[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-melodyguan--enas":3,"tool-melodyguan--enas":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",160784,2,"2026-04-19T11:32:54",[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。",109154,"2026-04-18T11:18:24",[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":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":78,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":96,"env_deps":98,"category_tags":102,"github_topics":79,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":106},9661,"melodyguan\u002Fenas","enas","TensorFlow Code for paper \"Efficient Neural Architecture Search via Parameter Sharing\"","enas 是谷歌研究团队基于 TensorFlow 开源的实现代码，复现了 2018 年发表的经典论文《通过参数共享实现高效神经架构搜索》。它主要致力于解决传统神经架构搜索（NAS）计算成本极高、训练耗时过长的问题。\n\n在传统方法中，评估每个候选网络结构都需要从头训练，资源消耗巨大。enas 引入了创新的“参数共享”机制，让所有候选子网络共享同一个超网中的权重。这种设计使得模型无需单独训练即可快速评估性能，将搜索效率提升了数个数量级，让在普通算力条件下探索最优神经网络结构成为可能。\n\n该工具内置了针对 CIFAR-10 图像分类和 Penn Tree Bank 语言建模任务的完整实验脚本，支持宏观（Macro）和微观（Micro）两种搜索空间配置，允许用户灵活定义卷积、池化等操作及跳跃连接方式。需要注意的是，仓库中原有的语言模型实现存在错误，官方已指引用户前往新的地址获取修正版本。\n\nenas 非常适合人工智能研究人员、算法工程师以及对自动化机器学习（AutoML）感兴趣的开发者使用。如果你希望深入理解神经架构搜索的核心原理，或需要在自定义数据集上高效搜索高性能模型结构，enas 提供","enas 是谷歌研究团队基于 TensorFlow 开源的实现代码，复现了 2018 年发表的经典论文《通过参数共享实现高效神经架构搜索》。它主要致力于解决传统神经架构搜索（NAS）计算成本极高、训练耗时过长的问题。\n\n在传统方法中，评估每个候选网络结构都需要从头训练，资源消耗巨大。enas 引入了创新的“参数共享”机制，让所有候选子网络共享同一个超网中的权重。这种设计使得模型无需单独训练即可快速评估性能，将搜索效率提升了数个数量级，让在普通算力条件下探索最优神经网络结构成为可能。\n\n该工具内置了针对 CIFAR-10 图像分类和 Penn Tree Bank 语言建模任务的完整实验脚本，支持宏观（Macro）和微观（Micro）两种搜索空间配置，允许用户灵活定义卷积、池化等操作及跳跃连接方式。需要注意的是，仓库中原有的语言模型实现存在错误，官方已指引用户前往新的地址获取修正版本。\n\nenas 非常适合人工智能研究人员、算法工程师以及对自动化机器学习（AutoML）感兴趣的开发者使用。如果你希望深入理解神经架构搜索的核心原理，或需要在自定义数据集上高效搜索高性能模型结构，enas 提供了一个经过验证的坚实起点。","# Efficient Neural Architecture Search via Parameter Sharing\n\nAuthors' implementation of \"Efficient Neural Architecture Search via Parameter Sharing\" (2018) in TensorFlow.\n\nIncludes code for CIFAR-10 image classification and Penn Tree Bank language modeling tasks.\n\nPaper: https:\u002F\u002Farxiv.org\u002Fabs\u002F1802.03268\n\nAuthors: Hieu Pham*, Melody Y. Guan*, Barret Zoph, Quoc V. Le, Jeff Dean\n\n_This is not an official Google product._\n\n## Penn Treebank\n\n**IMPORTANT ERRATA**: The implementation of Language Model on this repository is wrong. Please do not use it. The correct implementation is at the [new repository](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fenas_lm). We apologize for the inconvenience.\n\n## CIFAR-10\n\nTo run the experiments on CIFAR-10, please first download the [dataset](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html). Again, all hyper-parameters are specified in the scripts that we descibe below.