[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-liuzhuang13--slimming":3,"tool-liuzhuang13--slimming":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",155373,2,"2026-04-14T11:34:08",[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":78,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":138},7544,"liuzhuang13\u002Fslimming","slimming","Learning Efficient Convolutional Networks through Network Slimming, In ICCV 2017.","slimming 是一款基于 ICCV 2017 论文《Learning Efficient Convolutional Networks through Network Slimming》开发的深度学习模型压缩工具。它旨在解决卷积神经网络体积庞大、计算资源消耗高以及难以在移动端部署的难题，帮助开发者在不牺牲模型精度的前提下，显著减小模型尺寸、降低运行内存占用并减少计算量。\n\n该工具特别适合从事深度学习算法研究的研究人员、需要优化模型性能的工程师，以及致力于将 AI 模型部署到资源受限设备（如手机、嵌入式系统）的开发者使用。\n\nslimming 的核心技术亮点在于其独特的“通道剪枝”机制。它巧妙地复用批归一化（Batch Normalization）层中的缩放因子，将其作为衡量通道重要性的指标。在训练过程中，通过引入稀疏性正则化，自动识别并剔除那些缩放因子较小、对结果贡献微弱的冗余通道。随后，工具会重建一个紧凑的新网络结构，并经过微调即可恢复甚至提升原有精度。整个过程无需特殊的硬件库支持，生成的模型可直接用于高效推理，是实现轻量化网络训练的实用方案。","# Network Slimming\r\n\r\nThis repository contains the code for the following paper \r\n\r\n[Learning Efficient Convolutional Networks through Network Slimming](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2017\u002Fpapers\u002FLiu_Learning_Efficient_Convolutional_ICCV_2017_paper.pdf) (ICCV 2017).\r\n\r\n[Zhuang Liu](https:\u002F\u002Fliuzhuang13.github.io\u002F), [Jianguo Li](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fleeplus\u002F), [Zhiqiang Shen](http:\u002F\u002Fzhiqiangshen.com), [Gao Huang](http:\u002F\u002Fwww.cs.cornell.edu\u002F~gaohuang\u002F), [Shoumeng Yan](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=f0BtDUQAAAAJ&hl=en), [Changshui Zhang](http:\u002F\u002Fbigeye.au.tsinghua.edu.cn\u002Fenglish\u002FIntroduction.html).\r\n\r\nThe code is based on [fb.resnet.torch](https:\u002F\u002Fgithub.com\u002Ffacebook\u002Ffb.resnet.torch).\r\n\r\nWe have now released another [[PyTorch implementation]](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Fnetwork-slimming) which supports ResNet and DenseNet, based on Qiang Wang's Pytorch implementation listed below.\r\n\r\nOther Implementations:\r\n[[Pytorch]](https:\u002F\u002Fgithub.com\u002Ffoolwood\u002Fpytorch-slimming) by Qiang Wang.\r\n[[Chainer]](https:\u002F\u002Fgithub.com\u002Fdsanno\u002Fchainer-slimming) by Daiki Sanno.\r\n[[Pytorch hand detection using YOLOv3]](https:\u002F\u002Fgithub.com\u002FLam1360\u002FYOLOv3-model-pruning) by Lam1360.\r\n[[Pytorch object detection using YOLOv3]](https:\u002F\u002Fgithub.com\u002Ftalebolano\u002Fyolov3-network-slimming) by talebolano.