[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kevinzakka--spatial-transformer-network":3,"tool-kevinzakka--spatial-transformer-network":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":23,"env_os":96,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":104,"github_topics":105,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":142},821,"kevinzakka\u002Fspatial-transformer-network","spatial-transformer-network","A Tensorflow implementation of Spatial Transformer Networks.","spatial-transformer-network 是一款基于 TensorFlow 的开源实现，专为卷积神经网络（ConvNet）设计，旨在赋予模型处理图像空间变换的能力。它主要解决传统深度学习模型对图像几何变化（如旋转、缩放、平移）适应性差的问题。通过引入这个可微分的模块，网络能够自动学习并调整特征图的空间位置，从而在不增加额外数据或监督成本的前提下，显著提升模型的几何不变性。\n\n其内部由定位网络、网格生成器和双线性采样器三个核心组件构成，支持仿射变换及注意力机制下的特定操作。开发者只需将其像普通层一样插入现有架构，即可让模型学会“关注”关键区域。对于从事计算机视觉研究的工程师和算法开发者来说，这是一个提升模型鲁棒性的实用利器。项目提供了详细的安装指南和示例代码，上手难度较低，非常适合希望优化 CNN 性能的技术人员探索使用。","## Spatial Transformer Networks\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_46d6f945ba0d.png\" width=\"400px\">\n\u003C\u002Fp>\n\nThis is a **Tensorflow** implementation of [Spatial Transformer Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.02025) by *Max Jaderberg, Karen Simonyan, Andrew Zisserman* and *Koray Kavukcuoglu*, accompanying by two-part blog [tutorial series](https:\u002F\u002Fkevinzakka.github.io\u002F2017\u002F01\u002F18\u002Fstn-part2\u002F).\n\n*Spatial Transformer Networks* (STN) is a differentiable module that can be inserted anywhere in ConvNet architecture to increase its geometric invariance. It effectively gives the network the ability to spatially transform feature maps at no extra data or supervision cost.\n\n\n\n## Installation\n\nInstall the `stn` package using:\n\n```\npip3 install stn\n```\n\nThen, you can call the STN layer as follows:\n\n```python\nfrom stn import spatial_transformer_network as transformer\n\nout = transformer(input_feature_map, theta, out_dims)\n```\n\n**Parameters**\n\n- `input_feature_map`: the output of the layer preceding the localization network. If the STN layer is the first layer of the network, then this corresponds to the input images. Shape should be (B, H, W, C).\n- `theta`: this is the output of the localization network. Shape should be (B, 6)\n- `out_dims`: desired (H, W) of the output feature map. Useful for upsampling or downsampling. If not specified, then output dimensions will be equal to `input_feature_map` dimensions.\n\n## Background Information\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_5f7cc735b54a.png\" width=\"400px\">\n\u003C\u002Fp>\n\nThe STN is composed of 3 elements.\n\n- **localization network**: takes the feature map as input and outputs the parameters of the affine transformation that should be applied to that feature map.\n\n- **grid generator:** generates a grid of (x,y) coordinates using the parameters of the affine transformation that correspond to a set of points where the input feature map should be sampled to produce the transformed output feature map.\n\n- **bilinear sampler:** takes as input the input feature map and the grid generated by the grid generator and produces the output feature map using bilinear interpolation.\n\nThe affine transformation is specified through the transformation matrix A\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_83cc7cb05a71.png\" width=\"175px\">\n\u003C\u002Fp>\n\nIt can be constrained to one of *attention* by writing it in the form\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_8103c6d88726.png\" width=\"175px\">\n\u003C\u002Fp>\n\nwhere the parameters `s`, `t_x` and `t_y` can be regressed to allow cropping, translation, and isotropic scaling.