[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hendrycks--robustness":3,"tool-hendrycks--robustness":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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":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":78,"owner_email":79,"owner_twitter":73,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},4896,"hendrycks\u002Frobustness","robustness","Corruption and Perturbation Robustness (ICLR 2019)","robustness 是一个专为评估神经网络在面对常见图像损坏和扰动时稳定性而设计的开源基准工具。它源自 ICLR 2019 的权威研究，旨在解决深度学习模型在理想环境下表现优异，却在现实世界复杂场景（如模糊、噪声、天气变化或数字压缩伪影）中性能急剧下降的关键问题。\n\n该工具提供了包括 ImageNet-C、Tiny ImageNet-C 以及 CIFAR-10\u002F100-C 在内的标准化数据集，这些数据集系统地模拟了 15 种不同类型的图像退化情况。通过引入“平均腐蚀误差”（mCE）这一核心指标，robustness 让研究人员能够量化并公平地比较不同模型或防御算法的鲁棒性表现。其独特的技术亮点在于强调使用预生成的标准图像进行评估，而非在内存中实时计算扰动，从而确保了实验结果的确定性与可复现性，避免了因随机性导致的评估偏差。\n\nrobustness 非常适合人工智能研究人员、算法工程师以及计算机视觉开发者使用。对于致力于提升模型在自动驾驶、医疗影像分析等高风险领域可靠性的团队，它是验证算法抗干扰能力不可或缺的测试平台；同时，它也帮助学术界清晰地追踪该领域的最新进展，区分哪些技术是独立的","robustness 是一个专为评估神经网络在面对常见图像损坏和扰动时稳定性而设计的开源基准工具。它源自 ICLR 2019 的权威研究，旨在解决深度学习模型在理想环境下表现优异，却在现实世界复杂场景（如模糊、噪声、天气变化或数字压缩伪影）中性能急剧下降的关键问题。\n\n该工具提供了包括 ImageNet-C、Tiny ImageNet-C 以及 CIFAR-10\u002F100-C 在内的标准化数据集，这些数据集系统地模拟了 15 种不同类型的图像退化情况。通过引入“平均腐蚀误差”（mCE）这一核心指标，robustness 让研究人员能够量化并公平地比较不同模型或防御算法的鲁棒性表现。其独特的技术亮点在于强调使用预生成的标准图像进行评估，而非在内存中实时计算扰动，从而确保了实验结果的确定性与可复现性，避免了因随机性导致的评估偏差。\n\nrobustness 非常适合人工智能研究人员、算法工程师以及计算机视觉开发者使用。对于致力于提升模型在自动驾驶、医疗影像分析等高风险领域可靠性的团队，它是验证算法抗干扰能力不可或缺的测试平台；同时，它也帮助学术界清晰地追踪该领域的最新进展，区分哪些技术是独立的创新，哪些是多种方法的组合效果。","# Benchmarking Neural Network Robustness to Common Corruptions and Perturbations\n\nThis repository contains the datasets and some code for the paper [Benchmarking Neural Network Robustness to Common Corruptions and Perturbations](https:\u002F\u002Farxiv.org\u002Fabs\u002F1903.12261) (ICLR 2019) by Dan Hendrycks and Thomas Dietterich.\n\nRequires Python 3+ and PyTorch 0.3+. For evaluation, please download the data from the links below.\n\n## ImageNet-C\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_12476ac3324f.png\" width=\"750\">\n\n[Download ImageNet-C here.](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2235448) [(Mirror.)](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1HDVw6CmX3HiG0ODFtI75iIfBDxSiSz2K?usp=sharing)\n\n[Download Tiny ImageNet-C here.](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2536630) [(Mirror.)](https:\u002F\u002Fberkeley.box.com\u002Fs\u002F6zt1qzwm34hgdzcvi45svsb10zspop8a)\n\nTiny ImageNet-C has 200 classes with images of size 64x64, while ImageNet-C has all 1000 classes where each image is the standard size. For even quicker experimentation, there is [CIFAR-10-C](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2535967) and [CIFAR-100-C](https:\u002F\u002Fzenodo.org\u002Frecord\u002F3555552). Evaluation using the JPEGs above is strongly prefered to computing the corruptions in memory, so that evaluation is deterministic and consistent.\n\n## ImageNet-C Leaderboard\n\nImageNet-C Robustness with a ResNet-50 Backbone trained on ImageNet-1K and evaluated on 224x224x3 images.