\r\n\r\n\r\nCitation:\r\n\r\n\t@inproceedings{Liu2017learning,\r\n\t\ttitle = {Learning Efficient Convolutional Networks through Network Slimming},\r\n\t\tauthor = {Liu, Zhuang and Li, Jianguo and Shen, Zhiqiang and Huang, Gao and Yan, Shoumeng and Zhang, Changshui},\r\n\t\tbooktitle = {ICCV},\r\n\t\tyear = {2017}\r\n\t}\r\n\r\n## Introduction\r\n\r\n\r\nNetwork Slimming is a neural network training scheme that can simultaneously reduce the model size, run-time memory, computing operations, while introducing no accuracy loss to and minimum overhead to the training process. The resulting models require no special libraries\u002Fhardware for efficient inference.\r\n\r\n\r\n\r\n## Approach\r\n\u003Cdiv align=center>\r\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fliuzhuang13_slimming_readme_9b4bb9db987c.jpg\" width=\"740\">\r\n\u003C\u002Fdiv>\r\n\r\n\u003Cdiv align=center>\r\nFigure 1:\r\n The channel pruning process.\r\n\u003C\u002Fdiv> \r\n\r\n\r\n\u003Cbr>\r\n\r\nWe associate a scaling factor (reused from batch normalization layers) with each channel in convolutional layers. Sparsity\r\nregularization is imposed on these scaling factors during training to automatically identify unimportant channels. The channels with small\r\nscaling factor values (in orange color) will be pruned (left side). After pruning, we obtain compact models (right side), which are then\r\nfine-tuned to achieve comparable (or even higher) accuracy as normally trained full network.\r\n\r\n\u003Cbr>\r\n\r\n\r\n\u003Cdiv align=center>\r\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fliuzhuang13_slimming_readme_80fc25490b17.jpg\" width=\"740\">\r\n\u003C\u002Fdiv>\r\n\r\n\u003Cdiv align=center>\r\nFigure 2: Flow-chart of the network slimming procedure. The dotted line is for the multi-pass version of the procedure.\r\n\u003C\u002Fdiv> \r\n\r\n\r\n## Example Usage\r\n  \r\nThis repo holds the example code for VGGNet on CIFAR-10 dataset. \r\n\r\n0. Prepare the directories to save the results\r\n\r\n```\r\nmkdir vgg_cifar10\u002F\r\nmkdir vgg_cifar10\u002Fpruned\r\nmkdir vgg_cifar10\u002Fconverted\r\nmkdir vgg_cifar10\u002Ffine_tune\r\n```\r\n1. Train vgg network with channel level sparsity, S is the lambda in the paper which controls the significance of sparsity\r\n\r\n```\r\nth main.lua -netType vgg -save vgg_cifar10\u002F -S 0.0001\r\n```\r\n 2. Identify a certain percentage of relatively unimportant channels and set their scaling factors to 0\r\n\r\n```\r\nth prune\u002Fprune.lua -percent 0.7 -model