[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kaijieshi7--Dynamic-convolution-Pytorch":3,"tool-kaijieshi7--Dynamic-convolution-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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":77,"difficulty_score":32,"env_os":88,"env_gpu":89,"env_ram":88,"env_deps":90,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":121},5537,"kaijieshi7\u002FDynamic-convolution-Pytorch","Dynamic-convolution-Pytorch","Pytorch!!!Pytorch!!!Pytorch!!!  Dynamic Convolution: Attention over Convolution Kernels (CVPR-2020)","Dynamic-convolution-Pytorch 是一个基于 PyTorch 框架的开源项目，旨在复现 CVPR 2020 论文《Dynamic Convolution: Attention over Convolution Kernels》中提出的动态卷积算法。传统卷积神经网络在推理过程中使用固定的卷积核，难以灵活适应不同的输入特征。该项目通过引入注意力机制，让模型能够根据输入图像的内容，动态地聚合多个卷积核的参数，从而生成针对当前输入的“定制化”卷积操作。这种方法有效解决了静态卷积核表达能力受限的问题，在显著增加模型容量的同时，并未大幅增加计算成本和参数量，实验数据显示其在 VGG 等经典模型上能带来明显的精度提升。\n\n该工具主要提供了动态 2D 和 3D 卷积的非官方实现代码，并附带了部分基础模型的准确率对比数据，非常适合深度学习研究人员和算法开发者使用。对于希望探索模型轻量化、提升图像识别或视频分析任务性能的技术人员来说，这是一个极具参考价值的实践资源。其核心亮点在于将复杂的动态卷积理论转化为易于集成和调试的 PyTorch 代码，并配有详细的原理中文解读链接，帮助用户快","Dynamic-convolution-Pytorch 是一个基于 PyTorch 框架的开源项目，旨在复现 CVPR 2020 论文《Dynamic Convolution: Attention over Convolution Kernels》中提出的动态卷积算法。传统卷积神经网络在推理过程中使用固定的卷积核，难以灵活适应不同的输入特征。该项目通过引入注意力机制，让模型能够根据输入图像的内容，动态地聚合多个卷积核的参数，从而生成针对当前输入的“定制化”卷积操作。这种方法有效解决了静态卷积核表达能力受限的问题，在显著增加模型容量的同时，并未大幅增加计算成本和参数量，实验数据显示其在 VGG 等经典模型上能带来明显的精度提升。\n\n该工具主要提供了动态 2D 和 3D 卷积的非官方实现代码，并附带了部分基础模型的准确率对比数据，非常适合深度学习研究人员和算法开发者使用。对于希望探索模型轻量化、提升图像识别或视频分析任务性能的技术人员来说，这是一个极具参考价值的实践资源。其核心亮点在于将复杂的动态卷积理论转化为易于集成和调试的 PyTorch 代码，并配有详细的原理中文解读链接，帮助用户快速理解从静态权重到动态注意力权重的转变过程，便于在此基础上进行二次开发或学术验证。","# Dynamic Convolution: Attention over Convolution Kernels (CVPR-2020)\npaper: [Dynamic Convolution: Attention over Convolution Kernels](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.03458.pdf)\u003Cbr\u002F>\n\u003Cbr\u002F>\n[Dynamic paper collection](https:\u002F\u002Fgithub.com\u002Fkaijieshi7\u002Fawesome-dynamic-convolution)\u003Cbr\u002F>\n非官方实现代码\u003Cbr\u002F>\nPytorch!!!Pytorch!!!Pytorch!!!  Dynamic 3d\u002F2d convolution and some models' accuracy.\u003Cbr\u002F>\n2020\u002F8\u002F30 Basic dynamic 2d and 3d convolution done. Next:some basic models and accuracy rate.\u003Cbr\u002F>\n代码实现的原理https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F208519425\u003Cbr\u002F>\n如果遇到一些问题，可先查看Issue里面的一些修改。\ndy_vgg11:0.9033  raw_vgg11:0.8929\n","# 动态卷积：卷积核上的注意力机制（CVPR-2020）\n论文：[动态卷积：卷积核上的注意力机制](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1912.03458.pdf)\u003Cbr\u002F>\n\u003Cbr\u002F>\n[动态卷积论文合集](https:\u002F\u002Fgithub.com\u002Fkaijieshi7\u002Fawesome-dynamic-convolution)\u003Cbr\u002F>\n非官方实现代码\u003Cbr\u002F>\nPytorch!!!Pytorch!!!Pytorch!!! 