[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kuangliu--pytorch-cifar":3,"tool-kuangliu--pytorch-cifar":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":73,"owner_twitter":73,"owner_website":73,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":32,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":131},4488,"kuangliu\u002Fpytorch-cifar","pytorch-cifar","95.47% on CIFAR10 with PyTorch","pytorch-cifar 是一个基于 PyTorch 框架的开源项目，专注于在经典的 CIFAR-10 图像分类数据集上复现和训练多种主流深度学习模型。它主要解决了研究人员和开发者在入门计算机视觉时，缺乏高质量、可快速运行的基准代码这一痛点，帮助用户省去繁琐的环境配置与基础架构搭建时间。\n\n该项目非常适合 AI 初学者、高校研究人员以及需要验证新算法效果的工程师使用。用户只需具备基础的 Python 环境，即可通过简单的命令行指令启动训练，甚至支持断点续训，极大地降低了实验门槛。其核心亮点在于集成了从经典的 VGG、ResNet 系列，到高效的 MobileNetV2，再到先进的 RegNet 和 DLA 等十余种前沿网络架构。项目不仅提供了完整的训练脚本，还公开了各模型在 CIFAR-10 上的详细准确率数据，其中 DLA 模型更是达到了 95.47% 的高精度表现。无论是用于学习卷积神经网络的内部机制，还是作为新研究的对比基线，pytorch-cifar 都是一个可靠且高效的实战工具库。","# Train CIFAR10 with PyTorch\n\nI'm playing with [PyTorch](http:\u002F\u002Fpytorch.org\u002F) on the CIFAR10 dataset.\n\n## Prerequisites\n- Python 3.6+\n- PyTorch 1.0+\n\n## Training\n```\n# Start training with: \npython main.py\n\n# You can manually resume the training with: \npython main.py --resume --lr=0.01\n```\n\n## Accuracy\n| Model             | Acc.        |\n| ----------------- | ----------- |\n| [VGG16](https:\u002F\u002Farxiv.org\u002Fabs\u002F1409.1556)              | 92.64%      |\n| [ResNet18](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)          | 93.02%      |\n| [ResNet50](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)          | 93.62%      |\n| [ResNet101](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)         | 93.75%      |\n| [RegNetX_200MF](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.13678)     | 94.24%      |\n| [RegNetY_400MF](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.13678)     | 94.29%      |\n| [MobileNetV2](https:\u002F\u002Farxiv.org\u002Fabs\u002F1801.04381)       | 94.43%      |\n| [ResNeXt29(32x4d)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.05431)  | 94.73%      |\n| [ResNeXt29(2x64d)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.05431)  | 94.82%      |\n| [SimpleDLA](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.064)           | 94.89%      |\n| [DenseNet121](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.06993)       | 95.04%      |\n| [PreActResNet18](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.05027)    | 95.11%      |\n| [DPN92](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.01629)             | 95.16%      |\n| [DLA](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1707.06484.pdf)           | 95.47%      |\n\n","# 使用 PyTorch 训练 CIFAR10 数据集\n\n我正在使用 [PyTorch](http:\u002F\u002Fpytorch.org\u002F) 在 CIFAR10 数据集上进行实验。