[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-matthewearl--deep-anpr":3,"tool-matthewearl--deep-anpr":64},[4,17,26,40,48,56],{"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},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。",107662,2,"2026-04-03T11:11:01",[13,14,15],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":23,"last_commit_at":32,"category_tags":33,"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",[14,34,35,36,15,37,38,13,39],"数据工具","视频","插件","其他","语言模型","音频",{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":10,"last_commit_at":46,"category_tags":47,"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",[15,14,13,38,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[38,14,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":23,"last_commit_at":62,"category_tags":63,"status":16},2471,"tesseract","tesseract-ocr\u002Ftesseract","Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。\n\n在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。\n\nTesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中",73286,"2026-04-03T01:56:45",[13,14],{"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":78,"owner_location":78,"owner_email":79,"owner_twitter":78,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":78,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":139},2651,"matthewearl\u002Fdeep-anpr","deep-anpr","Using neural networks to build an automatic number plate recognition system","deep-anpr 是一个基于神经网络构建的自动车牌识别（ANPR）实验性开源项目。它旨在解决从复杂背景图像中定位并识别车牌号码的技术难题，通过深度学习模型实现端到端的检测与字符读取。\n\n该项目特别适合对计算机视觉感兴趣的开发者、研究人员以及希望深入理解卷积神经网络（CNN）在 OCR 领域应用的学习者使用。需要特别注意的是，作者明确标注这是一个用于探索和学习的实验性代码库，并非成熟可用的生产级系统，因此不建议直接将其部署于实际商业场景。\n\ndeep-anpr 的核心亮点在于其完整的数据合成与训练流程。它支持利用 SUN 数据库生成海量带有不同背景的合成训练数据，并允许用户通过替换字体文件来模拟不同地区的车牌样式，从而提升模型的泛化能力。项目基于 TensorFlow、OpenCV 和 NumPy 构建，提供了从数据提取、样本生成、模型训练到最终推理检测的全套脚本。如果你愿意阅读相关技术博客并动手改进代码，甚至参与解决待办议题，deep-anpr 将是一个极佳的实践起点。","# Deep ANPR\n\nUsing neural networks to build an automatic number plate recognition system.\nSee [this blog post](http:\u002F\u002Fmatthewearl.github.io\u002F2016\u002F05\u002F06\u002Fcnn-anpr\u002F) for an\nexplanation.\n\n**Note: This is an experimental project and is incomplete in a number of ways,\nif you're looking for a practical number plate recognition system this project\nis not for you.** If however you've read the above blog post and wish to tinker\nwith the code, read on.  If you're really keen you can tackle some of the\nenhancements on the Issues page to help make this project more practical.\nPlease comment on the relevant issue if you plan on making an enhancement and\nwe can talk through the potential solution.\n\nUsage is as follows:\n\n1. `.