vgg_cifar10\u002Fmodel_160.t7  -save vgg_cifar10\u002Fpruned\u002Fmodel_160_0.7.t7\r\n```\r\n 3. Re-build a real compact network and copy the weights from the model in the last stage\r\n\r\n```\r\nth convert\u002Fvgg.lua -model vgg_cifar10\u002Fpruned\u002Fmodel_160_0.7.t7 -save vgg_cifar10\u002Fconverted\u002Fmodel_160_0.7.t7\r\n```\r\n 4. Fine-tune the compact network\r\n \r\n```\r\nth main_fine_tune.lua -retrain vgg_cifar10\u002Fconverted\u002Fmodel_160_0.7.t7 -save vgg_cifar10\u002Ffine_tune\u002F\r\n```\r\n## Note \r\nThe original paper has a bug on the VGG results on ImageNet (Table 2). Please refer to this [[issue]](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F3#issuecomment-443913400). The correct result was presented in Table 4 of [this paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.05270).\r\n\r\n## Contact\r\nliuzhuangthu at gmail.com\r\n\r\n\r\n\r\n\r\n","# 网络瘦身\n\n本仓库包含以下论文的代码：\n\n[通过网络瘦身学习高效的卷积网络](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2017\u002Fpapers\u002FLiu_Learning_Efficient_Convolutional_ICCV_2017_paper.pdf)（ICCV 2017）。\n\n作者：[Zhuang Liu](https:\u002F\u002Fliuzhuang13.github.io\u002F)、[Jianguo Li](https:\u002F\u002Fsites.google.com\u002Fsite\u002Fleeplus\u002F)、[Zhiqiang Shen](http:\u002F\u002Fzhiqiangshen.com)、[Gao Huang](http:\u002F\u002Fwww.cs.cornell.edu\u002F~gaohuang\u002F)、[Shoumeng Yan](https:\u002F\u002Fscholar.google.com\u002Fcitations?user=f0BtDUQAAAAJ&hl=en)、[Changshui Zhang](http:\u002F\u002Fbigeye.au.tsinghua.edu.cn\u002Fenglish\u002FIntroduction.html)。\n\n代码基于 [fb.resnet.torch](https:\u002F\u002Fgithub.com\u002Ffacebook\u002Ffb.resnet.torch)。\n\n我们现已发布了另一套 [[PyTorch 实现]](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Fnetwork-slimming)，该实现支持 ResNet 和 DenseNet，基于 Qiang Wang 的 PyTorch 实现，如下所示。\n\n其他实现：\n[[Pytorch]](https:\u002F\u002Fgithub.com\u002Ffoolwood\u002Fpytorch-slimming) 由 Qiang Wang 提供。\n[[Chainer]](https:\u002F\u002Fgithub.com\u002Fdsanno\u002Fchainer-slimming) 由 Daiki Sanno 提供。\n[[使用 YOLOv3 进行手部检测的 PyTorch 实现]](https:\u002F\u002Fgithub.com\u002FLam1360\u002FYOLOv3-model-pruning) 由 Lam1360 提供。\n[[使用 YOLOv3 进行目标检测的 PyTorch 实现]](https:\u002F\u002Fgithub.com\u002Ftalebolano\u002Fyolov3-network-slimming) 由 talebolano 提供。\n\n\n引用格式：\n\n\t@inproceedings{Liu2017learning,\n\t\ttitle = {Learning Efficient Convolutional Networks through Network Slimming},\n\t\tauthor = {Liu, Zhuang and Li, Jianguo and Shen, Zhiqiang and Huang, Gao and Yan, Shoumeng and Zhang, Changshui},\n\t\tbooktitle = {ICCV},\n\t\tyear = {2017}\n\t}\n\n## 引言\n\n\n网络瘦身是一种神经网络训练方法，能够在不损失精度且对训练过程开销极小的情况下，同时减少模型大小、运行时内存占用和计算量。