\n\n## 前置条件\n- Python 3.6+\n- PyTorch 1.0+\n\n## 训练\n```\n# 开始训练：\npython main.py\n\n# 您可以手动恢复训练，方法如下：\npython main.py --resume --lr=0.01\n```\n\n## 准确率\n| 模型             | 准确率        |\n| ----------------- | ----------- |\n| [VGG16](https:\u002F\u002Farxiv.org\u002Fabs\u002F1409.1556)              | 92.64%      |\n| [ResNet18](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)          | 93.02%      |\n| [ResNet50](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)          | 93.62%      |\n| [ResNet101](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)         | 93.75%      |\n| [RegNetX_200MF](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.13678)     | 94.24%      |\n| [RegNetY_400MF](https:\u002F\u002Farxiv.org\u002Fabs\u002F2003.13678)     | 94.29%      |\n| [MobileNetV2](https:\u002F\u002Farxiv.org\u002Fabs\u002F1801.04381)       | 94.43%      |\n| [ResNeXt29(32x4d)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.05431)  | 94.73%      |\n| [ResNeXt29(2x64d)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1611.05431)  | 94.82%      |\n| [SimpleDLA](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.064)           | 94.89%      |\n| [DenseNet121](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.06993)       | 95.04%      |\n| [PreActResNet18](https:\u002F\u002Farxiv.org\u002Fabs\u002F1603.05027)    | 95.11%      |\n| [DPN92](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.01629)             | 95.16%      |\n| [DLA](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1707.06484.pdf)           | 95.47%      |","# pytorch-cifar 快速上手指南\n\n本指南帮助中国开发者快速使用 `pytorch-cifar` 项目在 CIFAR10 数据集上训练深度学习模型。\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**：3.6 或更高\n*   **深度学习框架**：PyTorch 1.0 或更高\n\n> **国内加速建议**：\n> 安装 PyTorch 时，推荐使用清华源或中科大源以加快下载速度。例如使用 pip 安装：\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1.  克隆项目代码到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fkuangliu\u002Fpytorch-cifar.git\n    cd pytorch-cifar\n    ```\n\n2.  安装项目依赖（如果尚未安装 PyTorch）：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    *注：若 `requirements.txt` 未包含 torch，请参考上方“环境准备”中的命令单独安装。*\n\n## 基本使用\n\n### 开始训练\n运行以下命令即可使用默认配置（通常为 VGG16 或 ResNet18，具体视代码默认设置而定）开始训练 CIFAR10 模型：\n\n```bash\npython main.py\n```\n\n### 恢复训练\n如果训练意外中断，可以使用以下命令从断点处恢复训练，并手动指定学习率：\n\n```bash\npython main.py --resume --lr=0.01\n```\n\n训练完成后，脚本会自动输出模型在测试集上的准确率。参考该项目支持的模型包括 ResNet, DenseNet, MobileNetV2, RegNet 等，最高准确率可达 95% 以上。","某计算机视觉初创团队的算法工程师正在为自动驾驶原型车开发交通标志识别模块，急需在有限的算力资源下快速验证多种主流深度学习模型的性能基线。\n\n### 没有 pytorch-cifar 时\n- **重复造轮子耗时严重**：工程师需手动从零编写数据加载、模型定义及训练循环代码，仅搭建 VGG 或 ResNet 基础架构就耗费数天时间。\n- **复现结果困难**：参考论文自行实现复杂网络（如 DenseNet 或 RegNet）时，常因细节差异导致准确率远低于官方数据，难以判断是代码错误还是模型问题。\n- **基准对比缺失**：缺乏统一的标准测试环境，无法在同一硬件条件下公平对比不同架构（如 MobileNetV2 与 ResNeXt）在 CIFAR-10 上的真实表现。\n- **调试门槛高**：缺少断点续训等实用功能，一旦训练中断或需要调整学习率，往往需要重新配置整个实验流程。\n\n### 使用 pytorch-cifar 后\n- **开箱即用提效显著**：直接运行 `python main.py` 即可启动训练，内置的 VGG、ResNet 等十几种主流模型代码规范且即插即用，将环境搭建时间从数天缩短至几分钟。\n- **权威基线可信度高**：工具提供了经严格验证的准确率参考（如 DLA 模型达 95.47%），工程师可迅速确认自身实验环境是否正常，大幅降低排查成本。\n- **多架构一键切换**：通过简单修改参数即可在轻量级的 MobileNetV2 和高精度的 DenseNet121 之间自由切换，快速找到精度与速度的最佳平衡点。\n- **实验管理更灵活**：原生支持 `--resume` 参数，允许随时中断并恢复训练，配合预设的学习率调整策略，让超参数调优过程更加从容可控。