\n\nTo run the ENAS experiments on the _macro search space_ as described in our paper, please use the following scripts:\n```\n.\u002Fscripts\u002Fcifar10_macro_search.sh\n.\u002Fscripts\u002Fcifar10_macro_final.sh\n```\n\nA macro architecture for a neural network with `N` layers consists of `N` parts, indexed by `1, 2, 3, ..., N`. Part `i` consists of:\n\n* A number in `[0, 1, 2, 3, 4, 5]` that specifies the operation at layer `i`-th, corresponding to `conv_3x3`, `separable_conv_3x3`, `conv_5x5`, `separable_conv_5x5`, `average_pooling`, `max_pooling`.\n* A sequence of `i - 1` numbers, each is either `0` or `1`, indicating whether a skip connection should be formed from a the corresponding past layer to the current layer.\n\nA concrete example can be found in our script `.\u002Fscripts\u002Fcifar10_macro_final.sh`.\n\nTo run the ENAS experiments on the _micro search space_ as described in our paper, please use the following scripts:\n```\n.\u002Fscripts\u002Fcifar10_micro_search.sh\n.\u002Fscripts\u002Fcifar10_micro_final.sh\n```\n\nA micro cell with `B + 2` blocks can be specified using `B` blocks, corresponding to blocks numbered `2, 3, ..., B+1`, each block consists of `4` numbers\n```\nindex_1, op_1, index_2, op_2\n```\nHere, `index_1` and `index_2` can be any previous index. `op_1` and `op_2` can be `[0, 1, 2, 3, 4]`, corresponding to `separable_conv_3x3`, `separable_conv_5x5`, `average_pooling`, `max_pooling`, `identity`.\n\nA micro architecture can be specified by two sequences of cells concatenated after each other, as shown in our script `.\u002Fscripts\u002Fcifar10_micro_final.sh`\n\n## Citations\n\nIf you happen to use our work, please consider citing our paper.\n```\n@inproceedings{enas,\n  title     = {Efficient Neural Architecture Search via Parameter Sharing},\n  author    = {Pham, Hieu and\n               Guan, Melody Y. and\n               Zoph, Barret and\n               Le, Quoc V. and\n               Dean, Jeff\n  },\n  booktitle = {ICML},\n  year      = {2018}\n}\n```\n","# 通过参数共享进行高效的神经架构搜索\n\n作者在 TensorFlow 中实现了 2018 年发表的“通过参数共享进行高效的神经架构搜索”一文。\n\n包含 CIFAR-10 图像分类和 Penn Tree Bank 语言建模任务的代码。\n\n论文链接：https:\u002F\u002Farxiv.org\u002Fabs\u002F1802.03268\n\n作者：Hieu Pham*、Melody Y. Guan*、Barret Zoph、Quoc V. Le、Jeff Dean\n\n_本项目并非 Google 官方产品。_\n\n## Penn Treebank\n\n**重要勘误**：本仓库中语言模型的实现存在错误，请勿使用。正确的实现位于[新仓库](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fenas_lm)。对于由此带来的不便，我们深表歉意。\n\n## CIFAR-10\n\n要运行 CIFAR-10 上的实验，请先下载[数据集](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)。再次强调，所有超参数均在下文所述的脚本中明确指定。