\n\n|                Method               |                              Reference                             | Standalone? |   mCE   |    Clean Error |\n|-------------------------------|------------------------------------------------------------------------|:-------:|:-------:| :-------:|\n| [DeepAugment+AugMix](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fimagenet-r) | [Hendrycks et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.16241) | No | 53.6%   |  24.2%\n| [Assemble-ResNet50](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fassembled-cnn) | [Lee et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.06268) | No | 56.5%   |  17.90%\n| [ANT (3x3)](https:\u002F\u002Fgithub.com\u002Fbethgelab\u002Fgame-of-noise) | [Rusak and Schott et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.06057) | Yes | 63%   |  23.9%\n| BlurAfterConv | [Vasconcelos et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.10675)| Yes | 64.9%   |   21.2%\n| [AugMix](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Faugmix) | [Hendrycks and Mu et al.](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.02781.pdf) (ICLR 2020) | Yes | 65.3%   |  22.47%\n| [Stylized ImageNet](https:\u002F\u002Fgithub.com\u002Frgeirhos\u002FStylized-ImageNet) | [Geirhos et al.](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.12231.pdf) (ICLR 2019) | Yes | 69.3%   |  25.41%\n| [Group-wise Inhibition+DataAug](https:\u002F\u002Fgithub.com\u002FLinusWu\u002FTENET_Training) | [Liu et al.](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FICCV2021\u002Fpapers\u002FLiu_Group-Wise_Inhibition_Based_Feature_Regularization_for_Robust_Classification_ICCV_2021_paper.pdf) (ICCV2021) | No | 69.6% | 22.4% \n| Patch Uniform | [Lopes et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F1906.02611) | Yes | 74.3%   |  24.5%\n| [Group-wise Inhibition](https:\u002F\u002Fgithub.com\u002FLinusWu\u002FTENET_Training) | [Liu et al.](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FICCV2021\u002Fpapers\u002FLiu_Group-Wise_Inhibition_Based_Feature_Regularization_for_Robust_Classification_ICCV_2021_paper.pdf) (ICCV2021) | Yes | 75.3% | 23.1% \n| ResNet-50 Baseline                  |                                                               | N\u002FA    | 76.7%   | 23.85%\n\n\"Standalone\" indicates whether the method is a combination of techniques or a standalone\u002Fsingle method. Combining methods and proposing standalone methods are both valuable but not necessarily commensurable.\n\nBe sure to check each paper for results on all 15 corruptions, as some of these techniques improve robustness on all corruptions, some methods help on some corruptions and hurt on others, and some are exceptional against noise corruptions. Other backbones can obtain better results. For example, a vanilla ResNeXt-101 has an mCE of 62.2%. Note Lopes et al. have a ResNet-50 backbone with an mCE of [80.6](https:\u002F\u002Fopenreview.net\u002Fpdf?id=S1gmrxHFvB#page=7&zoom=100,144,580), so their improvement is larger than what is immediately suggested by the table.