[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jwyang--fpn.pytorch":3,"tool-jwyang--fpn.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",150037,2,"2026-04-10T23:33:47",[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":75,"owner_twitter":75,"owner_website":78,"owner_url":79,"languages":80,"stars":104,"forks":105,"last_commit_at":106,"license":107,"difficulty_score":108,"env_os":109,"env_gpu":110,"env_ram":109,"env_deps":111,"category_tags":116,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":150},6570,"jwyang\u002Ffpn.pytorch","fpn.pytorch","Pytorch implementation of Feature Pyramid Network (FPN) for Object Detection","fpn.pytorch 是一个基于 PyTorch 框架实现特征金字塔网络（FPN）的开源项目，专为提升目标检测任务的性能而设计。它有效解决了传统检测方法在处理多尺度物体时精度不足的问题，通过构建多层级的特征图，让模型能同时精准识别大小差异显著的目标。\n\n这款工具特别适合计算机视觉领域的研究人员和深度学习开发者使用，尤其是那些希望在不依赖 NumPy 混合编程的情况下，进行高效模型训练与实验的用户。fpn.pytorch 拥有多项显著的技术亮点：它是纯粹的 PyTorch 代码实现，摒弃了复杂的 numpy 转换；支持大于 1 的训练批次（batch size）及多 GPU 并行加速，大幅提升了训练效率；此外，它还灵活集成了 ROI Pooling、ROI Align 和 ROI Crop 三种池化方法，并针对多图像批量训练进行了深度优化。在 PASCAL VOC 等标准数据集上的基准测试显示，其在多卡环境下表现优异，兼具速度与精度，是探索先进目标检测算法的理想基石。","fpn.pytorch\nPytorch implementation of Feature Pyramid Network (FPN) for Object Detection\n\n## Introduction\n\nThis project inherits the property of our [pytorch implementation of faster r-cnn](https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffaster-rcnn.pytorch). Hence, it also has the following unique features:\n\n* **It is pure Pytorch code**. We convert all the numpy implementations to pytorch.\n\n* **It supports trainig batchsize > 1**. We revise all the layers, including dataloader, rpn, roi-pooling, etc., to train with multiple images at each iteration.\n\n* **It supports multiple GPUs**. We use a multiple GPU wrapper (nn.DataParallel here) to make it flexible to use one or more GPUs, as a merit of the above two features.\n\n* **It supports three pooling methods**. We integrate three pooling methods: roi pooing, roi align and roi crop. Besides, we convert them to support multi-image batch training.\n\n## Benchmarking\n\nWe benchmark our code thoroughly on three datasets: pascal voc, coco. Below are the results:\n\n1). PASCAL VOC 2007 (Train\u002FTest: 07trainval\u002F07test, scale=600, ROI Align)\n\nmodel    | GPUs | Batch Size | lr        | lr_decay | max_epoch     |  Speed\u002Fepoch | Memory\u002FGPU | mAP \n---------|-----------|----|-----------|-----|-----|-------|--------|--------\nRes-101    | 8 TitanX | 24| 1e-2 | 10  | 12  |  0.22 hr | 9688MB  | 74.2\n\n**Results on coco are on the way**.