动态3D\u002F2D卷积及部分模型的准确率。\u003Cbr\u002F>\n2020年8月30日 基础的动态2D和3D卷积已完成。接下来：一些基础模型及其准确率。\u003Cbr\u002F>\n代码实现原理：https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F208519425\u003Cbr\u002F>\n如果遇到问题，可先查看Issue中的相关修改。\ndy_vgg11:0.9033  raw_vgg11:0.8929","# Dynamic-convolution-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 \u002F macOS \u002F Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **核心依赖**：\n    *   PyTorch (推荐最新稳定版)\n    *   torchvision\n*   **硬件建议**：如需训练模型或运行 3D 卷积，建议使用支持 CUDA 的 NVIDIA GPU。\n\n> **国内加速建议**：推荐使用清华源或阿里源安装依赖，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本项目为非官方实现代码，直接克隆仓库即可使用，无需额外的 `setup.py` 安装流程。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fkaijieshi7\u002FDynamic-convolution-Pytorch.git\n    cd Dynamic-convolution-Pytorch\n    ```\n\n2.  **验证环境**\n    确保已安装 PyTorch 并能正常导入：\n    ```python\n    import torch\n    print(torch.__version__)\n    ```\n\n## 基本使用\n\n本库主要提供了动态 2D 和 3D 卷积的实现。您可以直接在自定义模型中替换标准的 `nn.Conv2d` 或 `nn.Conv3d`。\n\n### 1. 导入模块\n假设项目结构中包含动态卷积的核心定义文件（通常位于根目录或 `models` 文件夹下），请在代码中引入：\n\n```python\nimport torch\nimport torch.nn as nn\n# 根据实际文件路径调整导入方式，例如：\n# from dynamic_conv import DynamicConv2d \n```\n\n### 2. 构建模型示例\n以下是一个简单的替换示例，展示如何将普通卷积层替换为动态卷积层（具体类名请以仓库内实际代码为准，参考 README 中的 `dy_vgg11` 实现）：\n\n```python\nclass SimpleDynamicModel(nn.Module):\n    def __init__(self):\n        super(SimpleDynamicModel, self).__init__()\n        # 标准卷积\n        # self.conv1 = nn.Conv2d(3, 64, kernel_size=3, padding=1)\n        \n        # 替换为动态卷积 (参数需根据实际实现调整)\n        # 注意：此处仅为示意，具体初始化参数请参考仓库内的 dy_vgg11 实现\n        self.dyn_conv1 = DynamicConv2d(in_channels=3, out_channels=64, kernel_size=3, padding=1)\n        \n        self.relu = nn.ReLU()\n        self.pool = nn.AdaptiveAvgPool2d((1, 1))\n        self.fc = nn.Linear(64, 10)\n\n    def forward(self, x):\n        x = self.dyn_conv1(x)\n        x = self.relu(x)\n        x = self.pool(x)\n        x = x.view(x.size(0), -1)\n        x = self.fc(x)\n        return x\n```\n\n### 3. 运行测试\n创建一个输入张量并前向传播以验证功能：\n\n```python\nmodel = SimpleDynamicModel()\ninput_tensor = torch.randn(1, 3, 32, 32) # Batch=1, Channel=3, H=32, W=32\n\noutput = model(input_tensor)\nprint(f\"Output shape: {output.shape}\")\n```\n\n> **提示**：关于具体的模型架构（如 VGG11 的动态版本）及精度复现，请参考仓库内的具体模型文件及知乎原理详解：[代码实现原理](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F208519425)。如遇报错，请先查看仓库 Issues 中已有的修复方案。","某医疗影像初创团队正在开发基于 VGG 架构的肺部结节自动筛查系统，需要在有限的算力资源下尽可能提升模型对微小病灶的识别精度。