\n\nSubmit a pull request if you beat the state-of-the-art on ImageNet-C with a ResNet-50 backbone.\n\n### UPDATE: New Robustness Benchmarks\n\nFor other distribution shift benchmarks like ImageNet-C, consider datasets like [ImageNet-A](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fnatural-adv-examples) or [ImageNet-R](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fimagenet-r\u002F).\n\nImageNet-A contains real-world, unmodified natural images that cause model accuracy to substantially degrade. ImageNet-R(endition) has 30,000 renditions of ImageNet classes cocering art, cartoons, deviantart, graffiti, embroidery, graphics, origami, paintings, patterns, plastic objects, plush objects, sculptures, sketches, tattoos, toys, and video games.\n\n\n## Calculating the mCE\n\nThis spreadsheet shows how to calculate the [mean Corruption Error](https:\u002F\u002Fdocs.google.com\u002Fspreadsheets\u002Fd\u002F1RwqofJPHhtdRPG-dDO7wPp-aGn-AmwmU5-rpvTzrMHw\u002Fedit?usp=sharing).\n\n## ImageNet-P\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_4af9e4c99c5b.gif\" width=\"224\"> \u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_9b47ccb7341a.gif\" width=\"224\"> \u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_a12278add485.gif\" width=\"224\">\n\n\u003Csub>\u003Csup>ImageNet-P sequences are MP4s not GIFs. The spatter perturbation sequence is a validation sequence.\u003C\u002Fsup>\u003C\u002Fsub>\n\n[Download Tiny ImageNet-P here.](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2536630) [(Mirror.)](https:\u002F\u002Fberkeley.box.com\u002Fs\u002F19m2ppji0xsqgtkrs95329bqftbvncx9)\n\n[Download ImageNet-P here.](https:\u002F\u002Fzenodo.org\u002Frecord\u002F3565846) [(Mirror.)](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1vRrDaWA6-_GaUZqOmovWrr4W34aiSLu7?usp=sharing)\n\n[Download CIFAR-10-P here.](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1dY1_zeRyjMKdfmMbQ_uK8O1i0MVI9UbZ?usp=sharing)\n\n[Download CIFAR-100-P here.](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Tpssw4Vn6X_4hmIW8KK5LzkKCZpAaae8?usp=sharing)\n\n## ImageNet-P Leaderboard\n\nImageNet-P Perturbation Robustness with a ResNet-50 Backbone\n\n|                Method               |                              Reference                             |   mFR   |   mT5D   |\n|-------------------------------------|--------------------------------------------------------------------|:-------:|:-------:|\n| [AugMix](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Faugmix) | [Hendrycks and Mu et al.](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.02781.pdf) (ICLR 2020)              |   37.4%  |    |\n| Low Pass Filter Pooling (bin-5)     | [Zhang](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.11486) (ICML 2019)              | 51.2%   | 71.9%   |\n| ResNet-50 Baseline                  |                                                                    | 58.0%   | 78.4%   |\n\nSubmit a pull request if you beat the state-of-the-art on ImageNet-P.