\n\nFor a more in-depth explanation of STNs, read the two part blog post: [part1](https:\u002F\u002Fkevinzakka.github.io\u002F2017\u002F01\u002F10\u002Fstn-part1\u002F) and [part2](https:\u002F\u002Fkevinzakka.github.io\u002F2017\u002F01\u002F18\u002Fstn-part2\u002F).\n\n## Explore\n\nRun the [Sanity Check](https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fblob\u002Fmaster\u002FSanity%20Check.ipynb) to get a feel of how the spatial transformer can be plugged into any existing code. For example, here's the result of a 45 degree rotation:\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_0995c2bdd931.png\" alt=\"Drawing\" width=\"40%\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_307799014193.png\" alt=\"Drawing\" width=\"40%\">\n\u003C\u002Fp>\n\n**Usage Note**\n\nYou must define a localization network right before using this layer. The localization network is usually a ConvNet or a FC-net that has 6 output nodes (the 6 parameters of the affine transformation).\n\nIt is good practice to initialize the localization network to the identity transform before starting the training process. Here's a small sample code for illustration purposes.\n\n```python\n# params\nn_fc = 6\nB, H, W, C = (2, 200, 200, 3)\n\n# identity transform\ninitial = np.array([[1., 0, 0], [0, 1., 0]])\ninitial = initial.astype('float32').flatten()\n\n# input placeholder\nx = tf.placeholder(tf.float32, [B, H, W, C])\n\n# localization network\nW_fc1 = tf.Variable(tf.zeros([H*W*C, n_fc]), name='W_fc1')\nb_fc1 = tf.Variable(initial_value=initial, name='b_fc1')\nh_fc1 = tf.matmul(tf.zeros([B, H*W*C]), W_fc1) + b_fc1\n\n# spatial transformer layer\nh_trans = transformer(x, h_fc1)\n```\n\n## Attribution\n\n- [Torch Blog Post on STN's](http:\u002F\u002Ftorch.ch\u002Fblog\u002F2015\u002F09\u002F07\u002Fspatial_transformers.html)\n- [daviddao's Tensorflow Implementation](https:\u002F\u002Fgithub.com\u002Fdaviddao\u002Fspatial-transformer-tensorflow)\n- Shoutout to [Eder Santana](https:\u002F\u002Ftwitter.com\u002Federsantana) for introducing and helping me understand the paper!\n","## 空间变换网络 (Spatial Transformer Networks)\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_46d6f945ba0d.png\" width=\"400px\">\n\u003C\u002Fp>\n\n这是由 Max Jaderberg, Karen Simonyan, Andrew Zisserman 和 Koray Kavukcuoglu 撰写的 [Spatial Transformer Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.02025) 的 **Tensorflow** 实现，附带两部分博客 [教程系列](https:\u002F\u002Fkevinzakka.github.io\u002F2017\u002F01\u002F18\u002Fstn-part2\u002F)。\n\n*空间变换网络* (STN) 是一个可微模块，可以插入到任何 **ConvNet** (卷积神经网络) 架构中，以增加其几何不变性。它有效地赋予网络在无需额外数据或监督成本的情况下对特征图进行空间变换的能力。\n\n## 安装\n\n使用以下命令安装 `stn` 包：\n\n```\npip3 install stn\n```\n\n然后，你可以按如下方式调用 STN 层：\n\n```python\nfrom stn import spatial_transformer_network as transformer\n\nout = transformer(input_feature_map, theta, out_dims)\n```\n\n**参数**\n\n- `input_feature_map`: 定位网络之前层的输出。如果 STN 层是网络的第一层，则对应输入图像。形状应为 (B, H, W, C)。\n- `theta`: 这是定位网络的输出。形状应为 (B, 6)\n- `out_dims`: 期望的输出特征图的 (H, W)。用于上采样或下采样。如果未指定，则输出维度将等于 `input_feature_map` 的维度。\n\n## 背景信息\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_5f7cc735b54a.png\" width=\"400px\">\n\u003C\u002Fp>\n\nSTN 由 3 个元素组成。\n\n- **定位网络**：接收特征图作为输入，并输出应应用于该特征图的仿射变换参数。