[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-haitongli--knowledge-distillation-pytorch":3,"tool-haitongli--knowledge-distillation-pytorch":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",159267,2,"2026-04-17T11:29:14",[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。",108322,"2026-04-10T11:39:34",[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},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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":89,"env_deps":91,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":109},8508,"haitongli\u002Fknowledge-distillation-pytorch","knowledge-distillation-pytorch","A PyTorch implementation for exploring deep and shallow knowledge distillation (KD) experiments with flexibility","knowledge-distillation-pytorch 是一个基于 PyTorch 构建的开源框架，旨在帮助开发者灵活探索深度神经网络中的“浅层”与“深层”知识蒸馏实验。它主要解决了在资源受限硬件上部署高效模型时的性能优化难题，通过让小型学生网络学习大型教师网络的“暗知识”，显著提升小模型的准确率，同时支持在未标记数据场景下利用教师模型进行正则化训练。\n\n该工具非常适合 AI 研究人员和深度学习工程师使用，尤其是那些希望快速验证蒸馏算法效果或进行超参数调优的用户。其独特亮点在于将复杂的实验配置统一封装在 `params.json` 文件中，避免了繁琐的命令行参数输入；内置了自动超参数搜索、结果表格合成、训练进度条及 TensorBoard 可视化等实用功能。此外，项目直接提供了在 CIFAR-10 数据集上预训练好的多种教师模型（如 ResNet-18、ResNeXt 等），用户只需简单配置即可复现从浅层 CNN 到先进深层架构的蒸馏效果，极大降低了实验门槛并提升了研发效率。","# knowledge-distillation-pytorch\n* Exploring knowledge distillation of DNNs for efficient hardware solutions\n* Author: Haitong Li\n* Framework: PyTorch\n* Dataset: CIFAR-10\n\n\n## Features\n* A framework for exploring \"shallow\" and \"deep\" knowledge distillation (KD) experiments\n* Hyperparameters defined by \"params.json\" universally (avoiding long argparser commands)\n* Hyperparameter searching and result synthesizing (as a table)\n* Progress bar, tensorboard support, and checkpoint saving\u002Floading (utils.py)\n* Pretrained teacher models available for download \n\n\n## Install\n* Clone the repo\n  ```\n  git clone https:\u002F\u002Fgithub.com\u002Fpeterliht\u002Fknowledge-distillation-pytorch.git\n  ```\n\n* Install the dependencies (including Pytorch)\n  ```\n  pip install -r requirements.txt\n  ```\n\n\n## Organizatoin:\n* .\u002Ftrain.py: main entrance for train\u002Feval with or without KD on CIFAR-10\n* .\u002Fexperiments\u002F: json files for each experiment; dir for hypersearch\n* .\u002Fmodel\u002F: teacher and student DNNs, knowledge distillation (KD) loss defination, dataloader \n\n\n## Key notes about usage for your experiments:\n\n* Download the zip file for pretrained teacher model checkpoints from [\"experiments.zip\"](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F12slKl4Vc8SbozFlvb-ahoR95F5yCwB_K\u002Fview?usp=sharing)\n* Simply move the unzipped subfolders into 'knowledge-distillation-pytorch\u002Fexperiments\u002F' (replacing the existing ones if necessary; follow the default path naming)\n* Call train.py to start training 5-layer CNN with ResNet-18's dark knowledge, or training ResNet-18 with state-of-the-art deeper models distilled\n* Use search_hyperparams.py for hypersearch\n* Hyperparameters are