[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jacobgil--pytorch-pruning":3,"tool-jacobgil--pytorch-pruning":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",151918,2,"2026-04-12T11:33:05",[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":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":76,"difficulty_score":32,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":134},6927,"jacobgil\u002Fpytorch-pruning","pytorch-pruning","PyTorch Implementation of [1611.06440] Pruning Convolutional Neural Networks for Resource Efficient Inference","pytorch-pruning 是一个基于 PyTorch 框架的开源项目，旨在实现卷积神经网络的模型剪枝技术。它复现了经典论文中提出的算法，专门用于优化深度学习模型的推理效率。\n\n在深度学习实际部署中，大型模型往往占用大量内存且计算缓慢，难以在资源受限的设备上运行。pytorch-pruning 通过移除网络中冗余的滤波器（filters），有效解决了这一痛点。在实际测试中，该项目成功将 VGG16 模型的 CPU 推理速度提升了 3 倍，同时将模型体积缩小了 4 倍，显著降低了资源消耗。\n\n该工具非常适合 AI 开发者、研究人员以及需要在边缘设备或低算力环境中部署模型的技术人员使用。其核心亮点在于提供了一套完整的微调与剪枝流程：用户可以先对模型进行训练，随后通过命令逐步移除指定数量的滤波器，并在每次剪枝后自动进行微调以维持精度。尽管目前采用逐层剪枝的方式，但其清晰的代码结构为理解剪枝原理及扩展支持更多架构（如带批量归一化的 VGG）提供了良好的起点，是探索高效推理方案的实用参考。","## PyTorch implementation of  [\\[1611.06440 Pruning Convolutional Neural Networks for Resource Efficient Inference\\]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.06440) ##\n\nThis demonstrates pruning a VGG16 based classifier that classifies a small dog\u002Fcat dataset.\n\n\nThis was able to reduce the CPU runtime by x3 and the model size by x4.\n\nFor more details you can read the [blog post](https:\u002F\u002Fjacobgil.github.io\u002Fdeeplearning\u002Fpruning-deep-learning).\n\nAt each pruning step 512 filters are removed from the network.\n\n\nUsage\n-----\n\nThis repository uses the PyTorch ImageFolder loader, so it assumes that the images are in a different directory for each category.\n\nTrain\n\n......... dogs\n\n......... cats\n\n\nTest\n\n\n......... dogs\n\n......... cats\n\n\nThe images were taken from [here](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fdogs-vs-cats) but you should try training this on your own data and see if it works!\n\nTraining:\n`python finetune.py --train`\n\nPruning:\n`python finetune.py --prune`\n\nTBD\n---\n\n - Change the pruning to be done in one pass. Currently each of the 512 filters are pruned sequentually. \n\t`\n\tfor layer_index, filter_index in prune_targets:\n\t\t\tmodel = prune_vgg16_conv_layer(model, layer_index, filter_index)\n\t\t`\n\n\n \tThis is inefficient since allocating new layers, especially fully connected layers with lots of parameters, is slow.\n\t\n\tIn principle this can be done in a single pass.\n\n\n\n - Change prune_vgg16_conv_layer to support additional architectures.\n \tThe most immediate one would be VGG with batch norm.\n\n","## PyTorch 实现 [\\[1611.06440 为资源高效推理而剪枝卷积神经网络\\]](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.06440) ##\n\n本示例演示了对基于 VGG16 的分类器进行剪枝，该分类器用于对小型狗\u002F猫数据集进行分类。