\u002Fextractbgs.py SUN397.tar.gz`: Extract ~3GB of background images from the [SUN database](http:\u002F\u002Fgroups.csail.mit.edu\u002Fvision\u002FSUN\u002F)\n   into `bgs\u002F`. (`bgs\u002F` must not already exist.) The tar file (36GB) can be [downloaded here](http:\u002F\u002Fvision.princeton.edu\u002Fprojects\u002F2010\u002FSUN\u002FSUN397.tar.gz).\n   This step may take a while as it will extract 108,634 images.\n\n2. `.\u002Fgen.py 1000`: Generate 1000 test set images in `test\u002F`. (`test\u002F` must not\n    already exist.) This step requires `UKNumberPlate.ttf` to be in the\n    `fonts\u002F` directory, which can be\n    [downloaded here](http:\u002F\u002Fwww.dafont.com\u002Fuk-number-plate.font).\n\n3. `.\u002Ftrain.py`: Train the model. A GPU is recommended for this step. It will\n   take around 100,000 batches to converge. When you're satisfied that the\n   network has learned enough press `Ctrl+C` and the process will write the\n   weights to `weights.npz` and return.\n\n4. `.\u002Fdetect.py in.jpg weights.npz out.jpg`: Detect number plates in an image.\n\nThe project has the following dependencies:\n\n* [TensorFlow](https:\u002F\u002Ftensorflow.org)\n* OpenCV\n* NumPy\n\nDifferent typefaces can be put in `fonts\u002F` in order to match different type\nfaces.  With a large enough variety the network will learn to generalize and\nwill match as yet unseen typefaces. See\n[#1](https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F1) for more information.\n\n","# 深度车牌识别\n\n使用神经网络构建自动车牌识别系统。\n有关说明，请参阅[这篇博客文章](http:\u002F\u002Fmatthewearl.github.io\u002F2016\u002F05\u002F06\u002Fcnn-anpr\u002F)。\n\n**注意：这是一个实验性项目，在许多方面尚不完善。如果您正在寻找一个实用的车牌识别系统，那么本项目并不适合您。** 然而，如果您已经阅读了上述博客文章，并希望尝试修改代码，请继续阅读。如果您非常感兴趣，可以参与 Issues 页面上的一些功能改进，帮助使该项目更加实用。如果您计划进行某项改进，请在相关 Issue 下留言，我们可以一起讨论可能的解决方案。\n\n使用方法如下：\n\n1. `.\u002Fextractbgs.py SUN397.tar.gz`：从 [SUN 数据库](http:\u002F\u002Fgroups.csail.mit.edu\u002Fvision\u002FSUN\u002F) 中提取约 3GB 的背景图像到 `bgs\u002F` 目录中。（`bgs\u002F` 目录必须不存在。）该 tar 文件（大小为 36GB）可[在此下载](http:\u002F\u002Fvision.princeton.edu\u002Fprojects\u002F2010\u002FSUN\u002FSUN397.tar.gz)。此步骤可能需要较长时间，因为它会解压 108,634 张图像。\n\n2. `.\u002Fgen.py 1000`：在 `test\u002F` 目录中生成 1000 张测试集图像。（`test\u002F` 目录必须不存在。）此步骤要求 `UKNumberPlate.ttf` 字体文件位于 `fonts\u002F` 目录中，该字体文件可[在此下载](http:\u002F\u002Fwww.dafont.com\u002Fuk-number-plate.font)。\n\n3. `.\u002Ftrain.py`：训练模型。建议使用 GPU 来完成此步骤。模型大约需要 10 万个批次才能收敛。当您认为网络已学习得足够充分时，按下 `Ctrl+C`，程序将把权重保存到 `weights.npz` 文件中并退出。\n\n4. `.\u002Fdetect.py in.jpg weights.npz out.jpg`：在一张图像中检测车牌。\n\n该项目有以下依赖项：\n\n* [TensorFlow](https:\u002F\u002Ftensorflow.org)\n* OpenCV\n* NumPy\n\n您可以将不同字体放入 `fonts\u002F` 目录中，以匹配不同的字体样式。只要字体种类足够丰富，网络就能学会泛化，并能识别尚未见过的字体样式。更多信息请参见 [#1](https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F1)。","# Deep ANPR 快速上手指南\n\nDeep ANPR 是一个基于神经网络的自动车牌识别（ANPR）实验性项目。