\n\n### 没有 Dynamic-convolution-Pytorch 时\n- 传统静态卷积核一旦训练完成便固定不变，无法根据输入图像中结节的大小、形状差异动态调整特征提取策略。\n- 为了捕捉多尺度特征，团队被迫堆叠更多网络层或引入复杂的并行分支结构，导致模型参数量激增，推理延迟过高。\n- 在面对背景复杂或对比度低的 CT 切片时，固定权重的卷积操作容易丢失关键细节，造成较高的漏检率。\n- 尝试通过手动设计注意力机制来弥补灵活性不足，但代码实现繁琐且难以与现有 PyTorch 模型无缝融合。\n\n### 使用 Dynamic-convolution-Pytorch 后\n- 利用动态卷积技术，模型能针对每张输入切片自动生成注意力权重，自适应地聚合多个卷积核，精准捕捉不同形态的结节特征。\n- 在不显著增加参数量的前提下实现了更强的表达能力，替代了原本臃肿的多分支结构，将单张影像的推理时间缩短了 15%。\n- 动态调整机制显著增强了模型对低对比度区域的敏感度，在测试集上将微小结节的召回率从 89.29% 提升至 90.33%（参考 VGG11 改进数据）。\n- 直接调用库中成熟的 2D 动态卷积模块，仅需几行代码即可替换原有标准卷积层，大幅降低了算法迭代和部署的难度。\n\nDynamic-convolution-Pytorch 通过让卷积核“活”起来，以极低的改造成本解决了静态模型在复杂医疗场景下特征适应性差的难题，实现了精度与效率的双重突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkaijieshi7_Dynamic-convolution-Pytorch_8bc210fd.png","kaijieshi7","kaijieshi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkaijieshi7_4fe72b8a.jpg","活在当下，不要做梦。",null,"https:\u002F\u002Fsites.google.com\u002Fview\u002Fkaijieshi","https:\u002F\u002Fgithub.com\u002Fkaijieshi7",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,595,93,"2026-03-19T09:20:33","未说明","未说明（基于 PyTorch 实现，通常建议使用支持 CUDA 的 NVIDIA GPU 以加速动态卷积计算）",{"notes":91,"python":88,"dependencies":92},"该项目为 CVPR-2020 论文的非官方 PyTorch 实现，主要包含动态 2D 和 3D 卷积层。代码库中未明确列出具体的版本依赖、操作系统限制或硬件最低要求。遇到运行问题时，建议优先查看项目 Issue 页面获取社区修复方案。",[93,94],"torch","torchvision",[15,14],[97],"dynamic-convolution","2026-03-27T02:49:30.150509","2026-04-08T22:07:35.427896",[101,106,111,116],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},25136,"不同的温度值（Temperature）对模型训练有什么影响？","当温度 T=1 时，执行的是普通的 softmax 变换。当设置 T>1 时，会得到软化的 softmax（softened softmax）。其原理是除以一个大于 1 的数，相当于对数值进行了压缩（squash），由于指数放大的作用，线性压缩会减小数值间的差距，使概率分布更平滑。","https:\u002F\u002Fgithub.com\u002Fkaijieshi7\u002FDynamic-convolution-Pytorch\u002Fissues\u002F16",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},25137,"仓库中是否提供了 Dynamic_conv1d 的实现？如果没有该如何使用？","仓库中目前未直接提供 Dynamic_conv1d 的代码。但用户可以参考现有的 2D 和 3D 卷积实现，它们之间的差异很小，很容易据此修改得到 1D 版本。","https:\u002F\u002Fgithub.com\u002Fkaijieshi7\u002FDynamic-convolution-Pytorch\u002Fissues\u002F2",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},25138,"Dynamic_convNd 中的偏置项（bias）初始化是否存在问题？","是的，原始代码中偏置项初始化为未定义的随机张量 `torch.Tensor(K, out_planes)` 是不正确的。应将其修改为零初始化，即改为：`self.bias = nn.Parameter(torch.zeros(K, out_planes))`。","https:\u002F\u002Fgithub.com\u002Fkaijieshi7\u002FDynamic-convolution-Pytorch\u002Fissues\u002F8",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},25139,"该复现项目的速度和精度是否达到了原论文的水平？","根据项目维护者的回复，目前尚未进行具体的实验验证，因此无法确认速度和精度是否完全达到原论文所述的水平。","https:\u002F\u002Fgithub.com\u002Fkaijieshi7\u002FDynamic-convolution-Pytorch\u002Fissues\u002F9",[]]