由此得到的模型无需任何特殊库或硬件即可高效推理。\n\n\n\n## 方法\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fliuzhuang13_slimming_readme_9b4bb9db987c.jpg\" width=\"740\">\n\u003C\u002Fdiv>\n\n\u003Cdiv align=center>\n图 1：\n通道剪枝过程。\n\u003C\u002Fdiv> \n\n\n\u003Cbr>\n\n我们为卷积层中的每个通道关联一个缩放因子（复用自批归一化层）。在训练过程中，对这些缩放因子施加稀疏性正则化，以自动识别不重要的通道。缩放因子值较小的通道（橙色表示）将被剪枝（左侧）。剪枝后，我们得到紧凑的模型（右侧），随后对其进行微调，以达到与正常训练的完整网络相当甚至更高的精度。\n\n\u003Cbr>\n\n\n\u003Cdiv align=center>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fliuzhuang13_slimming_readme_80fc25490b17.jpg\" width=\"740\">\n\u003C\u002Fdiv>\n\n\u003Cdiv align=center>\n图 2：网络瘦身流程图。虚线表示多轮版本的流程。\n\u003C\u002Fdiv> \n\n\n## 示例用法\n  \n本仓库提供了在 CIFAR-10 数据集上使用 VGGNet 的示例代码。\n\n0. 准备保存结果的目录\n\n```bash\nmkdir vgg_cifar10\u002F\nmkdir vgg_cifar10\u002Fpruned\nmkdir vgg_cifar10\u002Fconverted\nmkdir vgg_cifar10\u002Ffine_tune\n```\n1. 使用通道级别的稀疏性训练 VGG 网络，S 是论文中控制稀疏性重要性的参数。\n\n```bash\nth main.lua -netType vgg -save vgg_cifar10\u002F -S 0.0001\n```\n 2. 确定一定比例的相对不重要通道，并将其缩放因子设为 0。\n\n```bash\nth prune\u002Fprune.lua -percent 0.7 -model vgg_cifar10\u002Fmodel_160.t7  -save vgg_cifar10\u002Fpruned\u002Fmodel_160_0.7.t7\n```\n 3. 重新构建一个真正的紧凑网络，并从上一步的模型中复制权重。\n\n```bash\nth convert\u002Fvgg.lua -model vgg_cifar10\u002Fpruned\u002Fmodel_160_0.7.t7 -save vgg_cifar10\u002Fconverted\u002Fmodel_160_0.7.t7\n```\n 4. 对紧凑网络进行微调。\n \n```bash\nth main_fine_tune.lua -retrain vgg_cifar10\u002Fconverted\u002Fmodel_160_0.7.t7 -save vgg_cifar10\u002Ffine_tune\u002F\n```\n## 注意事项 \n原始论文中关于 ImageNet 上 VGG 结果的部分存在错误（表 2）。请参考此 [[issue]](https:\u002F\u002Fgithub.com\u002FEric-mingjie\u002Frethinking-network-pruning\u002Fissues\u002F3#issuecomment-443913400)。正确结果已在 [这篇论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.05270) 的表 4 中给出。\n\n## 联系方式\nliuzhuangthu at gmail.com","# Network Slimming 快速上手指南\n\nNetwork Slimming 是一种神经网络训练方案，旨在通过通道剪枝（Channel Pruning）同时减小模型体积、降低运行时内存占用和计算量，且几乎不损失精度。本指南基于 ICCV 2017 论文《Learning Efficient Convolutional Networks through Network Slimming》的官方 Torch 实现，以 CIFAR-10 数据集上的 VGG 网络为例。\n\n## 环境准备\n\n本项目原始代码基于 **Torch (Lua)** 框架开发。请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 需使用 WSL 或 Docker)\n*   **核心框架**: [Torch](http:\u002F\u002Ftorch.ch\u002F) (注意：非 PyTorch)\n*   **依赖包**: \n    *   `nn`\n    *   `optim`\n    *   `cunn` (如需 GPU 加速)\n    *   `cudnn` (如需 GPU 加速)\n    *   `datasets` (用于加载 CIFAR-10)\n\n> **提示**：由于该仓库基于较旧的 Torch 框架，若您习惯使用 PyTorch，社区已有多个移植版本（如 `Eric-mingjie\u002Fnetwork-slimming` 或 `foolwood\u002Fpytorch-slimming`），建议在新项目中优先考虑 PyTorch 版本。