\n\n要运行论文中描述的 _宏观搜索空间_ 上的 ENAS 实验，请使用以下脚本：\n```\n.\u002Fscripts\u002Fcifar10_macro_search.sh\n.\u002Fscripts\u002Fcifar10_macro_final.sh\n```\n\n一个具有 `N` 层的神经网络的宏观架构由 `N` 个部分组成，分别编号为 `1, 2, 3, ..., N`。第 `i` 部分包括：\n\n* 一个取值为 `[0, 1, 2, 3, 4, 5]` 的数字，用于指定第 `i` 层的操作，分别对应于 `conv_3x3`、`separable_conv_3x3`、`conv_5x5`、`separable_conv_5x5`、`average_pooling` 和 `max_pooling`。\n* 一个长度为 `i - 1` 的序列，每个元素为 `0` 或 `1`，表示是否应从对应的前一层到当前层建立跳跃连接。\n\n具体示例可在我们的脚本 `.\u002Fscripts\u002Fcifar10_macro_final.sh` 中找到。\n\n要运行论文中描述的 _微观搜索空间_ 上的 ENAS 实验，请使用以下脚本：\n```\n.\u002Fscripts\u002Fcifar10_micro_search.sh\n.\u002Fscripts\u002Fcifar10_micro_final.sh\n```\n\n一个具有 `B + 2` 个区块的微观单元可以通过 `B` 个区块来指定，这些区块编号为 `2, 3, ..., B+1`，每个区块由 `4` 个数字组成：\n```\nindex_1, op_1, index_2, op_2\n```\n其中，`index_1` 和 `index_2` 可以是任意之前的索引。`op_1` 和 `op_2` 的取值范围为 `[0, 1, 2, 3, 4]`，分别对应于 `separable_conv_3x3`、`separable_conv_5x5`、`average_pooling`、`max_pooling` 和 `identity`。\n\n微观架构可以通过两个细胞序列前后拼接来指定，具体示例如我们的脚本 `.\u002Fscripts\u002Fcifar10_micro_final.sh` 所示。\n\n## 引用\n\n如果您使用了我们的工作，请考虑引用我们的论文：\n```\n@inproceedings{enas,\n  title     = {Efficient Neural Architecture Search via Parameter Sharing},\n  author    = {Pham, Hieu and\n               Guan, Melody Y. and\n               Zoph, Barret and\n               Le, Quoc V. and\n               Dean, Jeff\n  },\n  booktitle = {ICML},\n  year      = {2018}\n}\n```","# ENAS 快速上手指南\n\n本指南基于 Google Research 开源的 **ENAS (Efficient Neural Architecture Search)** 项目，帮助开发者快速在 CIFAR-10 数据集上运行神经架构搜索实验。\n\n> **注意**：根据官方说明，本仓库中的语言模型（Penn Treebank）实现存在错误，请勿使用。正确的语言模型实现请移步 [google-research\u002Fenas_lm](https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research\u002Ftree\u002Fmaster\u002Fenas_lm)。本指南仅涵盖图像分类（CIFAR-10）部分。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux 或 macOS (Windows 需通过 WSL 运行)\n- **Python**: 建议 Python 3.6+\n- **GPU**: 推荐使用 NVIDIA GPU 以加速训练过程\n\n### 前置依赖\n本项目基于 **TensorFlow 1.x** 构建。请确保已安装以下依赖：\n- TensorFlow (1.12 - 1.15 版本兼容性较好)\n- NumPy\n- SciPy\n\n国内开发者可使用清华或阿里镜像源加速安装：\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow-gpu==1.15.0 numpy scipy\n```\n\n## 安装步骤\n\n1. **克隆仓库**\n   从 GitHub 克隆源代码到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fgoogle-research\u002Fgoogle-research.git\n   cd google-research\u002Fenas\n   ```\n   *(注：原 README 指向独立仓库，但勘误信息指向 google-research 主库，建议直接访问官方最新地址或确认具体 commit)*\n   \n   若使用原始独立仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmelodyguan\u002Fenas.git\n   cd enas\n   ```\n\n2. **下载数据集**\n   运行 CIFAR-10 实验前，需手动下载数据集。\n   访问 [CIFAR-10 官网](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html) 下载 `cifar-10-binary.tar.gz`。\n   \n   解压并将数据放置在脚本指定的目录下（通常为当前目录或 `data\u002F` 文件夹，具体请参考脚本内部路径配置）。