\n","fpn.pytorch\n用于目标检测的特征金字塔网络（FPN）的 PyTorch 实现\n\n## 简介\n\n本项目继承了我们 [faster R-CNN 的 PyTorch 实现](https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffaster-rcnn.pytorch) 的特性。因此，它也具备以下独特功能：\n\n* **纯 PyTorch 代码**。我们将所有基于 NumPy 的实现转换为 PyTorch。\n* **支持批量大小 > 1 的训练**。我们对所有层进行了修改，包括数据加载器、RPN、RoI 池化等，使其能够在每次迭代中同时处理多张图像进行训练。\n* **支持多 GPU**。我们使用多 GPU 包装器（此处为 nn.DataParallel），结合上述两项特性，使得模型可以灵活地在单 GPU 或多 GPU 上运行。\n* **支持三种池化方法**。我们集成了三种池化方法：RoI 池化、RoI 对齐和 RoI 裁剪。此外，我们还将其改造为支持多图像批量训练。\n\n## 基准测试\n\n我们在三个数据集上对我们的代码进行了全面的基准测试：Pascal VOC 和 COCO。以下是结果：\n\n1). PASCAL VOC 2007（训练集\u002F测试集：07trainval\u002F07test，缩放比例=600，RoI 对齐）\n\n模型    | GPU 数量 | 批量大小 | 学习率        | 学习率衰减 | 最大 epoch     | 每 epoch 用时 | 每 GPU 显存 | mAP \n---------|-----------|----|-----------|-----|-----|-------|--------|--------\nRes-101   | 8 块 TitanX | 24| 1e-2 | 10  | 12  |  0.22 小时 | 9688MB  | 74.2\n\n**COCO 数据集上的结果正在整理中**。","# fpn.pytorch 快速上手指南\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 (推荐 Ubuntu 16.04+)\n*   **Python**: Python 3.6+\n*   **深度学习框架**: PyTorch (建议版本与 CUDA 匹配)\n*   **硬件**: 支持 CUDA 的 NVIDIA GPU (本项目针对多卡训练进行了优化)\n*   **前置依赖**:\n    *   `numpy`\n    *   `scipy`\n    *   `opencv-python`\n    *   `yaml`\n    *   `cython` (用于编译 ROI Pooling\u002FAlign 等算子)\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速依赖安装。\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy opencv-python pyyaml cython\n> ```\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffpn.pytorch.git\n    cd fpn.pytorch\n    ```\n\n2.  **安装 Python 依赖**\n    ```bash\n    pip install -r requirements.txt\n    ```\n    *(注：若项目中无 requirements.txt，请参考上方“环境准备”中的依赖列表手动安装)*\n\n3.  **编译 CUDA 扩展算子**\n    由于项目包含自定义的 ROI Pooling、ROI Align 和 ROI Crop 层，需要编译对应的 CUDA 代码：\n    ```bash\n    cd lib\n    sh make.sh\n    cd ..\n    ```\n\n4.  **准备数据集**\n    将 PASCAL VOC 或 COCO 数据集下载到本地，并按照项目要求的目录结构存放（通常需创建 `data` 文件夹并建立软链接）。\n\n## 基本使用\n\n本项目支持单卡及多卡训练，且原生支持 Batch Size > 1。以下以在 PASCAL VOC 2007 数据集上使用 ResNet-101 骨干网络进行训练为例。\n\n### 启动训练\n\n使用 `trainval_net.py` 脚本开始训练。以下命令演示了如何使用 8 张 GPU，设置 Batch Size 为 24 进行训练：\n\n```bash\nCUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7 python trainval_net.py \\\n  --dataset pascal_voc \\\n  --net res101 \\\n  --bs 24 \\\n  --nw 4 \\\n  --lr 1e-2 \\\n  --lr_decay_step 10 \\\n  --max_epoch 12\n```\n\n**参数说明：**\n*   `--dataset`: 数据集名称 (pascal_voc \u002F coco)\n*   `--net`: 骨干网络类型 (res101 \u002F res50 等)\n*   `--bs`: 每次迭代的总 Batch Size (支持多卡并行)\n*   `--nw`: 数据加载线程数\n*   `--lr`: 初始学习率\n*   `--lr_decay_step`: 学习率衰减的 epoch 间隔\n*   `--max_epoch`: 最大训练轮数\n\n### 模型评估与测试\n\n训练完成后，使用 `test_net.py` 在测试集上评估 mAP：\n\n```bash\nCUDA_VISIBLE_DEVICES=0 python test_net.py \\\n  --dataset pascal_voc \\\n  --net res101 \\\n  --checksession 1 \\\n  --checkepoch 12 \\\n  --checkpoint 1234\n```\n*(请将 `--checksession`, `--checkepoch`, `--checkpoint` 替换为您实际保存的模型参数)*\n\n### 特性提示\n*   **纯 PyTorch 实现**：无需切换 TensorFlow 或其他框架。\n*   **多池化方法支持**：代码内部已集成 ROI Pooling、ROI Align 和 ROI Crop，可通过配置文件或参数切换。\n*   **高效显存利用**：针对多图像批量训练优化了 DataLoader 和 RPN 层，适合大规模数据集训练。","某自动驾驶团队正在开发一套实时道路障碍物检测系统，需要在有限算力下精准识别不同距离的车辆与行人。\n\n### 没有 fpn.pytorch 时\n- **多尺度检测效果差**：传统单特征层模型难以兼顾远近目标，导致远处小车辆漏检率高，近处大卡车定位不准。\n- **训练效率低下**：原有代码仅支持单张图片迭代（Batch Size=1），无法充分利用显存，训练一个周期需数天。\n- **硬件扩展困难**：代码强依赖 NumPy 且未适配多卡并行，即使增加 GPU 也无法加速，算力闲置严重。\n- **算子兼容性弱**：缺乏 ROI Align 等先进池化方法支持，边界框回归精度受限，难以满足车规级安全标准。\n\n### 使用 fpn.pytorch 后\n- **全尺度感知提升**：借助特征金字塔结构，模型同时融合高低层特征，小目标 mAP 显著提升，远近物体识别更均衡。\n- **训练速度飞跃**：利用其原生支持的 Batch Size > 1 特性，单次迭代处理 24 张图像，训练耗时从数天缩短至数小时。\n- **多卡线性加速**：纯 PyTorch 架构完美适配 nn.DataParallel，轻松调度 8 张 TitanX 显卡，显存利用率与计算吞吐量双增。\n- **高精度定位落地**：集成 ROI Align 等三种池化算法，消除了量化误差，障碍物边界框定位更加精准可靠。\n\nfpn.pytorch 通过纯 PyTorch 的高效实现与多尺度特征融合，将原本难以落地的多目标检测模型转化为可快速训练、高精度的工业级解决方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjwyang_fpn.pytorch_452dafb1.png","jwyang","Jianwei Yang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjwyang_2dc0faab.jpg",null,"xAI","WA","https:\u002F\u002Fjwyang.github.io","https:\u002F\u002Fgithub.com\u002Fjwyang",[81,85,89,93,97,101],{"name":82,"color":83,"percentage":84},"Python","#3572A5",76.2,{"name":86,"color":87,"percentage":88},"C","#555555",12.3,{"name":90,"color":91,"percentage":92},"Cuda","#3A4E3A",10.2,{"name":94,"color":95,"percentage":96},"C++","#f34b7d",0.5,{"name":98,"color":99,"percentage":100},"MATLAB","#e16737",0.4,{"name":102,"color":103,"percentage":100},"Shell","#89e051",969,222,"2026-03-23T16:36:28","MIT",4,"未说明","需要 NVIDIA GPU（基准测试使用 8x TitanX），单卡显存需求约 9.7GB（基于 Batch Size 24\u002F8 卡推算），支持多 GPU 并行",{"notes":112,"python":109,"dependencies":113},"该项目为纯 PyTorch 实现，支持大于 1 的训练批次大小（batchsize > 1）及多 GPU 训练（通过 nn.DataParallel）。集成了 ROI Pooling、ROI Align 和 ROI Crop 三种池化方法。基准测试显示在 8 张 TitanX 显卡上，每张显卡显存占用约为 9688MB。",[114,115],"pytorch","numpy",[15,14],"2026-03-27T02:49:30.150509","2026-04-11T17:39:39.797628",[120,125,130,135,140,145],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},29674,"训练时设置 num_workers > 0 导致程序在第一次迭代后崩溃（socket error\u002Fpickle error），如何解决？","这是一个由 OpenCV 和多进程冲突引起的常见问题。