\n\npytorch-cifar 通过提供标准化、高精度的模型实现，将研究人员从繁琐的基础代码构建中解放出来，使其能专注于核心算法的创新与优化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkuangliu_pytorch-cifar_8d3228ff.png","kuangliu",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkuangliu_cd870072.jpg","(◕‿◕)","Zhejiang University","Hangzhou, China","https:\u002F\u002Fgithub.com\u002Fkuangliu",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,6369,2176,"2026-04-05T16:19:23","MIT","","未说明",{"notes":91,"python":92,"dependencies":93},"README 中仅明确列出了 Python 和 PyTorch 的版本要求，未提及具体的操作系统、GPU 型号、显存大小、内存需求或 CUDA 版本。该工具用于在 CIFAR10 数据集上训练多种深度学习模型（如 VGG, ResNet, DenseNet 等）。","3.6+",[94],"PyTorch>=1.0",[14],[97],"pytorch","2026-03-27T02:49:30.150509","2026-04-06T23:57:49.626207",[101,106,111,116,121,126],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},20425,"在 Windows 上运行时遇到 'ValueError: not enough values to unpack' 错误（与 progress_bar 相关），如何解决？","这是因为 `os.popen('stty size')` 命令在 Windows 上无法获取终端尺寸。解决方法是修改 `utils.py` 文件：\n1. 导入 shutil 库：`import shutil`\n2. 将获取终端宽度的代码 `_, term_width = os.popen('stty size', 'r').read().split()` 替换为 `_, term_width = shutil.get_terminal_size()`。\n或者，也可以直接注释掉 `from utils import progress_bar` 及相关调用，改用普通的 `print` 语句输出训练进度。","https:\u002F\u002Fgithub.com\u002Fkuangliu\u002Fpytorch-cifar\u002Fissues\u002F44",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},20426,"如何计算 CIFAR-10 数据集用于 transforms.Normalize 的标准差（std）？为什么我算出来的值和代码中不一样？","代码中使用的标准差 `[0.2470, 0.2435, 0.2616]` 是所有图像通道标准差的平均值，而不是整个数据集张量的标准差。\n计算方法应遍历数据集中的每张图像，分别计算每个通道的标准差，然后求和并除以图像总数（即求平均标准差）。\n注意：计算单张图像的标准差时，自由度应设为 1。简单的对整个大张量求 std 会得到不同的结果，因为那是将所有像素视为一个整体分布，而非图像间的平均分布。","https:\u002F\u002Fgithub.com\u002Fkuangliu\u002Fpytorch-cifar\u002Fissues\u002F8",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},20427,"运行代码时出现 \"AttributeError: 'ResNet' object has no attribute 'to'\" 错误，怎么办？","这是因为 `.to()` 方法是 PyTorch 0.4.0 版本引入的新 API。请升级您的 PyTorch 版本至 0.4 或更高版本即可解决此问题。","https:\u002F\u002Fgithub.com\u002Fkuangliu\u002Fpytorch-cifar\u002Fissues\u002F43",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},20428,"使用 MobileNetV2 模型在 CIFAR-10 上只能达到约 91% 的准确率，如何调整超参数以达到论文中的 94.47%？","关键在于调整权重衰减（weight decay）。默认设置可能过高，建议将 weight decay 设置为 `4e-5`（与原论文一致）。\n推荐的训练配置如下：\n- 优化器：SGD\n- Epochs: 350\n- Batch size: 128\n- 初始学习率：0.1\n- 学习率调整策略：在 epoch [150, 250] 时乘以 0.1\n- Weight decay: 4e-5\n使用此配置通常可将准确率提升至 94% 左右。","https:\u002F\u002Fgithub.com\u002Fkuangliu\u002Fpytorch-cifar\u002Fissues\u002F29",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},20429,"训练 VGG16 模型时的推荐超参数设置是什么（Epochs, Batch size, 学习率策略等）？","为了获得较高的准确率，建议参考以下超参数设置：\n- Epochs: 260\n- Batch size: 128\n- 优化器：SGD (lr=0.1, momentum=0.9, weight_decay=5e-4)\n- 学习率调度器：MultiStepLR， milestones=[100, 180], gamma=0.1\n- 硬件：单 GPU 即可\n训练时间大约需要 8-9 小时。确保在训练过程中自动更新学习率值对性能至关重要。","https:\u002F\u002Fgithub.com\u002Fkuangliu\u002Fpytorch-cifar\u002Fissues\u002F28",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},20430,"Preactition ResNet 的实现与论文中的结构图似乎不一致（关于 shortcut 和 BN\u002FReLU 的顺序），这会影响结果吗？","用户的观察是正确的，论文中的预激活块（preactivation block）建议先进行 BN 和 ReLU 再进入分支。虽然仓库中的实现顺序略有不同（先计算 shortcut 再激活主路），但有用户测试发现，如果严格按照论文图示修改代码（即在应用 shortcut 之前先对输入进行 `F.relu(self.bn1(x))`），测试准确率可能会从 94.78% 提升到 95.03%。您可以尝试调整 `forward` 函数中 `shortcut` 的计算时机来验证是否能带来性能提升。","https:\u002F\u002Fgithub.com\u002Fkuangliu\u002Fpytorch-cifar\u002Fissues\u002F9",[]]