defined in params.json files universally. Refer to the header of search_hyperparams.py for details\n\n\n## Train (dataset: CIFAR-10)\n\nNote: all the hyperparameters can be found and modified in 'params.json' under 'model_dir'\n\n-- Train a 5-layer CNN with knowledge distilled from a pre-trained ResNet-18 model\n```\npython train.py --model_dir experiments\u002Fcnn_distill\n```\n\n-- Train a ResNet-18 model with knowledge distilled from a pre-trained ResNext-29 teacher\n```\npython train.py --model_dir experiments\u002Fresnet18_distill\u002Fresnext_teacher\n```\n\n-- Hyperparameter search for a specified experiment ('parent_dir\u002Fparams.json')\n```\npython search_hyperparams.py --parent_dir experiments\u002Fcnn_distill_alpha_temp\n```\n\n--Synthesize results of the recent hypersearch experiments\n```\npython synthesize_results.py --parent_dir experiments\u002Fcnn_distill_alpha_temp\n```\n\n\n## Results: \"Shallow\" and \"Deep\" Distillation\n\nQuick takeaways (more details to be added):\n\n* Knowledge distillation provides regularization for both shallow DNNs and state-of-the-art DNNs\n* Having unlabeled or partial dataset can benefit from dark knowledge of teacher models\n\n\n-**Knowledge distillation from ResNet-18 to 5-layer CNN**\n\n| Model                   | Dropout = 0.5      |  No Dropout        | \n| :------------------:    | :----------------: | :-----------------:|\n| 5-layer CNN             | 83.51%             |  84.74%            | \n| 5-layer CNN w\u002F ResNet18 | 84.49%             |  **85.69%**        |\n\n-**Knowledge distillation from deeper models to ResNet-18**\n\n\n|Model                      |  Test Accuracy|\n|:--------:                 |   :---------: |\n|Baseline ResNet-18         | 94.175%       |\n|+ KD WideResNet-28-10      | 94.333%       |\n|+ KD PreResNet-110         | 94.531%       |\n|+ KD DenseNet-100          | 94.729%       |\n|+ KD ResNext-29-8          | **94.788%**   |\n\n\n\n## References\n\nH. Li, \"Exploring knowledge distillation of Deep neural nets for efficient hardware solutions,\" [CS230 Report](http:\u002F\u002Fcs230.stanford.edu\u002Ffiles_winter_2018\u002Fprojects\u002F6940224.pdf), 2018\n\nHinton, Geoffrey, Oriol Vinyals, and Jeff Dean. \"Distilling the knowledge in a neural network.\" arXiv preprint arXiv:1503.02531 (2015).\n\nRomero, A., Ballas, N., Kahou, S. E., Chassang, A., Gatta, C., & Bengio, Y. (2014). Fitnets: Hints for thin deep nets. arXiv preprint arXiv:1412.6550.\n\nhttps:\u002F\u002Fgithub.com\u002Fcs230-stanford\u002Fcs230-stanford.github.io\n\nhttps:\u002F\u002Fgithub.com\u002Fbearpaw\u002Fpytorch-classification\n","# 知识蒸馏-PyTorch\n* 探索深度神经网络的知识蒸馏，以实现高效的硬件解决方案\n* 作者：李海通\n* 框架：PyTorch\n* 数据集：CIFAR-10\n\n\n## 特性\n* 用于探索“浅层”和“深层”知识蒸馏（KD）实验的框架\n* 超参数通过“params.json”文件统一定义（避免使用冗长的命令行参数解析器）\n* 支持超参数搜索及结果汇总为表格\n* 进度条、TensorBoard支持以及检查点的保存与加载（utils.py）\n* 提供可下载的预训练教师模型\n\n\n## 安装\n* 克隆仓库\n  ```\n  git clone https:\u002F\u002Fgithub.com\u002Fpeterliht\u002Fknowledge-distillation-pytorch.git\n  ```\n\n* 安装依赖项（包括 PyTorch）\n  ```\n  pip install -r requirements.txt\n  ```\n\n\n## 目录结构：\n* .