本项目主要用于学习和研究卷积神经网络在车牌识别中的应用，**尚未达到生产环境的实用标准**。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Linux \u002F macOS (Windows 需通过 WSL 或类似环境运行)\n- **硬件建议**：训练步骤强烈推荐使用 **GPU** 以加速收敛；CPU 亦可运行但耗时极长。\n- **存储空间**：需预留至少 40GB 空间用于存放背景图像数据集。\n\n### 前置依赖\n请确保已安装以下 Python 库：\n- [TensorFlow](https:\u002F\u002Ftensorflow.org)\n- OpenCV (`opencv-python`)\n- NumPy\n\n安装命令示例：\n```bash\npip install tensorflow opencv-python numpy\n```\n\n## 安装与数据准备\n\n本项目无需传统“安装”，但需要手动准备数据集和字体文件。请按顺序执行以下步骤：\n\n### 1. 准备背景图像数据集\n从 SUN 数据库下载背景图像压缩包（约 36GB），并提取约 3GB 的有效图片到 `bgs\u002F` 目录。\n\n*   **数据源**：[SUN397.tar.gz](http:\u002F\u002Fvision.princeton.edu\u002Fprojects\u002F2010\u002FSUN\u002FSUN397.tar.gz)\n    *   *注：国内用户若下载缓慢，可尝试寻找国内镜像站点的 SUN 数据集资源。*\n*   **操作前提**：确保当前目录下不存在 `bgs\u002F` 文件夹。\n*   **执行命令**：\n    ```bash\n    .\u002Fextractbgs.py SUN397.tar.gz\n    ```\n    *(此步骤将解压 108,634 张图片，耗时较长)*\n\n### 2. 准备字体文件\n生成测试数据需要特定的车牌字体。\n\n*   **字体源**：[UKNumberPlate.ttf](http:\u002F\u002Fwww.dafont.com\u002Fuk-number-plate.font)\n*   **操作**：下载该字体文件，将其重命名为 `UKNumberPlate.ttf` 并放入项目的 `fonts\u002F` 目录中。\n*   **生成测试集**：\n    确保当前目录下不存在 `test\u002F` 文件夹，然后运行：\n    ```bash\n    .\u002Fgen.py 1000\n    ```\n    *(此命令将在 `test\u002F` 目录下生成 1000 张测试用图像)*\n\n## 基本使用\n\n### 1. 训练模型\n开始训练神经网络。建议使用 GPU，模型通常需要约 100,000 个批次（batches）才能收敛。\n\n```bash\n.\u002Ftrain.py\n```\n\n*   **停止训练**：当观察到损失函数不再明显下降或达到预期效果时，按 `Ctrl+C` 终止进程。\n*   **结果输出**：程序会自动将训练好的权重保存为 `weights.npz` 文件。\n\n### 2. 车牌检测\n使用训练好的权重对图片进行车牌检测。\n\n**命令格式：**\n```bash\n.\u002Fdetect.py \u003C输入图片> \u003C权重文件> \u003C输出图片>\n```\n\n**使用示例：**\n```bash\n.\u002Fdetect.py in.jpg weights.npz out.jpg\n```\n执行后，识别结果将保存在 `out.jpg` 中。\n\n---\n*提示：如需适配不同国家的车牌样式，可将对应的字体文件放入 `fonts\u002F` 目录，网络将在训练中学习泛化能力以匹配新字体。*","某智慧停车初创团队正在开发一套基于监控摄像头的自动计费系统，需要快速验证车牌识别算法的可行性。\n\n### 没有 deep-anpr 时\n- 团队需从零构建卷积神经网络架构，耗费数周时间调试图层结构与损失函数，研发周期漫长。\n- 缺乏高质量的合成训练数据生成工具，人工采集和标注真实车牌图像成本高昂且样本多样性不足。\n- 难以灵活适配不同地区的车牌字体风格，每次更换字体都需要重新设计特征提取逻辑，泛化能力差。\n- 在 GPU 资源有限的情况下，缺乏成熟的训练脚本参考，模型收敛速度慢且容易陷入局部最优。\n\n### 使用 deep-anpr 后\n- 直接复用基于 TensorFlow 的成熟 CNN 架构代码，将核心算法验证时间从数周缩短至几天。\n- 利用内置的 `gen.py` 脚本结合 SUN 背景库，一键生成成千上万张带有随机背景和多字体的合成训练图，大幅降低数据成本。\n- 只需将新的车牌字体文件放入 `fonts\u002F` 目录并重新训练，网络即可自动学习并泛化到未见过的字体样式，适应性强。\n- 依托优化的 `train.py` 流程，团队能在标准 GPU 环境下高效完成约 10 万批次的训练，快速获得可用的权重文件。\n\ndeep-anpr 通过提供完整的数据生成与训练闭环，让开发者能以极低的试错成本快速搭建并迭代车牌识别原型系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmatthewearl_deep-anpr_ec63a8f5.png","matthewearl","Matthew Earl","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmatthewearl_79c77dd7.png",null,"github@matthewearl.com","http:\u002F\u002Fmatthewearl.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fmatthewearl",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1858,689,"2026-03-27T02:54:04","MIT",4,"未说明","训练阶段推荐使用 GPU（具体型号、显存大小及 CUDA 版本未说明）","未说明（需处理约 3GB 背景图像数据集，建议具备充足内存）",{"notes":96,"python":92,"dependencies":97},"这是一个实验性项目，尚未完善，不适用于生产环境。