\n\n## Citation\n\nIf you find this useful in your research, please consider citing:\n\n    @article{hendrycks2019robustness,\n      title={Benchmarking Neural Network Robustness to Common Corruptions and Perturbations},\n      author={Dan Hendrycks and Thomas Dietterich},\n      journal={Proceedings of the International Conference on Learning Representations},\n      year={2019}\n    }\n\nPart of the code was contributed by [Tom Brown](https:\u002F\u002Fgithub.com\u002Fnottombrown).\n\n## Icons-50 (From an Older Draft)\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_059b23175b4e.png\" width=\"500\">\n\nDownload Icons-50 [here](https:\u002F\u002Fberkeley.box.com\u002Fs\u002Fjcem6ik7rxr6594lg99kmrdo01ue6yjt) or [here.](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F16_kaFo3uUoS-U8FTDm4nUh6Vo21UVnJX?usp=sharing)\n\n","# 神经网络对常见损坏和扰动的鲁棒性基准测试\n\n本仓库包含论文《神经网络对常见损坏和扰动的鲁棒性基准测试》（ICLR 2019）所需的数据集及部分代码，该论文由Dan Hendrycks和Thomas Dietterich共同撰写。\n\n需要Python 3及以上版本以及PyTorch 0.3及以上版本。请从下方链接下载数据以进行评估。\n\n## ImageNet-C\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_12476ac3324f.png\" width=\"750\">\n\n[在此下载ImageNet-C数据集。](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2235448) [(镜像链接。)](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1HDVw6CmX3HiG0ODFtI75iIfBDxSiSz2K?usp=sharing)\n\n[在此下载Tiny ImageNet-C数据集。](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2536630) [(镜像链接。)](https:\u002F\u002Fberkeley.box.com\u002Fs\u002F6zt1qzwm34hgdzcvi45svsb10zspop8a)\n\nTiny ImageNet-C包含200个类别，图像尺寸为64×64；而ImageNet-C则涵盖全部1000个类别，每张图像均为标准尺寸。若希望实验更加迅速，还可使用[CIFAR-10-C](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2535967)和[CIFAR-100-C](https:\u002F\u002Fzenodo.org\u002Frecord\u002F3555552)数据集。建议使用上述JPEG文件进行评估，而非在内存中计算损坏效果，这样可以确保评估结果的确定性和一致性。\n\n## ImageNet-C排行榜\n\n基于ResNet-50主干网络，在ImageNet-1K数据集上训练，并在224×224×3图像上评估的ImageNet-C鲁棒性表现。\n\n|                方法               |                              参考文献                             | 是否独立方法 |   mCE   |    清晰样本错误率 |\n|-------------------------------|------------------------------------------------------------------------|:-------:|:-------:| :-------:|\n| [DeepAugment+AugMix](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fimagenet-r) | [Hendrycks等](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.16241) | 否 | 53.6%   |  24.2%\n| [Assemble-ResNet50](https:\u002F\u002Fgithub.com\u002Fclovaai\u002Fassembled-cnn) | [Lee等](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.06268) | 否 | 56.5%   |  17.90%\n| [ANT (3x3)](https:\u002F\u002Fgithub.com\u002Fbethgelab\u002Fgame-of-noise) | [Rusak和Schott等](https:\u002F\u002Farxiv.org\u002Fabs\u002F2001.06057) | 是 | 63%   |  23.9%\n| BlurAfterConv | [Vasconcelos等](https:\u002F\u002Farxiv.org\u002Fabs\u002F2011.10675)| 是 | 64.9%   |   21.2%\n| [AugMix](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Faugmix) | [Hendrycks和Mu等](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.02781.pdf)（ICLR 2020） | 是 | 65.3%   |  22.47%\n| [Stylized ImageNet](https:\u002F\u002Fgithub.com\u002Frgeirhos\u002FStylized-ImageNet) | [Geirhos等](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1811.12231.pdf)（ICLR 