\u002Ftrain.py：在CIFAR-10数据集上进行有或无知识蒸馏的训练\u002F评估主入口\n* .\u002Fexperiments\u002F: 每个实验对应的JSON文件；用于超参数搜索的目录\n* .\u002Fmodel\u002F: 教师模型和学生模型、知识蒸馏（KD）损失函数定义、数据加载器 \n\n\n## 使用说明要点：\n\n* 从[“experiments.zip”](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F12slKl4Vc8SbozFlvb-ahoR95F5yCwB_K\u002Fview?usp=sharing)下载预训练教师模型检查点压缩包\n* 将解压后的子文件夹直接移动到‘knowledge-distillation-pytorch\u002Fexperiments\u002F’中（如有必要可替换现有文件夹；请遵循默认路径命名规则）\n* 调用train.py开始训练带有ResNet-18暗知识的5层CNN，或者训练由更先进深度模型蒸馏而来的ResNet-18\n* 使用search_hyperparams.py进行超参数搜索\n* 超参数统一定义在params.json文件中。详细信息请参阅search_hyperparams.py文件头部注释\n\n\n## 训练（数据集：CIFAR-10）\n\n注意：所有超参数均可在‘model_dir’下的‘params.json’中找到并修改\n\n-- 训练从预训练ResNet-18模型蒸馏知识的5层CNN\n```\npython train.py --model_dir experiments\u002Fcnn_distill\n```\n\n-- 训练从预训练ResNext-29教师模型蒸馏知识的ResNet-18模型\n```\npython train.py --model_dir experiments\u002Fresnet18_distill\u002Fresnext_teacher\n```\n\n-- 对指定实验进行超参数搜索（‘parent_dir\u002Fparams.json’）\n```\npython search_hyperparams.py --parent_dir experiments\u002Fcnn_distill_alpha_temp\n```\n\n-- 汇总最近超参数搜索实验的结果\n```\npython synthesize_results.py --parent_dir experiments\u002Fcnn_distill_alpha_temp\n```\n\n\n## 结果：“浅层”与“深层”蒸馏\n\n简要总结（更多细节后续补充）：\n\n* 知识蒸馏对浅层和最先进的深度神经网络均能起到正则化作用\n* 在缺乏完整标注数据的情况下，利用教师模型的暗知识可以带来显著收益\n\n\n-**从ResNet-18向5层CNN的知识蒸馏**\n\n| 模型                   | Dropout = 0.5      |  无Dropout        | \n| :------------------:    | :----------------: | :-----------------:|\n| 5层CNN             | 83.51%             |  84.74%            | \n| 5层CNN w\u002F ResNet18 | 84.49%             |  **85.69%**        |\n\n-**更深模型向ResNet-18的知识蒸馏**\n\n\n|模型                      |  测试准确率|\n|:--------:                 |   :---------: |\n|基准ResNet-18         | 94.175%       |\n|+ KD WideResNet-28-10      | 94.333%       |\n|+ KD PreResNet-110         | 94.531%       |\n|+ KD DenseNet-100          | 94.729%       |\n|+ KD ResNext-29-8          | **94.788%**   |\n\n\n\n## 参考文献\n\nH. Li, “探索深度神经网络的知识蒸馏以实现高效硬件解决方案”，[CS230报告](http:\u002F\u002Fcs230.stanford.edu\u002Ffiles_winter_2018\u002Fprojects\u002F6940224.pdf), 2018\n\nHinton, Geoffrey, Oriol Vinyals, and Jeff Dean. “在神经网络中提炼知识”。arXiv预印本 arXiv:1503.02531 (2015)。\n\nRomero, A., Ballas, N., Kahou, S. E., Chassang, A., Gatta, C., & Bengio, Y. (2014). Fitnets：关于轻量级深度网络的提示。arXiv预印本 arXiv:1412.6550。\n\nhttps:\u002F\u002Fgithub.com\u002Fcs230-stanford\u002Fcs230-stanford.github.io\n\nhttps:\u002F\u002Fgithub.com\u002Fbearpaw\u002Fpytorch-classification","# knowledge-distillation-pytorch 快速上手指南\n\n本指南帮助开发者快速搭建基于 PyTorch 的知识蒸馏（Knowledge Distillation）实验环境，支持在 CIFAR-10 数据集上进行“浅层”与“深层”模型的蒸馏训练。\n\n## 环境准备\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **核心框架**：PyTorch\n*   **数据集**：CIFAR-10（代码运行时会自动下载或需手动放置于指定目录）\n*   **依赖管理**：pip\n\n> **国内加速建议**：\n> 在安装依赖时，推荐使用清华源或阿里源以提升下载速度：\n> `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fpeterliht\u002Fknowledge-distillation-pytorch.git\n    cd knowledge-distillation-pytorch\n    ```\n\n2.  **安装依赖包**\n    ```bash\n    pip install -r requirements.txt\n    ```\n\n3.  **获取预训练教师模型（可选但推荐）**\n    为了复现官方结果或直接开始蒸馏实验，建议下载预训练好的教师模型检查点：\n    *   下载地址：[experiments.zip](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F12slKl4Vc8SbozFlvb-ahoR95F5yCwB_K\u002Fview?usp=sharing)\n    *   操作：解压后，将子文件夹移动至项目根目录下的 `experiments\u002F` 文件夹中（若存在同名文件可覆盖）。\n\n## 基本使用\n\n所有超参数均在对应实验目录下的 `params.json` 文件中定义，无需通过命令行传递长参数。\n\n### 1. 启动训练\n\n**示例 A：训练一个 5 层 CNN，使用预训练的 ResNet-18 作为教师模型进行知识蒸馏**\n```bash\npython train.py --model_dir experiments\u002Fcnn_distill\n```\n\n**示例 B：训练 ResNet-18，使用更深的 ResNext-29 作为教师模型进行蒸馏**\n```bash\npython train.py --model_dir experiments\u002Fresnet18_distill\u002Fresnext_teacher\n```\n\n### 2. 超参数搜索\n\n对指定实验配置进行超参数自动搜索：\n```bash\npython search_hyperparams.py --parent_dir experiments\u002Fcnn_distill_alpha_temp\n```\n\n### 3. 结果汇总\n\n搜索完成后，合成并表格化展示最近的超参数搜索结果：\n```bash\npython synthesize_results.py --parent_dir experiments\u002Fcnn_distill_alpha_temp\n```\n\n> **提示**：训练过程中支持 TensorBoard 可视化、进度条显示以及断点保存\u002F加载功能。","某边缘计算团队需要在资源受限的嵌入式设备上部署高精度图像分类模型，但直接训练轻量级网络效果不佳。\n\n### 没有 knowledge-distillation-pytorch 时\n- 手动复现知识蒸馏算法耗时费力，需自行编写复杂的损失函数和教师 - 学生网络交互逻辑，容易出错。\n- 超参数调整依赖冗长的命令行参数，每次实验需输入大量指令，配置管理混乱且难以复现。\n- 缺乏统一的实验框架，无法快速对比“浅层”与“深层”蒸馏策略的效果，导致模型选型盲目。\n- 缺少预训练教师模型支持，团队需从头训练大型教师网络，极大增加了算力成本和时间开销。\n- 实验结果分散在不同日志中，缺乏自动化工具合成表格数据，汇报性能提升时整理困难。\n\n### 使用 knowledge-distillation-pytorch 后\n- 直接调用框架内置的蒸馏损失定义和数据加载器，几分钟内即可启动 ResNet-18 向 5 层 CNN 的知识迁移实验。\n- 通过 `params.json` 统一管理所有超参数，摒弃繁琐的命令行输入，实验配置清晰且易于版本控制。\n- 利用内置的超参数搜索脚本和结果合成工具，快速验证不同教师模型（如 DenseNet、ResNext）对精度的提升，明确最优方案。\n- 直接下载并使用官方提供的预训练教师模型检查点，跳过耗时的教师网络训练阶段，立即开始蒸馏实验。\n- 借助 TensorBoard 可视化进度和自动生成的结果表格，直观展示准确率从 84.74% 提升至 85.69% 等关键指标，高效完成技术汇报。\n\nknowledge-distillation-pytorch 将复杂的蒸馏实验流程标准化，让开发者能专注于模型策略探索而非底层代码实现，显著提升了边缘端模型的迭代效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhaitongli_knowledge-distillation-pytorch_63901994.png","haitongli","Haitong Li","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhaitongli_2ddc2847.png","Assistant Professor of ECE at Purdue University. Stanford EE PhD'22.","Purdue University",null,"https:\u002F\u002Fengineering.purdue.edu\u002F~haitongl\u002F","https:\u002F\u002Fgithub.com\u002Fhaitongli",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1984,354,"2026-04-07T07:30:06","MIT","未说明","未说明 (基于 PyTorch 框架，通常支持 CUDA 加速，但 README 未指定具体型号或显存要求)",{"notes":92,"python":89,"dependencies":93},"1. 该项目专注于在 CIFAR-10 数据集上进行知识蒸馏实验。\n2. 超参数通过 'params.json' 文件统一配置，无需长命令行参数。\n3. 运行前需手动下载预训练教师模型检查点（experiments.zip），并解压至指定目录。\n4. 支持使用 search_hyperparams.py 进行超参数搜索及结果合成。",[94,95,96],"torch","tensorflow (仅用于 TensorBoard 支持，非训练必需)","tqdm (用于进度条)",[14,15],[99,100,101,102,103,104,105],"pytorch","knowledge-distillation","deep-neural-networks","cifar10","model-compression","dark-knowledge","computer-vision","2026-03-27T02:49:30.150509","2026-04-18T00:45:28.414771",[],[]]