[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-gpleiss--temperature_scaling":3,"tool-gpleiss--temperature_scaling":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",138956,2,"2026-04-05T11:33:21",[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":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":94,"env_deps":96,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":137},1296,"gpleiss\u002Ftemperature_scaling","temperature_scaling","A simple way to calibrate your neural network.","temperature_scaling 是一个极简的神经网络“校准器”。它只做一件事：把模型输出的概率变得更可信。大多数深度学习模型在给出预测时往往过于自信，比如 80% 的置信度实际只对了 60%，temperature_scaling 通过一个简单的“温度参数”把 logits 整体缩放，让置信度与真实准确率对齐，从而解决“过度自信”的问题。\n\n它特别适合已经训练好模型、想进一步提升可靠性的开发者或研究人员。只需把 temperature_scaling.py 文件拷进项目，在原来的验证集上跑几行代码，就能得到校准后的模型，无需重新训练或改动网络结构。核心亮点是“后处理”思路：零侵入、计算量极小，却能显著改善概率输出的可信度。","# WARNING: REPO UNMAINTAINED\n\nI created this repo 8 years ago for PyTorch 0.3 as a simple demonstration of temperature scaling.\nIt wasn't designed to be a standalone package, and it hasn't been maintained for years.\n\nIf you're looking for a well-maintained package that implements the algorithm, there are many good ones out there, including [https:\u002F\u002Fgithub.com\u002Fdholzmueller\u002Fprobmetrics](probmetrics)!\n\n# Temperature Scaling\nA simple way to calibrate your neural network.\nThe `temperature_scaling.py` module can be easily used to calibrated any trained model.\n\nBased on results from [On Calibration of Modern Neural Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.04599).\n\n## Motivation\n\n**TLDR:** Neural networks tend to output overconfident probabilities.\nTemperature scaling is a post-processing method that fixes it.\n\n**Long:**\n\nNeural networks output \"confidence\" scores along with predictions in classification.\nIdeally, these confidence scores should match the true correctness likelihood.\nFor example, if we assign 80% confidence to 100 predictions, then we'd expect that 80% of\nthe predictions are actually correct. If this is the case, we say the network is **calibrated**.\n\nA simple way to visualize calibration is plotting accuracy as a function of confidence.\nSince confidence should reflect accuracy, we'd like for the plot to be an identity function.\nIf accuracy falls below the main diagonal, then our network is overconfident.\nThis happens to be the case for most neural networks, such as this ResNet trained on CIFAR100.\n\n![Uncalibrated ResNet](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgpleiss_temperature_scaling_readme_1878ff605330.png)\n\nTemperature scaling is a post-processing technique to make neural networks calibrated.\nAfter temperature scaling, you can trust the probabilities output by a neural network:\n\n![Calibrated ResNet](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgpleiss_temperature_scaling_readme_8186f4abb1b5.png)\n\nTemperature scaling divides the logits (inputs to the softmax function) by a learned scalar parameter. I.e.\n```\nsoftmax = e^(z\u002FT) \u002F sum_i e^(z_i\u002FT)\n```\nwhere `z` is the logit, and `T` is the learned parameter.\nWe learn this parameter on a validation set, where T is chosen to minimize NLL.