2019） | 是 | 69.3%   |  25.41%\n| [Group-wise Inhibition+DataAug](https:\u002F\u002Fgithub.com\u002FLinusWu\u002FTENET_Training) | [Liu等](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FICCV2021\u002Fpapers\u002FLiu_Group-Wise_Inhibition_Based_Feature_Regularization_for_Robust_Classification_ICCV_2021_paper.pdf)（ICCV2021） | 否 | 69.6% | 22.4% \n| Patch Uniform | [Lopes等](https:\u002F\u002Farxiv.org\u002Fabs\u002F1906.02611) | 是 | 74.3%   |  24.5%\n| [Group-wise Inhibition](https:\u002F\u002Fgithub.com\u002FLinusWu\u002FTENET_Training) | [Liu等](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent\u002FICCV2021\u002Fpapers\u002FLiu_Group-Wise_Inhibition_Based_Feature_Regularization_for_Robust_Classification_ICCV_2021_paper.pdf)（ICCV2021） | 是 | 75.3% | 23.1% \n| ResNet-50 基线                  |                                                               | N\u002FA    | 76.7%   | 23.85%\n\n“独立方法”表示该方法是多种技术的组合，还是单一独立的方法。结合多种方法与提出独立方法各有价值，但并不一定具有可比性。\n\n请务必查阅每篇论文中关于所有15种损坏效果的结果，因为有些技术能够提升对所有损坏的鲁棒性，而另一些方法则可能在某些损坏下有效、在其他情况下反而降低性能，还有一些方法特别擅长应对噪声类损坏。使用其他主干网络可能会获得更好的结果。例如，一个普通的ResNeXt-101模型的mCE为62.2%。需要注意的是，Lopes等人使用ResNet-50主干网络时，其mCE达到了[80.6](https:\u002F\u002Fopenreview.net\u002Fpdf?id=S1gmrxHFvB#page=7&zoom=100,144,580)，因此他们的改进程度远超表格所显示的数值。\n\n如果您使用ResNet-50主干网络在ImageNet-C上取得了当前最佳性能，请提交Pull Request。\n\n### 更新：新的鲁棒性基准测试\n\n对于类似ImageNet-C的分布偏移基准测试，还可以考虑使用[ImageNet-A](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fnatural-adv-examples)或[ImageNet-R](https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Fimagenet-r\u002F)等数据集。\n\nImageNet-A包含真实世界中的未经修改的自然图像，这些图像会导致模型准确率大幅下降。ImageNet-R（重制版）则包含了3万个ImageNet类别的重制版本，涵盖艺术、卡通、DeviantArt、涂鸦、刺绣、图形设计、折纸、绘画、图案、塑料制品、毛绒玩具、雕塑、素描、纹身、玩具和电子游戏等内容。\n\n## 计算mCE\n\n此电子表格展示了如何计算[平均损坏误差](https:\u002F\u002Fdocs.google.com\u002Fspreadsheets\u002Fd\u002F1RwqofJPHhtdRPG-dDO7wPp-aGn-AmwmU5-rpvTzrMHw\u002Fedit?usp=sharing)。\n\n## ImageNet-P\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_4af9e4c99c5b.gif\" width=\"224\"> \u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_9b47ccb7341a.gif\" width=\"224\"> \u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_a12278add485.gif\" width=\"224\">\n\n\u003Csub>\u003Csup>ImageNet-P序列是MP4格式，而非GIF格式。其中喷溅扰动序列是一个验证序列。\u003C\u002Fsup>\u003C\u002Fsub>\n\n[在此下载Tiny ImageNet-P数据集。](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2536630) [(镜像链接。)](https:\u002F\u002Fberkeley.box.com\u002Fs\u002F19m2ppji0xsqgtkrs95329bqftbvncx9)\n\n[在此下载ImageNet-P数据集。](https:\u002F\u002Fzenodo.org\u002Frecord\u002F3565846) [(镜像链接。)](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1vRrDaWA6-_GaUZqOmovWrr4W34aiSLu7?usp=sharing)\n\n[在此下载CIFAR-10-P数据集。](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1dY1_zeRyjMKdfmMbQ_uK8O1i0MVI9UbZ?usp=sharing)\n\n[在此下载CIFAR-100-P数据集。](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1Tpssw4Vn6X_4hmIW8KK5LzkKCZpAaae8?usp=sharing)\n\n## ImageNet-P排行榜\n\n基于ResNet-50主干网络的ImageNet-P扰动鲁棒性表现。