本指南仅针对当前仓库的原始 Torch 代码。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fprinceton-vl\u002Fslimming.git\n    cd slimming\n    ```\n\n2.  **安装 Torch 依赖**\n    确保已安装 Torch，然后安装项目所需的 Lua 包：\n    ```bash\n    luarocks install nn\n    luarocks install optim\n    luarocks install cunn\n    luarocks install cudnn\n    # 如果缺少数据集加载器，可能需要手动安装或配置 datasets 包\n    ```\n\n3.  **准备目录结构**\n    在执行训练前，需要创建用于保存结果的文件夹：\n    ```bash\n    mkdir vgg_cifar10\u002F\n    mkdir vgg_cifar10\u002Fpruned\n    mkdir vgg_cifar10\u002Fconverted\n    mkdir vgg_cifar10\u002Ffine_tune\n    ```\n\n## 基本使用\n\n以下是完整的四步流程：稀疏训练 -> 剪枝 -> 模型转换 -> 微调。\n\n### 1. 稀疏训练 (Sparse Training)\n训练带有通道级稀疏正则化的 VGG 网络。参数 `-S` 对应论文中的 $\\lambda$，控制稀疏程度（示例中为 0.0001）。\n\n```bash\nth main.lua -netType vgg -save vgg_cifar10\u002F -S 0.0001\n```\n*训练完成后，将在 `vgg_cifar10\u002F` 目录下生成模型文件（如 `model_160.t7`）。*\n\n### 2. 执行剪枝 (Pruning)\n识别并移除一定比例（例如 70%）的不重要通道，将其缩放因子设为 0。\n\n```bash\nth prune\u002Fprune.lua -percent 0.7 -model vgg_cifar10\u002Fmodel_160.t7 -save vgg_cifar10\u002Fpruned\u002Fmodel_160_0.7.t7\n```\n\n### 3. 模型转换 (Conversion)\n重建一个紧凑的网络结构，并将剪枝后的权重复制到新模型中，去除冗余通道。\n\n```bash\nth convert\u002Fvgg.lua -model vgg_cifar10\u002Fpruned\u002Fmodel_160_0.7.t7 -save vgg_cifar10\u002Fconverted\u002Fmodel_160_0.7.t7\n```\n\n### 4. 微调 (Fine-tuning)\n对生成的紧凑模型进行微调，以恢复或提升精度。\n\n```bash\nth main_fine_tune.lua -retrain vgg_cifar10\u002Fconverted\u002Fmodel_160_0.7.t7 -save vgg_cifar10\u002Ffine_tune\u002F\n```\n\n完成上述步骤后，您将获得一个体积更小、推理速度更快且精度保持良好的 VGG 模型。","某边缘计算团队正在将基于 VGG 的高精度缺陷检测模型部署到算力受限的工业摄像头中，面临严重的资源瓶颈。\n\n### 没有 slimming 时\n- **显存占用过高**：原始模型通道冗余严重，导致推理时显存需求远超嵌入式设备上限，无法直接运行。\n- **推理延迟达标难**：庞大的计算量使得单张图片处理耗时过长，无法满足生产线实时质检的毫秒级响应要求。\n- **硬件升级成本高**：为了强行运行大模型，不得不采购昂贵的高性能边缘网关，大幅增加了项目落地成本。\n- **手动剪枝风险大**：若尝试人工剔除卷积核，极易破坏网络结构导致精度断崖式下跌，且缺乏科学的评估依据。\n\n### 使用 slimming 后\n- **模型体积显著缩小**：通过稀疏化训练自动识别并剔除不重要的通道，在保持精度的前提下大幅降低了显存占用，成功适配低端设备。\n- **推理速度大幅提升**：移除冗余计算路径后，前向传播的运算量（FLOPs）显著减少，实现了流畅的实时检测效果。\n- **无需特殊硬件支持**：生成的紧凑模型是标准的卷积网络，无需专用加速库或特殊硬件即可高效推理，直接复用现有设备。\n- **精度无损甚至提升**：借助“剪枝 - 微调”机制，模型在变瘦的同时通过微调恢复了特征表达能力，最终准确率与原始大模型持平甚至略高。\n\nslimming 的核心价值在于它能自动化地在训练阶段“瘦身”神经网络，让高精度模型得以在资源受限的边缘设备上高效、低成本地落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fliuzhuang13_slimming_b3c50754.png","liuzhuang13","Zhuang Liu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fliuzhuang13_bf620fda.jpg",null,"Princeton University","Princeton, NJ","liuzhuang1234","scholar.google.com\u002Fcitations?user=7OTD-LEAAAAJ","https:\u002F\u002Fgithub.com\u002Fliuzhuang13",[82,86],{"name":83,"color":84,"percentage":85},"Lua","#000080",98.4,{"name":87,"color":88,"percentage":89},"Shell","#89e051",1.6,576,75,"2026-03-09T12:56:10","MIT",4,"Linux, macOS","未说明（基于 Torch7 框架，通常支持 CUDA 加速，但具体型号和版本未在文中提及）","未说明",{"notes":99,"python":100,"dependencies":101},"1. 