\n\n- **网格生成器：** 使用仿射变换的参数生成 (x,y) 坐标网格，这些参数对应于一组点，输入特征图应在这些点处采样以产生变换后的输出特征图。\n\n- **双线性采样器：** 接收输入特征图和网格生成器生成的网格作为输入，并使用双线性插值生成输出特征图。\n\n仿射变换通过变换矩阵 A 指定\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_83cc7cb05a71.png\" width=\"175px\">\n\u003C\u002Fp>\n\n它可以被约束为一种 *注意力* 形式，写作如下形式\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_8103c6d88726.png\" width=\"175px\">\n\u003C\u002Fp>\n\n其中参数 `s`, `t_x` 和 `t_y` 可以进行回归，以允许裁剪、平移和各向同性缩放。\n\n欲了解更多关于 STNs 的深入解释，请阅读这两篇博客文章：[part1](https:\u002F\u002Fkevinzakka.github.io\u002F2017\u002F01\u002F10\u002Fstn-part1\u002F) 和 [part2](https:\u002F\u002Fkevinzakka.github.io\u002F2017\u002F01\u002F18\u002Fstn-part2\u002F)。\n\n## 探索\n\n运行 [合理性检查 (Sanity Check)](https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fblob\u002Fmaster\u002FSanity%20Check.ipynb) 来感受空间变换如何嵌入到任何现有代码中。例如，这里是 45 度旋转的结果：\n\n\u003Cp align=\"center\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_0995c2bdd931.png\" alt=\"Drawing\" width=\"40%\">\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_readme_307799014193.png\" alt=\"Drawing\" width=\"40%\">\n\u003C\u002Fp>\n\n**使用说明**\n\n在使用此层之前，必须定义一个定位网络。定位网络通常是一个具有 6 个输出节点（仿射变换的 6 个参数）的 **ConvNet** 或 **FC-net** (全连接网络)。\n\n在开始训练过程之前，将定位网络初始化为恒等变换是一个好习惯。这里有一段示例代码供参考。\n\n```python\n# params\nn_fc = 6\nB, H, W, C = (2, 200, 200, 3)\n\n# identity transform\ninitial = np.array([[1., 0, 0], [0, 1., 0]])\ninitial = initial.astype('float32').flatten()\n\n# input placeholder\nx = tf.placeholder(tf.float32, [B, H, W, C])\n\n# localization network\nW_fc1 = tf.Variable(tf.zeros([H*W*C, n_fc]), name='W_fc1')\nb_fc1 = tf.Variable(initial_value=initial, name='b_fc1')\nh_fc1 = tf.matmul(tf.zeros([B, H*W*C]), W_fc1) + b_fc1\n\n# spatial transformer layer\nh_trans = transformer(x, h_fc1)\n```\n\n## 致谢\n\n- [Torch 关于 STN 的博客文章](http:\u002F\u002Ftorch.ch\u002Fblog\u002F2015\u002F09\u002F07\u002Fspatial_transformers.html)\n- [daviddao 的 Tensorflow 实现](https:\u002F\u002Fgithub.com\u002Fdaviddao\u002Fspatial-transformer-tensorflow)\n- 感谢 [Eder Santana](https:\u002F\u002Ftwitter.com\u002Federsantana) 介绍并帮助我理解这篇论文！","# Spatial Transformer Networks (STN) 快速上手指南\n\nSpatial Transformer Networks (STN) 是一个可微分的模块，可插入到 ConvNet 架构中以提高几何不变性。本指南基于 TensorFlow 实现版本。\n\n## 环境准备\n\n- **Python**: 3.x 版本\n- **深度学习框架**: TensorFlow (该工具为 TensorFlow 实现)\n- **其他依赖**: NumPy (用于参数初始化示例)\n\n## 安装步骤\n\n建议使用国内镜像源以加快下载速度：\n\n```bash\npip3 install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple stn\n```\n\n或使用标准命令：\n\n```bash\npip3 install stn\n```\n\n## 基本使用\n\n### 核心函数\n\n导入模块并调用 STN 层：\n\n```python\nfrom stn import spatial_transformer_network as transformer\n\nout = transformer(input_feature_map, theta, out_dims)\n```\n\n### 参数说明\n\n- `input_feature_map`: 前置层的输出（若 STN 为第一层，则为输入图像）。形状应为 `(B, H, W, C)`。\n- `theta`: 定位网络（localization network）的输出。形状应为 `(B, 6)`。\n- `out_dims`: 期望的输出特征图尺寸 `(H, W)`。若不指定，则输出维度等于输入维度。\n\n### 注意事项\n\n**必须在使用该层之前定义一个定位网络。** 该网络通常为具有 6 个输出节点（仿射变换的 6 个参数）的 ConvNet 或 FC-net。建议训练开始前将定位网络初始化为恒等变换（identity transform）。\n\n### 代码示例\n\n```python\n# params\nn_fc = 6\nB, H, W, C = (2, 200, 200, 3)\n\n# identity transform\ninitial = np.array([[1., 0, 0], [0, 1., 0]])\ninitial = initial.astype('float32').flatten()\n\n# input placeholder\nx = tf.placeholder(tf.float32, [B, H, W, C])\n\n# localization network\nW_fc1 = tf.Variable(tf.zeros([H*W*C, n_fc]), name='W_fc1')\nb_fc1 = tf.Variable(initial_value=initial, name='b_fc1')\nh_fc1 = tf.matmul(tf.zeros([B, H*W*C]), W_fc1) + b_fc1\n\n# spatial transformer layer\nh_trans = transformer(x, h_fc1)\n```","某银行正在开发一款智能信贷审核系统，要求能自动识别用户上传的模糊或倾斜的纸质合同扫描件。