\n\n|                方法               |                              参考文献                             |   mFR   |   mT5D   |\n|-------------------------------------|--------------------------------------------------------------------|:-------:|:-------:|\n| [AugMix](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Faugmix) | [Hendrycks和Mu等](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.02781.pdf)（ICLR 2020）              |   37.4%  |    |\n| 低通滤波池化（bin-5）     | [Zhang](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.11486)（ICML 2019）              | 51.2%   | 71.9%   |\n| ResNet-50 基线                  |                                                                    | 58.0%   | 78.4%   |\n\n如果您在ImageNet-P上取得了当前最佳性能，请提交Pull Request。\n\n## 引用\n\n如果您在研究中觉得本项目有用，请考虑引用以下文献：\n\n    @article{hendrycks2019robustness,\n      title={神经网络对常见损坏和扰动的鲁棒性基准测试},\n      author={丹·亨德里克斯和托马斯·迪特里希},\n      journal={国际学习表示会议论文集},\n      year={2019}\n    }\n\n部分代码由 [汤姆·布朗](https:\u002F\u002Fgithub.com\u002Fnottombrown) 贡献。\n\n## Icons-50（来自旧版本草稿）\n\n\u003Cimg align=\"center\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_readme_059b23175b4e.png\" width=\"500\">\n\n您可以通过[这里](https:\u002F\u002Fberkeley.box.com\u002Fs\u002Fjcem6ik7rxr6594lg99kmrdo01ue6yjt)或[这里](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F16_kaFo3uUoS-U8FTDm4nUh6Vo21UVnJX?usp=sharing)下载 Icons-50。","# Robustness 快速上手指南\n\n本指南帮助开发者快速搭建环境并使用 `robustness` 工具包，用于评估神经网络在常见图像损坏（Corruptions）和扰动（Perturbations）下的鲁棒性。该工具基于 ICLR 2019 论文《Benchmarking Neural Network Robustness to Common Corruptions and Perturbations》。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3+\n*   **深度学习框架**：PyTorch 0.3+ (建议使用较新版本以保持兼容性)\n*   **依赖库**：需安装基础的图像处理库（如 Pillow, numpy 等，通常随 PyTorch 生态自动安装）\n\n## 安装步骤\n\n由于该项目主要提供数据集和评估逻辑，核心代码通常直接克隆仓库使用。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Frobustness.git\n    cd robustness\n    ```\n\n2.  **安装 Python 依赖**\n    如果项目根目录包含 `requirements.txt`，请运行：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    若无此文件，请确保已安装 PyTorch：\n    ```bash\n    pip install torch torchvision\n    ```\n\n3.  **下载评估数据集**\n    为了进行确定性且一致的评估，强烈建议下载预生成的损坏\u002F扰动图像数据集，而不是在内存中实时计算。\n\n    *   **ImageNet-C (常用)**:\n        *   官方源 (Zenodo): [Download ImageNet-C](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2235448)\n        *   **国内加速\u002F镜像**: [Google Drive 镜像](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1HDVw6CmX3HiG0ODFtI75iIfBDxSiSz2K?usp=sharing) (需网络工具) 或查找国内网盘搬运资源。\n    \n    *   **Tiny ImageNet-C (快速实验)**:\n        *   [Download Tiny ImageNet-C](https:\u002F\u002Fzenodo.org\u002Frecord\u002F2536630)\n        *   **国内加速\u002F镜像**: [Box 镜像](https:\u002F\u002Fberkeley.box.com\u002Fs\u002F6zt1qzwm34hgdzcvi45svsb10zspop8a)\n\n    *   **其他数据集**:\n        *   CIFAR-10-C \u002F CIFAR-100-C: 可在 Zenodo 搜索对应记录下载。\n        *   ImageNet-P (扰动基准): [Download ImageNet-P](https:\u002F\u002Fzenodo.org\u002Frecord\u002F3565846)\n\n    下载后，请将数据解压至项目指定的数据目录（通常为 `data\u002F` 或在代码中配置的路径）。\n\n## 基本使用\n\n本工具主要用于加载预训练模型并在损坏数据集上进行推理评估。以下是一个基于 PyTorch 的最简评估流程示例。\n\n假设您已有一个训练好的 ResNet-50 模型 (`model.pth`) 并下载了 ImageNet-C 数据。