\n\n\n通过剪枝，CPU 运行时缩短至原来的三分之一，模型大小缩减至原来的四分之一。\n\n如需了解更多详情，请参阅 [博客文章](https:\u002F\u002Fjacobgil.github.io\u002Fdeeplearning\u002Fpruning-deep-learning)。\n\n在每一步剪枝中，都会从网络中移除 512 个滤波器。\n\n\n使用说明\n-----\n\n本仓库使用 PyTorch 的 ImageFolder 加载器，因此假设图像按类别分别存放在不同的目录中。\n\n训练集：\n\n......... 狗\n\n......... 猫\n\n\n测试集：\n\n......... 狗\n\n......... 猫\n\n\n这些图像来自 [此处](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fdogs-vs-cats)，但建议您尝试使用自己的数据进行训练，看看效果如何！\n\n训练：\n`python finetune.py --train`\n\n剪枝：\n`python finetune.py --prune`\n\n待办事项\n---\n\n - 将剪枝过程改为一次性完成。目前是依次逐个剪掉 512 个滤波器。\n\t`\n\tfor layer_index, filter_index in prune_targets:\n\t\t\tmodel = prune_vgg16_conv_layer(model, layer_index, filter_index)\n\t\t`\n\n\n这种做法效率较低，因为重新分配新层（尤其是参数量较大的全连接层）会非常耗时。\n理论上，这一过程可以一次性完成。\n\n\n\n - 修改 `prune_vgg16_conv_layer` 函数，使其支持更多架构。最直接的扩展是带有批归一化的 VGG 模型。","# PyTorch Pruning 快速上手指南\n\n本工具基于论文《Pruning Convolutional Neural Networks for Resource Efficient Inference》，实现了针对卷积神经网络的剪枝功能。示例展示了如何对基于 VGG16 的猫狗分类器进行剪枝，可实现推理速度提升 3 倍，模型体积缩小 4 倍。\n\n## 环境准备\n\n*   **系统要求**：Linux \u002F macOS \u002F Windows\n*   **前置依赖**：\n    *   Python 3.6+\n    *   PyTorch (建议最新版本)\n    *   torchvision\n    *   Pillow (用于图像加载)\n\n> **国内加速建议**：推荐使用清华或阿里镜像源安装依赖，以提升下载速度。\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n克隆仓库并进入目录：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-pruning.git\ncd pytorch-pruning\n```\n\n确保已安装上述 Python 依赖库。本项目主要包含 `finetune.py` 脚本，无需额外的编译安装步骤。\n\n## 基本使用\n\n### 1. 数据准备\n\n本项目使用 PyTorch 的 `ImageFolder` 加载器，需按照以下目录结构组织训练和测试数据（以猫狗数据集为例）：\n\n```text\ndata_root\u002F\n├── train\u002F\n│   ├── dogs\u002F\n│   └── cats\u002F\n└── test\u002F\n    ├── dogs\u002F\n    └── cats\u002F\n```\n\n> 注：示例图片可参考 [Kaggle Dogs vs Cats](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fdogs-vs-cats)，但强烈建议使用您自己的数据进行测试。\n\n### 2. 模型训练 (Fine-tuning)\n\n在剪枝之前，首先需要训练或微调基础模型。运行以下命令开始训练：\n\n```bash\npython finetune.py --train\n```\n\n### 3. 执行剪枝 (Pruning)\n\n训练完成后，运行以下命令对模型进行剪枝。默认配置下，每一步将从网络中移除 512 个滤波器：\n\n```bash\npython finetune.py --prune\n```\n\n执行完毕后，您将得到一个更轻量化的模型，其 CPU 推理时间和存储空间均显著减少。","某边缘计算团队正致力于将基于 VGG16 的猫狗识别模型部署到算力有限的嵌入式设备上，以满足实时监控需求。\n\n### 没有 pytorch-pruning 时\n- **推理延迟过高**：原始模型在 CPU 上运行缓慢，单张图片处理耗时远超实时监控允许的阈值，导致画面卡顿。\n- **存储资源紧张**：完整的 VGG16 模型文件体积庞大，占用了设备宝贵的闪存空间，难以容纳其他必要系统组件。\n- **能耗负担沉重**：冗余的卷积滤波器进行了大量无效计算，显著增加了设备功耗，缩短了电池供电设备的续航时间。\n- **部署门槛极高**：由于资源占用过大，团队被迫考虑更换更昂贵的硬件或放弃在该类低端设备上部署深度学习方案。\n\n### 使用 pytorch-pruning 后\n- **推理速度倍增**：通过逐步移除 512 个冗余滤波器，CPU 推理 runtime 降低了 3 倍，成功实现了流畅的实时视频流分析。\n- **模型体积骤减**：模型文件大小缩减为原来的四分之一，轻松嵌入受限的存储空间，为后续功能迭代留出余地。\n- **能效显著优化**：剔除无效计算路径后，设备运行时的能耗大幅降低，延长了户外监控节点的无维护工作周期。\n- **低成本落地成为可能**：无需升级硬件即可在现有低成本嵌入式芯片上运行高精度模型，极大降低了项目整体预算。\n\npytorch-pruning 通过结构化剪枝技术，在不牺牲关键精度的前提下，将重型模型转化为适合资源受限环境的高效推理引擎。