\n\n### 没有 spatial-transformer-network 时\n- 传统 CNN 对图像位置敏感，倾斜拍摄导致关键文字区域无法被有效提取。\n- 为了覆盖所有角度，团队不得不花费数周时间制作海量的人工旋转数据集。\n- 依赖外部 OpenCV 脚本进行预处理，增加了部署复杂度且容易引入误差。\n- 模型在真实场景下泛化能力差，一旦光线或角度变化，准确率急剧下降。\n\n### 使用 spatial-transformer-network 后\n- 集成 `spatial-transformer-network` 后，网络能自动预测仿射变换矩阵来矫正图像。\n- 无需额外数据增强，模型在训练过程中直接学会了对齐特征图的几何不变性。\n- 将空间变换层嵌入主网络，实现了端到端的联合优化，减少了中间处理步骤。\n- 即使面对严重倾斜或缩放的合同图片，也能输出规整的特征表示供分类器使用。\n\n通过引入 `spatial-transformer-network`，模型获得了自适应几何校正能力，不仅显著降低了数据清洗成本，还大幅提升了复杂场景下的识别稳定性与鲁棒性。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevinzakka_spatial-transformer-network_46d6f945.png","kevinzakka","Kevin Zakka","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkevinzakka_71bbf309.jpg","PhD @ UC Berkeley.",null,"kevin_zakka","kzakka.com","https:\u002F\u002Fgithub.com\u002Fkevinzakka",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",61.2,{"name":89,"color":90,"percentage":91},"Jupyter Notebook","#DA5B0B",38.8,1007,268,"2026-03-03T01:18:35","MIT","未说明",{"notes":98,"python":99,"dependencies":100},"这是一个基于 TensorFlow 的实现；使用前必须在 STN 层之前定义一个定位网络（localization network），且该网络应有 6 个输出节点；建议在训练开始前将定位网络初始化为恒等变换；包含 Sanity Check 笔记本用于验证功能","3.x",[101,102,103],"stn","tensorflow","numpy",[26,13],[67,102,101,106,107,108],"attention","affine-transformation","convnet","2026-03-27T02:49:30.150509","2026-04-06T08:52:29.874480",[112,117,122,127,132,137],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},3540,"get_pixel_value 函数中索引顺序为什么是 [b, y, x] 而不是 [b, x, y]？3D 版本该如何调整？","这是因为 NumPy 数组首先按行（对应图像高度 y）索引，然后按列（对应图像宽度 x）索引。因此当前顺序是正确的。对于 3D 扩展且图像格式为 NHWC 时，索引顺序应调整为 indices = tf.stack([b, y, x, z], 3)。","https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fissues\u002F18",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},3541,"双线性采样器（bilinear sampler）在恒等变换下输出与输入不一致，如何修复？","这是由于最大坐标计算偏差导致的。需要将 max_y 和 max_x 的定义从 H-1\u002FW-1 改回 H\u002FW。具体操作是将代码中的 `max_y = tf.cast(H - 1, 'int32')` 和 `max_x = tf.cast(W - 1, 'int32')` 中的减 1 去掉，即恢复为 `max_y = tf.cast(H, 'int32')`。","https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fissues\u002F13",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},3542,"STN 实现中 tf.gather 或 tf.gather_nd 是否支持关于坐标的微分（梯度回传）？","不支持。tf.gather 的坐标参数必须是 int32 或 int64 类型，TensorFlow 视整数张量为常量，无法进行反向传播。建议使用 TensorFlow 官方提供的可微操作 `tf.contrib.resampler.resampler`，它可以同时返回数据和索引的梯度。","https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fissues\u002F19",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},3543,"空间变换网络（STN）中，定位网络输出的变换图像（h_trans）应该送入 CNN 还是原始图像？","理论上应该送入变换后的图像（h_trans）。维护者承认原代码中存在此概念性错误，表示会将原始图像替换为变换图像以符合 STN 的设计逻辑，并计划修复该问题。","https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fissues\u002F3",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},3544,"双线性采样函数中是否需要提前对 x 坐标进行裁剪（clip）？","不需要提前裁剪。因为在采样前已经对四个角点坐标进行了裁剪处理。无论是否在获取角点前裁剪，最终经过两次裁剪后得到的边界值是一致的，不会导致计算错误。","https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fissues\u002F16",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},3545,"哪里可以找到该项目使用的 MNIST 数据集？","项目维护者在评论中提供了数据集链接，可以在以下地址下载：https:\u002F\u002Fgithub.com\u002FMasazI\u002FSpatial_Transformer_Network\u002Fblob\u002Fmaster\u002Fmnist_cluttered_60x60_6distortions.npz","https:\u002F\u002Fgithub.com\u002Fkevinzakka\u002Fspatial-transformer-network\u002Fissues\u002F8",[]]