\n\n```python\nimport os\nimport torch\nimport torchvision.models as models\nimport torchvision.transforms as transforms\nfrom PIL import Image\nfrom torch.utils.data import DataLoader, Dataset\n\n# 1. 定义简单的数据集类来加载 ImageNet-C 的某个损坏类型 (例如 'gaussian_noise')\nclass ImageNetCDataset(Dataset):\n    def __init__(self, root_dir, corruption_type='gaussian_noise', severity=1):\n        self.root_dir = os.path.join(root_dir, corruption_type, str(severity))\n        self.images = [os.path.join(self.root_dir, f) for f in os.listdir(self.root_dir) if f.endswith('.jpeg')]\n        self.transform = transforms.Compose([\n            transforms.Resize(256),\n            transforms.CenterCrop(224),\n            transforms.ToTensor(),\n            transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]),\n        ])\n\n    def __len__(self):\n        return len(self.images)\n\n    def __getitem__(self, idx):\n        img_path = self.images[idx]\n        image = Image.open(img_path).convert('RGB')\n        # 注意：实际使用时需要根据文件名解析对应的 Label，此处简化处理\n        # ImageNet-C 的标签顺序与原始 ImageNet 验证集一致\n        label = int(os.path.basename(img_path).split('_')[0]) \n        return self.transform(image), label\n\n# 2. 加载模型\ndevice = torch.device(\"cuda\" if torch.cuda.is_available() else \"cpu\")\nmodel = models.resnet50(pretrained=True) # 或者加载您自己的权重: model.load_state_dict(torch.load('model.pth'))\nmodel.to(device)\nmodel.eval()\n\n# 3. 初始化数据加载器\n# 请替换为您实际下载的数据路径\ndata_path = \".\u002Fdata\u002Fimagenet_c\" \ndataset = ImageNetCDataset(root_dir=data_path, corruption_type='gaussian_noise', severity=1)\ndataloader = DataLoader(dataset, batch_size=32, shuffle=False, num_workers=4)\n\n# 4. 执行评估\ncorrect = 0\ntotal = 0\n\nwith torch.no_grad():\n    for images, labels in dataloader:\n        images, labels = images.to(device), labels.to(device)\n        outputs = model(images)\n        _, predicted = torch.max(outputs.data, 1)\n        total += labels.size(0)\n        correct += (predicted == labels).sum().item()\n\naccuracy = 100 * correct \u002F total\nprint(f'Accuracy on Gaussian Noise (Severity 1): {accuracy:.2f}%')\n```\n\n**说明：**\n*   **mCE 计算**：要计算论文中提到的平均损坏误差 (mCE)，您需要遍历所有 15 种损坏类型和 5 个严重程度等级，参考官方提供的 [Google Sheets 计算公式](https:\u002F\u002Fdocs.google.com\u002Fspreadsheets\u002Fd\u002F1RwqofJPHhtdRPG-dDO7wPp-aGn-AmwmU5-rpvTzrMHw\u002Fedit?usp=sharing) 进行加权平均。\n*   **数据一致性**：务必使用下载的 JPEG 图片进行评估，以确保结果与 Leaderboard 可比。","某自动驾驶初创团队正在优化其车载视觉识别模型，以确保车辆在雨雪、雾霾或摄像头镜头模糊等恶劣天气下仍能准确识别交通标志和行人。\n\n### 没有 robustness 时\n- 模型在晴朗天气的测试集上准确率高达 98%，但一旦遇到模拟雨雾或高斯噪声的图像，识别率断崖式下跌至 60% 以下，存在严重安全隐患。\n- 开发团队缺乏统一的评估标准，只能手动拼接少量干扰图片进行测试，无法量化模型对 15 种常见图像损坏（Corruptions）的具体抵抗能力。\n- 由于无法定位模型对哪类干扰最敏感，工程师只能盲目尝试各种数据增强手段，导致训练周期拉长且效果提升不明显。\n- 在向投资人演示时，模型面对轻微的画面抖动或模糊即出现误判，严重影响了技术可信度和融资进程。\n\n### 使用 robustness 后\n- 团队利用 ImageNet-C 数据集对模型进行标准化压力测试，迅速发现模型对“弹性形变”和“像素化”特别敏感，明确了优化方向。\n- 基于 mCE（平均腐蚀误差）指标，团队量化了引入 AugMix 等增强策略前后的具体提升幅度，将恶劣天气下的识别稳定性提升了 20%。\n- 通过对比不同骨干网络在 15 种干扰下的表现，团队精准选择了抗噪性更强的架构，避免了在无效方案上浪费算力资源。\n- 在最终验收报告中，详实的鲁棒性基准数据证明了系统在极端视觉条件下的可靠性，成功通过了安全合规审查。