\n\n\n## Demo\n\nFirst train a DenseNet on CIFAR100, and save the validation indices:\n```sh\npython train.py --data \u003Cpath_to_data> --save \u003Csave_folder_dest>\n```\n\nThen temperature scale it\n```sh\npython demo.py --data \u003Cpath_to_data> --save \u003Csave_folder_dest>\n```\n\n\n## To use in a project\n\nCopy the file `temperature_scaling.py` to your repo.\nTrain a model, and **save the validation set**.\n(You must use the same validation set for training as for temperature scaling).\nYou can do something like this:\n\n```python\nfrom temperature_scaling import ModelWithTemperature\n\norig_model = ... # create an uncalibrated model somehow\nvalid_loader = ... # Create a DataLoader from the SAME VALIDATION SET used to train orig_model\n\nscaled_model = ModelWithTemperature(orig_model)\nscaled_model.set_temperature(valid_loader)\n```\n","# 警告：该仓库已停止维护\n\n我于8年前为 PyTorch 0.3 创建了这个仓库，旨在简单演示温度缩放技术。\n它并非设计为一个独立的软件包，且多年来一直未得到维护。\n\n如果您正在寻找一个维护良好的、实现该算法的软件包，市面上有许多优秀的选择，包括 [https:\u002F\u002Fgithub.com\u002Fdholzmueller\u002Fprobmetrics](probmetrics)！\n\n# 温度缩放\n一种校准神经网络的简便方法。\n`temperature_scaling.py` 模块可轻松用于对任何已训练模型进行校准。\n\n基于 [关于现代神经网络的校准](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.04599) 的研究结果。\n\n## 动机\n\n**简而言之：** 神经网络倾向于输出过于自信的概率。\n温度缩放是一种后处理方法，能够解决这一问题。\n\n**详细说明：**\n\n神经网络在分类任务中会同时输出“置信度”分数与预测结果。\n理想情况下，这些置信度分数应当与真实的正确概率相符。\n例如，如果我们对100个预测赋予80%的置信度，则期望其中80%的预测实际上是正确的。若情况如此，我们就称该网络是 **校准的**。\n\n可视化校准的一种简单方式是绘制准确率随置信度变化的曲线。\n由于置信度理应反映准确率，我们希望这条曲线能是一条恒等线。\n如果准确率低于主对角线，则说明我们的网络过于自信。\n这种情况在大多数神经网络中都会出现，比如这个在 CIFAR100 上训练的 ResNet。\n\n![未校准的 ResNet](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgpleiss_temperature_scaling_readme_1878ff605330.png)\n\n温度缩放是一种后处理技术，用于使神经网络达到校准状态。\n经过温度缩放后，您可以信任神经网络输出的概率：\n\n![已校准的 ResNet](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgpleiss_temperature_scaling_readme_8186f4abb1b5.png)\n\n温度缩放通过一个学习得到的标量参数，将 logits（即 softmax 函数的输入）除以该参数。即：\n```\nsoftmax = e^(z\u002FT) \u002F sum_i e^(z_i\u002FT)\n```\n其中 `z` 是 logits，`T` 是学习得到的参数。\n我们在验证集上学习这个参数，选择能使 NLL 最小化的 `T` 值。\n\n## 示例演示\n\n首先在 CIFAR100 上训练一个 DenseNet，并保存验证集的索引：\n```sh\npython train.py --data \u003Cpath_to_data> --save \u003Csave_folder_dest>\n```\n\n然后对其进行温度缩放：\n```sh\npython demo.py --data \u003Cpath_to_data> --save \u003Csave_folder_dest>\n```\n\n## 在项目中使用\n\n将 `temperature_scaling.py` 文件复制到您的项目中。\n训练一个模型，并**保存验证集**。\n（用于训练和温度缩放必须使用同一份验证集）。\n您可以按如下方式操作：\n\n```python\nfrom temperature_scaling import ModelWithTemperature\n\norig_model = ... # 以某种方式创建一个未校准的模型\nvalid_loader = ... # 从与训练 orig_model 时使用的**同一份验证集**中创建 DataLoader\n\nscaled_model = ModelWithTemperature(orig_model)\nscaled_model.set_temperature(valid_loader)\n```","# temperature_scaling 快速上手指南（中文）\n\n> ⚠️ 注意：原作者已停止维护，仅作学习参考。生产环境建议使用 [probmetrics](https:\u002F\u002Fgithub.com\u002Fdholzmueller\u002Fprobmetrics) 等活跃项目。\n\n## 环境准备\n- Python ≥ 3.6  \n- PyTorch ≥ 1.0（CPU\u002FGPU 均可）  \n- 已训练好的分类模型 + 验证集（必须与训练时完全一致）\n\n## 安装步骤\n无需 pip 安装，直接复制核心文件即可：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fgpleiss\u002Ftemperature_scaling.git\ncd temperature_scaling\ncp temperature_scaling.py \u002F你的项目路径\u002F\n```\n\n## 基本使用\n1. 把 `temperature_scaling.py` 放到你的代码目录  \n2. 准备与训练时 **完全相同的验证集** DataLoader  \n3. 三行代码完成校准：\n\n```python\nfrom temperature_scaling import ModelWithTemperature\n\nscaled_model = ModelWithTemperature(你的原始模型)\nscaled_model.set_temperature(验证集DataLoader)   # 自动学习温度 T\n```\n\n之后 `scaled_model` 即可输出校准后的概率，可直接用于推理或部署。","一家做智能客服的初创公司，把 ResNet50 微调后用于识别用户上传的截图属于“账号问题”“支付失败”还是“功能咨询”。