运行前需手动下载 SUN397 背景数据集（约 36GB 压缩包，解压后约 3GB）和特定的英国车牌字体文件（UKNumberPlate.ttf）。训练过程大约需要 100,000 个批次才能收敛。可通过更换字体文件来增强模型对不同字体的泛化能力。",[98,99,100],"TensorFlow","OpenCV","NumPy",[14],"2026-03-27T02:49:30.150509","2026-04-06T05:32:16.655667",[105,110,115,120,125,130,134],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},12278,"运行训练脚本时出现 'ValueError: Only call `softmax_cross_entropy_with_logits` with named arguments' 错误怎么办？","这是由于 TensorFlow 版本更新导致的参数传递方式变化。需要修改代码，将函数调用改为使用命名参数。例如，将原来的调用方式改为明确指定 `labels=...` 和 `logits=...`。此外，如果使用的是较新版本的 TensorFlow，可能还需要将 `tf.initialize_all_variables()` 替换为 `tf.global_variables_initializer()`。","https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F60",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},12279,"在没有 GPU 的情况下训练模型非常慢，这是正常的吗？如何终止训练？","是的，这是正常现象。神经网络的设计导致在没有 GPU 加速的情况下训练速度非常慢，这并非程序错误。如果需要终止训练，可以在命令行中按 `Ctrl+C`。维护者已更新文档说明了预期的运行时间和终止方法。","https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F3",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},12280,"模型在生成的测试图片上表现良好，但在真实车牌图片上无法识别，可能的原因是什么？","这通常是因为生成的训练数据与真实数据分布不一致导致的过拟合或域差异。常见原因包括：1. 颜色反转问题：生成图片中的字符是黑色的，而真实车牌字符是白色的，尝试对真实图片进行颜色反转处理可能解决问题；2. 字体差异：生成图片使用的字体与真实车牌字体不符，建议使用更多样化的字体生成训练数据以增强模型的泛化能力。","https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F39",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},12281,"运行 train.py 时遇到 'AttributeError: Can't pickle local object' 或 'EOFError: Ran out of input' 错误如何解决？","这个问题通常与多进程生成数据时的序列化有关。解决方法是修改 `gen.py` 文件，找到 `@mpgen` 装饰器，将其注释掉或改为 `#@mpgen`，从而禁用多进程生成模式，改用单进程模式运行。","https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F82",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},12282,"加载预训练权重时报错，提示找不到文件或解压错误，是什么原因？","这通常是因为解压方式不正确导致的。请确保直接使用了 `.zip` 压缩包中的 `weights.npz` 文件，而不是先解压了整个文件夹再试图读取。错误的目录结构会导致程序无法定位到权重文件。请检查您的目录结构，确保 `weights.npz` 位于代码期望的路径下。","https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F12",{"id":131,"question_zh":132,"answer_zh":133,"source_url":109},12283,"在 Synology NAS 等内存受限的设备上运行训练时进程被 'Killed' 怎么办？","进程被 'Killed' 通常是因为系统内存不足（Out of Memory），操作系统强制杀死了 Python 进程。可以通过运行 `dmesg | grep -E -i -B100 'killed'` 确认是否因内存不足被杀。解决方案包括：增加系统交换空间（Swap）、减少批量大小（batch size）、或者在拥有更强硬件（如独立 GPU 或更大内存）的服务器上进行训练。",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},12284,"遇到 'CUDA_ERROR_OUT_OF_MEMORY' 显存不足错误该如何处理？","该错误表明 GPU 显存不足以分配所需的张量。这可能与 TensorFlow 版本兼容性或显存碎片化有关。尝试以下方法：1. 升级或降级 TensorFlow 版本（有用户反馈 TF 1.9.0 正常而 1.5.0 报错，也有用户在更高版本遇到问题）；2. 减小训练的批量大小（batch size）；3. 关闭其他占用显存的程序；4. 设置 `TF_FORCE_GPU_ALLOW_GROWTH=true` 环境变量让 TensorFlow 按需分配显存。","https:\u002F\u002Fgithub.com\u002Fmatthewearl\u002Fdeep-anpr\u002Fissues\u002F85",[]]