最有效的解决方法是在代码初始化部分（使用 OpenCV 的地方）添加 `cv2.setNumThreads(0)` 来禁用 OpenCV 的多线程。其他尝试方法包括：设置 `pin_memory=True` 或 `False`，或者增加系统的 SHMMNI 限制。注意：禁用 OpenCV 线程可能会导致代码运行稍慢。","https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffpn.pytorch\u002Fissues\u002F11",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},29675,"运行 make.sh 编译时报错 'nms_cuda.c: No such file or directory' 怎么办？","这是因为源码中缺少了必要的 CUDA 源文件。解决方案是从相关的 faster-rcnn.pytorch 仓库中获取缺失的 `nms_cuda.c` 文件，并将其放置到 `lib\u002Fmodel\u002Fnms\u002Fsrc\u002F` 目录下。该文件通常可以在 `jwyang\u002Ffaster-rcnn.pytorch` 项目的对应路径找到。","https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffpn.pytorch\u002Fissues\u002F1",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},29676,"运行测试脚本时出现 'CUDA Error: invalid argument' (nms_cuda_kernel.cu) 错误，如何修复？","该错误通常是因为在运行测试脚本 `test_net` 时未正确启用 CUDA 标志。请确保在执行命令时添加了 `--cuda` 参数，例如：`python test_net.py --cuda`。同时请检查 `make.sh` 中的 compute 架构设置是否与你的 GPU 型号（如 GTX 1080）匹配。","https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffpn.pytorch\u002Fissues\u002F18",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},29677,"将代码从 PyTorch 0.4 迁移到 1.0+ 版本时遇到 'zero-dimensional tensor cannot be concatenated' 报错，如何修改？","这是由于 PyTorch 版本升级导致的张量维度处理变化。需要修改 `test_net.py` 中的代码：\n1. 在第 277 行附近，将 `cls_dets = torch.cat(cls_boxes, cls_scores, 1)` 修改为 `cls_dets = torch.cat((cls_boxes, cls_scores.unsqueeze(1)), 1)`，确保分数张量有正确的维度。\n2. 检查 `fpn.py` 中 `_PyramidRoI_Feat` 函数，处理 `box_to_levels` 为空或维度不匹配的情况，避免对零维张量进行 concat 操作。","https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffpn.pytorch\u002Fissues\u002F36",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},29678,"发现 FPN 特征步长（FPN_FEAT_STRIDES）配置与代码实际输出尺寸不一致，是否会影响结果？","确实存在不匹配现象。代码中 `fpn.py` 生成的 P2-P6 特征图尺寸比例为输入图像的 1\u002F4, 1\u002F8, 1\u002F16, 1\u002F16, 1\u002F32，但 `trainval_net.py` 中默认配置为 `[4, 8, 16, 32, 64]`。虽然维护者可能不再积极更新此项目，但建议用户根据实际网络结构将配置修改为 `[4, 8, 16, 16, 32]` 以保持逻辑一致，避免潜在的计算错误或精度损失。","https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffpn.pytorch\u002Fissues\u002F12",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},29679,"运行时报错关于 'Implicit dimension choice for softmax has been deprecated' 警告或错误，如何解决？","这是 PyTorch 0.4+ 版本的语法变更。需要在调用 `F.softmax` 时显式指定维度参数。例如，将 `F.softmax(rpn_cls_score_reshape)` 修改为 `F.softmax(rpn_cls_score_reshape, dim=1)`（具体维度视张量形状而定，通常为分类维度）。同时，如果涉及双线性上采样，可能需要添加 `align_corners=True` 参数以保持旧版本行为。","https:\u002F\u002Fgithub.com\u002Fjwyang\u002Ffpn.pytorch\u002Fissues\u002F33",[]]