\n\n## 基本使用\n\nENAS 支持两种搜索空间：**Macro Search Space**（宏观搜索）和 **Micro Search Space**（微观搜索）。以下是最简单的运行示例。\n\n### 1. 宏观搜索空间 (Macro Search Space)\n适用于搜索整体网络层级结构。\n\n- **启动搜索阶段**：\n  ```bash\n  .\u002Fscripts\u002Fcifar10_macro_search.sh\n  ```\n  该脚本将训练控制器以探索最佳架构。\n\n- **运行最终架构评估**：\n  搜索完成后，使用找到的最佳架构进行完整训练：\n  ```bash\n  .\u002Fscripts\u002Fcifar10_macro_final.sh\n  ```\n\n**架构说明**：\n宏观架构由 $N$ 层组成。每一层包含一个操作索引（0-5，分别对应 3x3 卷积、分离卷积、5x5 卷积等）以及一个长度为 $i-1$ 的二进制序列，用于决定是否从前序层引入跳跃连接（Skip Connection）。\n\n### 2. 微观搜索空间 (Micro Search Space)\n适用于搜索细胞（Cell）结构，类似 NASNet 的设计。\n\n- **启动搜索阶段**：\n  ```bash\n  .\u002Fscripts\u002Fcifar10_micro_search.sh\n  ```\n\n- **运行最终架构评估**：\n  ```bash\n  .\u002Fscripts\u002Fcifar10_micro_final.sh\n  ```\n\n**架构说明**：\n微观细胞由 $B+2$ 个块组成。每个块由 4 个数字定义 `(index_1, op_1, index_2, op_2)`，其中 `index` 指向之前的节点，`op` 代表操作类型（0-4，分别对应分离卷积、池化、恒等映射等）。最终架构由两个相同的细胞堆叠而成。\n\n> **提示**：所有超参数均已预设在上述 `.sh` 脚本中，初学者可直接运行无需修改。如需调整学习率或层数，请编辑对应的 shell 脚本文件。","某计算机视觉团队正致力于优化 CIFAR-10 图像分类模型，试图在有限的算力预算下找到超越人工设计的网络结构。\n\n### 没有 enas 时\n- **搜索成本极高**：传统神经架构搜索（NAS）需独立训练成千上万个候选模型，单次实验耗时数周甚至数月，严重拖慢研发进度。\n- **依赖专家经验**：网络层级的操作选择（如卷积核大小、池化方式）及跳跃连接设计完全依靠人工试错，难以突破固有思维局限。\n- **资源浪费严重**：每次评估新架构都需从头初始化参数，导致大量 GPU 算力消耗在重复的参数学习而非架构评估上。\n- **宏观与微观难兼顾**：难以同时高效探索整体网络层级安排（Macro）和细胞单元内部细节（Micro），往往顾此失彼。\n\n### 使用 enas 后\n- **效率大幅提升**：利用参数共享机制，所有候选架构共享同一套权重，将搜索时间从数周缩短至数小时，快速锁定最优解。\n- **自动发现创新结构**：enas 自动搜索出包含特定卷积操作（如 3x3 可分离卷积）和复杂跳跃连接的非直观高效架构，性能超越人工设计。\n- **算力利用最大化**：无需重复训练，仅在共享超网中采样子网进行评估，显著降低了对昂贵 GPU 集群的依赖。\n- **灵活适配不同空间**：通过切换脚本即可轻松在宏观搜索空间（调整层级操作）和微观搜索空间（优化细胞单元）之间自由探索。\n\nenas 通过参数共享技术将神经架构搜索从高不可攀的算力游戏转变为日常可用的自动化设计工具，极大降低了高性能模型的构建门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmelodyguan_enas_b17408fd.png","melodyguan","Melody Guan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmelodyguan_777b565b.jpg","Follow on Twitter @MelodyGuan","Stanford University","Stanford, CA",null,"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fmelodyguan","https:\u002F\u002Fgithub.com\u002Fmelodyguan",[83,87],{"name":84,"color":85,"percentage":86},"Python","#3572A5",95.9,{"name":88,"color":89,"percentage":90},"Shell","#89e051",4.1,1580,384,"2026-04-07T07:10:40","Apache-2.0",4,"未说明","未说明（基于 TensorFlow 的神经架构搜索通常建议配备 NVIDIA GPU 以加速训练，但文中未指定具体型号或显存要求）",{"notes":99,"python":96,"dependencies":100},"1. 重要警告：README 明确指出该仓库中的语言模型（Penn Treebank）实现有误，请勿使用，正确实现位于新的 google-research 仓库中。2. 仅支持 CIFAR-10 图像分类任务的宏搜索空间（macro search space）和微搜索空间（micro search space）实验。3. 运行前需手动下载 CIFAR-10 数据集。4. 所有超参数均在提供的 shell 脚本中指定。5. 该项目非 Google 官方产品。",[101],"tensorflow",[15,14],"2026-03-27T02:49:30.150509","2026-04-20T04:06:01.543426",[],[]]