使用项目 `requirements.txt` 文件中指定的 TensorFlow 版本。用户报告在使用 TF 2.1 时出现问题，而官方要求可能不同。此外，确保其他依赖项（如 CUDA、CUDNN、tensorflow-addons）的版本也与官方要求一致。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffixmatch\u002Fissues\u002F23",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},31482,"FixMatch 代码中是否使用了 RandAugment 作为强增强（Strong Augmentation）？默认参数 'd.d.d' 代表什么？","是的，代码中使用了默认的增强方法（即 RandAugment）作为强增强和弱增强。参数 `augment` 的默认值 `d.d.d` 表示使用默认配置。具体流程如下：\n1. 弱增强的标记样本和强增强的未标记样本用于计算损失并训练模型。\n2. 强增强的标记样本（称为 probe）用于更新 CTAugment 的内部权重参数。\n3. 弱增强的未标记样本用于生成伪标签以计算未标记损失。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffixmatch\u002Fissues\u002F4",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},31483,"如何复现 CIFAR-100 数据集上 77.40% 的准确率结果？使用 filters=32 无法达到该精度怎么办？","若要复现论文中 CIFAR-100 (10k labels) 77.40% 的高准确率，需要调整模型宽度。默认命令中的 `--filters=32` 仅包含约 150 万参数，不足以达到该性能。根据社区验证，需要将过滤器数量设置为 128 (`--filters=128`)，此时模型参数量约为 2341 万。请使用以下命令尝试：\n`python ablation\u002Fab_fixmatch_ra.py --filters=128 --dataset=cifar100.1@10000-1 ...`\n注意：增大模型会显著增加训练时间。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffixmatch\u002Fissues\u002F25",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},31484,"FixMatch 中的 interleave 函数有何作用？Batch Normalization (BN) 是使用所有批次更新还是仅使用标记数据更新？","Interleave 操作是为了解决多 GPU 训练时的 Batch Norm 一致性问题。\n1. **原因**：如果不进行 interleaving，标记样本（L）可能全部分配到第一个 GPU，导致各 GPU 间的 BN 统计量（均值和方差）分布不一致。\n2. **机制**：通过 interleaving，每个 GPU 接收到的批次都包含相同比例的标记和未标记样本（例如 `LUUUUUUU`），从而保证 BN 统计量的一致性。\n3. **更新范围**：BN 的均值和方差是基于整个交错后的批次（包含标记和未标记数据，共 15 个批次块）进行更新的，而不仅仅是标记数据。","https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Ffixmatch\u002Fissues\u002F20",[138],{"id":139,"version":140,"summary_zh":141,"released_at":142},231224,"TF1","原始版本。","2020-12-16T20:22:34"]