该仓库原始代码基于 Lua 语言和 Torch7 深度学习框架（使用 .lua 脚本和 .t7 模型文件），而非现代主流的 PyTorch 或 TensorFlow。2. 如需使用 Python 版本，请参考 README 中列出的其他实现链接（如 Eric-mingjie 或 foolwood 的 PyTorch 版本）。3. 示例命令使用 'th' (Torch CLI) 运行。4. 该工具主要用于卷积神经网络的通道剪枝（Network Slimming），以降低模型大小和计算量。","不适用 (该项目基于 Lua\u002FTorch7 框架，非 Python)",[102,103],"Torch7","fb.resnet.torch",[14],[106,107,108],"deep-learning","convolutional-neural-networks","efficient-inference","2026-03-27T02:49:30.150509","2026-04-15T06:52:00.058333",[112,117,121,126,130,134],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},33822,"稀疏训练后，BN 缩放因子的分布没有变得更稀疏（接近 0），反而远离 0，这是什么原因？","这通常是一个实现细节问题。如果在 Darknet 等框架中实现，可能是因为在更新参数前获取的 BN 梯度（bn.gradient）符号为负。解决方案是将 bn.weight 的符号乘以 -1（即 multiplying -1 to sign(bn.weight)），修正后稀疏训练结果应符合预期（变得更稀疏）。","https:\u002F\u002Fgithub.com\u002Fliuzhuang13\u002Fslimming\u002Fissues\u002F11",{"id":118,"question_zh":119,"answer_zh":120,"source_url":116},33823,"如何在 PyTorch 或 TensorFlow 中更简单地实现稀疏正则化，而不必编写 CUDA 代码？","在 PyTorch 中实现确实更容易。你不需要手动将符号函数（sign function）添加到梯度中，而是可以直接将 L1 损失（L1 loss）添加到原始损失函数中。这种方法可以避免复杂的 CUDA 编码，同时达到相同的稀疏正则化效果。",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},33824,"如果卷积层的最后一个输出不是 1x1 的特征图，如何将其连接到全连接层（FC Layer）？","有两种主要方法：\n1. 传统方法：将特征图（3D）“展开”（unroll）成向量（1D）。例如，如果有 100 个 4x4 的特征图，可以将其展开为 1600 个神经元，然后连接全连接层。在 Torch 中可以使用 `nn.View` 层实现。\n2. 现代常用方法：在卷积层末尾使用全局平均池化（Global Average Pooling）。例如，对每个 4x4 的特征图求平均值，得到 100 个数值，然后再连接最终的全连接层（分类器）。","https:\u002F\u002Fgithub.com\u002Fliuzhuang13\u002Fslimming\u002Fissues\u002F1",{"id":127,"question_zh":128,"answer_zh":129,"source_url":125},33825,"当卷积层输出尺寸与全连接层输入不匹配时，有什么推荐的预处理操作？","推荐使用平均池化（Average Pooling）来解决尺寸不匹配的问题。通过池化操作可以将特征图调整为合适的尺寸，从而顺利连接到后续的全连接层。",{"id":131,"question_zh":132,"answer_zh":133,"source_url":116},33826,"为什么选择在 CUDA 中编写额外的子梯度代码，而不是直接在 PyTorch\u002FTF 中实现？","这通常是因为项目原本是基于 Darknet 框架训练的（如 YOLOv3），为了便于与基线模型在精度和时间消耗方面进行直接对比，开发者选择首先在 Darknet (CUDA) 中实现。但这并非必须，对于大多数用户，直接在 PyTorch 中通过添加 L1 损失来实现会更加简便。",{"id":135,"question_zh":136,"answer_zh":137,"source_url":125},33827,"在网络剪枝（Network Slimming）中，如何处理非 1x1 输出的卷积层与分类器的连接？","如果卷积层输出不是 1x1，不应直接连接全连接层。标准做法是使用全局平均池化（Global Average Pooling）将每个特征图压缩为一个标量，或者将多维特征图展平（Flatten\u002FUnroll）为一维向量后再输入分类器。全局平均池化是目前更主流的做法。",[]]