模型上线后，客服系统会根据置信度≥0.9 的预测结果直接给出自动回复，其余才转人工。\n\n### 没有 temperature_scaling 时\n- 置信度 0.9 以上的样本里，实际正确率只有 67%，大量错误自动回复导致用户投诉“答非所问”。\n- 为了降低误回复，团队把阈值临时调到 0.97，结果 40% 的请求被迫转人工，客服排队时间从 30 秒涨到 4 分钟。\n- 运营部门想统计“支付失败”类问题的真实占比，却发现模型输出的概率分布整体偏高，无法直接当作可靠比例使用。\n- 产品经理每周都要手动抽查 500 张图重新标注，用来估算模型实际准确率，耗费 2 人日。\n\n### 使用 temperature_scaling 后\n- 同一份验证集上跑完 temperature_scaling，置信度 0.9 的样本准确率提升到 89%，自动回复的投诉率下降 70%。\n- 阈值重新调回 0.9，转人工比例恢复到最初的 18%，客服排队时间回到 30 秒左右。\n- 校准后的概率可直接用于业务报表：模型说“支付失败”占 42%，人工抽检结果 41%，误差在 1% 以内。\n- 不再需要每周人工抽检，改为每月例行 100 张抽检即可，节省 1.5 人日，团队把精力投入到新功能迭代。\n\ntemperature_scaling 用不到 20 行代码就让客服机器人的“自信”变成了“可信”，直接省下一台 GPU 服务器和半个客服班组的成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgpleiss_temperature_scaling_1878ff60.png","gpleiss","Geoff Pleiss","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgpleiss_c67bb043.jpg","Assistant Professor, UBC Stats","University of British Columbia","Vancouver, BC",null,"geoffpleiss.com","https:\u002F\u002Fgithub.com\u002Fgpleiss",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,1170,168,"2026-04-03T20:42:35","MIT",1,"未说明","未说明明显卡型号、显存或 CUDA 版本要求",{"notes":97,"python":94,"dependencies":98},"该仓库已 8 年无人维护，仅适用于 PyTorch 0.3 时代；官方建议改用 probmetrics 等维护良好的库。只需将 temperature_scaling.py 文件拷入项目即可使用，无需额外安装包。",[99],"torch",[13],[102,103],"deep-learning","calibration","2026-03-27T02:49:30.150509","2026-04-06T05:37:56.636226",[107,112,117,122,127,132],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},5930,"如何绘制 ECE（Expected Calibration Error）校准图？","作者未在仓库中直接提供绘图脚本，但可参考论文中的可视化方式：将置信度区间分桶后，计算每个桶内的准确率与平均置信度的差值。若 ECE 已经很小（如 0.013→0.010），说明模型已较好校准，无需进一步调整。","https:\u002F\u002Fgithub.com\u002Fgpleiss\u002Ftemperature_scaling\u002Fissues\u002F4",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},5931,"二分类任务中，温度缩放后的 logits 应该用 sigmoid 还是 softmax？","对于二分类，温度缩放等价于 Platt Scaling：直接把温度 T 作用在网络的单个 logit 上，然后用 sigmoid(logit \u002F T) 得到校准后的概率即可。","https:\u002F\u002Fgithub.com\u002Fgpleiss\u002Ftemperature_scaling\u002Fissues\u002F8",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},5932,"为什么优化温度 T 时选择最小化 NLL（负对数似然）而不是直接最小化 ECE？","ECE 依赖分桶，指标本身不稳定；NLL 连续可导，且温度缩放不改变模型准确率，因此 NLL 的下降直接对应校准性能（ECE）的提升。详见论文 4.1 节及作者 FAQ：http:\u002F\u002Fgeoffpleiss.com\u002Fnn_calibration。","https:\u002F\u002Fgithub.com\u002Fgpleiss\u002Ftemperature_scaling\u002Fissues\u002F3",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},5933,"使用温度缩放时，BatchNorm 的 running_mean\u002Fvar 被意外更新，如何避免？","在调用 set_temperature() 之前，把所有 BatchNorm 层的 momentum 设为 0，冻结统计量：\n```python\ndef freeze_batch_norm(model):\n    for m in model.modules():\n        if isinstance(m, torch.nn.BatchNorm2d):\n            m.momentum = 0\n```\n然后再进行温度优化即可。","https:\u002F\u002Fgithub.com\u002Fgpleiss\u002Ftemperature_scaling\u002Fissues\u002F36",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},5934,"训练脚本在 DenseNet 上报 “TypeError: cannot assign 'list' object to buffer” 怎么办？","该问题是早期代码对 DenseNet 的兼容性问题，最新 commit 已修复；若仍报错，可临时改用其他模型（如 ResNet）运行示例。","https:\u002F\u002Fgithub.com\u002Fgpleiss\u002Ftemperature_scaling\u002Fissues\u002F5",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},5935,"CIFAR-100 训练结果错误率高达 97.6%，是否正常？","示例脚本在旧版 PyTorch 上存在计算错误率的 bug（topk 维度不匹配）。请检查预测张量与标签维度是否一致，或使用作者最新代码。仓库本身只关注温度缩放，训练脚本仅供参考。","https:\u002F\u002Fgithub.com\u002Fgpleiss\u002Ftemperature_scaling\u002Fissues\u002F2",[]]