\n\nrobustness 通过提供标准化的图像损坏基准测试，将原本模糊的“模型稳定性”转化为可量化、可优化的具体指标，彻底解决了 AI 模型在现实复杂环境中“水土不服”的难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhendrycks_robustness_12476ac3.png","hendrycks","Dan Hendrycks","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhendrycks_1c86a196.jpg","PhD student at UC Berkeley.",null,"Berkeley, California","hendrycks@berkeley.edu","danhendrycks.com","https:\u002F\u002Fgithub.com\u002Fhendrycks",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",99.9,{"name":88,"color":89,"percentage":90},"Shell","#89e051",0.1,1143,151,"2026-04-02T10:35:59","Apache-2.0","未说明",{"notes":97,"python":98,"dependencies":99},"该工具主要用于评估神经网络对常见损坏和扰动的鲁棒性。运行评估前需手动下载 ImageNet-C、ImageNet-P 等数据集（提供 Zenodo、Google Drive 等下载链接）。建议使用提供的 JPEG 格式数据进行评估以确保结果确定性和一致性，而不是在内存中实时计算损坏效果。","3+",[100],"PyTorch>=0.3",[15,14],[103,64,104,105,106,107,108,109,110],"imagenet","pytorch","deep-learning","convolutional-neural-networks","computer-vision","machine-learning","domain-generalization","ml-safety","2026-03-27T02:49:30.150509","2026-04-07T13:28:55.194865",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},22239,"Zenodo 下载的文件中缺少部分扰动文件夹或难度等级，这是正常的吗？","是的，这是预期的行为。提供的 Zenodo 文件可能不包含代码测试脚本中列出的所有扰动类型（如 gaussian_noise, shot_noise 等）或所有的难度等级。如果您需要报告结果，可以仅针对提供的数据进行单独报告，而不是进行平均处理。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Frobustness\u002Fissues\u002F45",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},22240,"如何针对不同输入分辨率的模型（如 EfficientNet）测试 ImageNet-C 鲁棒性？","官方提供的预生成图像主要针对标准分辨率（224），不同分辨率下的鲁棒性直接比较可能不准确（因为固定标准差的高斯噪声对小图像破坏性更大）。如果您需要使用其他分辨率（如 EfficientNet 的 240, 300, 600 等），建议使用项目中的 `make_c` 脚本（具体为 `ImageNet-C\u002Fcreate_c\u002Fmake_imagenet_c.py`），修改其中定义图像尺寸的代码行，自行生成对应分辨率的扰动数据集。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Frobustness\u002Fissues\u002F52",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},22241,"使用提供的压缩图像与自行运行脚本生成的扰动数据集，测试结果为何存在差异？","这种差异是可能存在的，特别是在小尺寸图像（如 Tiny-ImageNet）上。JPEG 压缩可能会使分布偏移变得更加困难，从而导致准确率差异。维护者认为这在较小图像上不是大问题，且 Tiny-ImageNet-C 的结果通常比 CIFAR-10-C 更能反映 ImageNet-C 的性能趋势。如果结果差异巨大，建议以完整的 ImageNet 结果为准。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Frobustness\u002Fissues\u002F16",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},22242,"如果在数据加载时动态生成扰动图像（在线生成）而不是使用离线生成的文件，会影响评估结果的一致性吗？需要设置随机种子吗？","在线生成和离线生成通常不会造成显著差异，因为该过程没有规范化的标准种子（canonical seed）。因此，即使不设置特定的随机种子，同一模型在多次评估中的准确率也不会有巨大波动。不过，为了实验的可复现性，建议在生成扰动图像时设置随机种子。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Frobustness\u002Fissues\u002F31",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},22243,"在哪里可以下载 CIFAR-100-C 数据集？其数据排列顺序是怎样的？","CIFAR-100-C 数据集可以通过 Google Drive 下载（需在项目 README 或相关链接中查找）。数据集包含 50,000 张图像，由 10,000 张测试图像经过 5 种不同严重程度（severity）的扰动生成。关于排列顺序，通常文件包含了所有严重程度的数据，具体索引顺序建议参考下载包中的说明或通过文件名\u002F元数据确认，一般按严重程度分组存储。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Frobustness\u002Fissues\u002F21",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},22244,"ImageNet-C 模块是否支持 pip 安装或作为 PyPI 包使用？","目前该模块主要作为代码库提供，尚未正式打包为可通过 `pip install` 直接安装的 PyPI 包。用户通常需要克隆仓库并手动配置环境来使用 ImageNet-C 的转换功能作为基线攻击或评估工具。","https:\u002F\u002Fgithub.com\u002Fhendrycks\u002Frobustness\u002Fissues\u002F2",[]]