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjacobgil_pytorch-pruning_e145700d.png","jacobgil","Jacob Gildenblat","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjacobgil_be8e147b.jpg","Playing with tensors.",null,"Israel","jacob.gildenblat@gmail.com","jacobgildenblat","jacobgil.github.io","https:\u002F\u002Fgithub.com\u002Fjacobgil",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,886,204,"2026-03-24T06:47:53","","未说明",{"notes":93,"python":91,"dependencies":94},"该工具基于 PyTorch 实现，使用 ImageFolder 加载器，要求训练和测试数据按类别分目录存放（如 dogs\u002Fcats）。主要功能为对 VGG16 模型进行剪枝，目前剪枝操作为逐个滤波器顺序执行，效率较低。示例数据来自 Kaggle 的猫狗数据集，但支持使用自定义数据进行训练。",[95,96],"torch","torchvision",[14],[99,100,101],"deep-learning","pruning","pytorch","2026-03-27T02:49:30.150509","2026-04-13T04:24:05.717092",[105,110,115,120,125,130],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},31214,"运行剪枝时遇到 'RuntimeError: dimension out of range' 错误怎么办？","该错误通常由 torch.sum 函数的 keepdim 参数引起。默认情况下 keepdim 为 None，将其显式设置为 True 可以解决此问题。请检查代码中调用 torch.sum 的位置，确保添加了 keepdim=True 参数。","https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-pruning\u002Fissues\u002F6",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},31215,"训练时出现 'CUDA Runtime Error: Assertion `t >= 0 && t \u003C n_classes` failed' 错误如何解决？","这通常是因为模型输出节点的数量与数据标签的数量不匹配，或者训练数据集的目录结构不正确。解决方法是重新整理训练数据集，确保数据集的类别标签索引从 0 开始且连续，并且与模型定义的输出类别数一致。","https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-pruning\u002Fissues\u002F28",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},31216,"运行时报错 'RuntimeError: inconsistent tensor sizes' 是什么原因？","这通常是由于训练集或测试集的目录结构不符合预期导致的。请检查 train_path 和 test_path 指向的目录，确保它们内部包含正确的子文件夹（例如 'cat' 和 'dog'），且文件夹名称的大小写与代码中的定义完全一致。","https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-pruning\u002Fissues\u002F2",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},31217,"为什么在 finetune.py 的剪枝循环中要对索引进行 '-i' 操作？","这是为了处理顺序剪枝时的索引偏移问题。代码是逐个移除需要剪枝的滤波器的。当第一个滤波器被移除后，层的大小变小，后续待剪枝滤波器的索引会向前移动。例如，若要剪枝索引为 3 和 10 的滤波器，移除索引 3 后，原索引 10 的滤波器变成了索引 9。因此需要通过 '-i' 来修正索引。","https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-pruning\u002Fissues\u002F32",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},31218,"VGG16 只有 13 个卷积层，为什么代码中可以访问第 28 层进行剪枝？","这里的层索引指的是模型 features 序列中的总索引，而不仅仅是卷积层。VGG16 总共包含 31 层（索引 0-30），其中包括 13 个卷积层以及最大池化层（maxpool）和激活层（relu）。通过执行 `print(model.features)` 可以看到完整列表，其中第 28 层确实是最后一个卷积层。","https:\u002F\u002Fgithub.com\u002Fjacobgil\u002Fpytorch-pruning\u002Fissues\u002F27",{"id":131,"question_zh":132,"answer_zh":133,"source_url":114},31219,"如何修复因 PyTorch 版本更新导致的 transforms 弃用警告？","日志中显示的警告表明旧的变换类已弃用。请将代码或配置中的 `transforms.Scale` 替换为 `transforms.Resize`，并将 `transforms.RandomSizedCrop` 替换为 `transforms.RandomResizedCrop` 以消除警告并兼容新版本 torchvision。",[]]