[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-microsoft--onnxruntime-inference-examples":3,"tool-microsoft--onnxruntime-inference-examples":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",138956,2,"2026-04-05T11:33:21",[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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":126,"forks":127,"last_commit_at":128,"license":129,"difficulty_score":23,"env_os":130,"env_gpu":131,"env_ram":131,"env_deps":132,"category_tags":135,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":136,"updated_at":137,"faqs":138,"releases":164},886,"microsoft\u002Fonnxruntime-inference-examples","onnxruntime-inference-examples","Examples for using ONNX Runtime for machine learning inferencing.","onnxruntime-inference-examples 是一个由微软维护的开源示例库，专门展示如何使用 ONNX Runtime 进行机器学习模型推理。ONNX Runtime 是一个高性能推理引擎，而本仓库则提供了丰富的实际代码示例，帮助开发者快速上手并集成推理功能到各种应用中。\n\n这个工具主要解决了开发者在实际部署机器学习模型时遇到的常见问题：如何在不同平台和编程语言中高效、正确地调用 ONNX 模型进行推理。它通过提供即用型代码，降低了使用 ONNX Runtime 的学习门槛和集成难度。\n\n它非常适合机器学习工程师、AI 应用开发者和嵌入式开发者使用。无论是需要在服务器端用 C++ 部署高性能模型，还是在移动端（iOS\u002FAndroid）集成 AI 功能，亦或是希望在 Web 浏览器中使用 JavaScript 进行推理，甚至是想尝试模型量化以优化性能和速度，都可以在这里找到对应的参考实现。\n\n其技术亮点在于覆盖了广泛的应用场景和技术栈：从基础的 C\u002FC++ API 使用，到移动端和 JavaScript 的跨平台示例，再到针对 CPU 和 TensorRT 的模型量化实践","onnxruntime-inference-examples 是一个由微软维护的开源示例库，专门展示如何使用 ONNX Runtime 进行机器学习模型推理。ONNX Runtime 是一个高性能推理引擎，而本仓库则提供了丰富的实际代码示例，帮助开发者快速上手并集成推理功能到各种应用中。\n\n这个工具主要解决了开发者在实际部署机器学习模型时遇到的常见问题：如何在不同平台和编程语言中高效、正确地调用 ONNX 模型进行推理。它通过提供即用型代码，降低了使用 ONNX Runtime 的学习门槛和集成难度。\n\n它非常适合机器学习工程师、AI 应用开发者和嵌入式开发者使用。无论是需要在服务器端用 C++ 部署高性能模型，还是在移动端（iOS\u002FAndroid）集成 AI 功能，亦或是希望在 Web 浏览器中使用 JavaScript 进行推理，甚至是想尝试模型量化以优化性能和速度，都可以在这里找到对应的参考实现。\n\n其技术亮点在于覆盖了广泛的应用场景和技术栈：从基础的 C\u002FC++ API 使用，到移动端和 JavaScript 的跨平台示例，再到针对 CPU 和 TensorRT 的模型量化实践。这些示例都配有持续集成状态指示，确保了代码的可用性和可靠性。通过这个仓库，开发者能更专注于自身业务逻辑，而无需从零开始摸索推理引擎的调用细节。","# ONNX Runtime Inference Examples\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_onnxruntime-inference-examples_readme_b20ccfa0a6a0.png\" \u002F>\u003Cbr \u002F>\u003Cbr \u002F>\n\u003C\u002Fdiv>\n\nThis repo has examples that demonstrate the use of [ONNX Runtime](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime) (ORT) for inference.\n\n## Examples\n\nOutline the examples in the repository.\n\n| Example | Description | Pipeline Status |\n|-|-|-|\n| [C\u002FC++ examples](c_cxx) |  Examples for ONNX Runtime C\u002FC++ APIs | [![Linux-CPU](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Flinux-ci.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Flinux-ci.yml) [![Windows-CPU](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Fwin-ci.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Fwin-ci.yml) |\n| [Mobile examples](mobile) | Examples that demonstrate how to use ONNX Runtime in mobile applications. | [![Build Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_onnxruntime-inference-examples_readme_ef196a5a87ad.png)](https:\u002F\u002Faiinfra.visualstudio.com\u002FPublicPackages\u002F_build\u002Flatest?definitionId=1055&branchName=main) |\n| [JavaScript API examples](js) | Examples that demonstrate how to use JavaScript API for ONNX Runtime. | |\n| [Quantization examples](quantization) | Examples that demonstrate how to use quantization for CPU EP and TensorRT EP | |\n\n## Contributing\n\nThis project welcomes contributions and suggestions.  Most contributions require you to agree to a\nContributor License Agreement (CLA) declaring that you have the right to, and actually do, grant us\nthe rights to use your contribution. For details, visit https:\u002F\u002Fcla.opensource.microsoft.com.\n\nWhen you submit a pull request, a CLA bot will automatically determine whether you need to provide\na CLA and decorate the PR appropriately (e.g., status check, comment). Simply follow the instructions\nprovided by the bot. You will only need to do this once across all repos using our CLA.\n\nThis project has adopted the [Microsoft Open Source Code of Conduct](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F).\nFor more information see the [Code of Conduct FAQ](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) or\ncontact [opencode@microsoft.com](mailto:opencode@microsoft.com) with any additional questions or comments.\n\n## Trademarks\n\nThis project may contain trademarks or logos for projects, products, or services. Authorized use of Microsoft\ntrademarks or logos is subject to and must follow\n[Microsoft's Trademark & Brand Guidelines](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral).\nUse of Microsoft trademarks or logos in modified versions of this project must not cause confusion or imply Microsoft sponsorship.\nAny use of third-party trademarks or logos are subject to those third-party's policies.\n","# ONNX Runtime 推理示例\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_onnxruntime-inference-examples_readme_b20ccfa0a6a0.png\" \u002F>\u003Cbr \u002F>\u003Cbr \u002F>\n\u003C\u002Fdiv>\n\n此仓库包含演示如何使用 [ONNX Runtime](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime) (ORT) 进行推理的示例。\n\n## 示例\n\n概述仓库中的示例。\n\n| 示例 | 描述 | 流水线状态 |\n|-|-|-|\n| [C\u002FC++ 示例](c_cxx) |  ONNX Runtime C\u002FC++ API 示例 | [![Linux-CPU](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Flinux-ci.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Flinux-ci.yml) [![Windows-CPU](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Fwin-ci.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Factions\u002Fworkflows\u002Fwin-ci.yml) |\n| [移动端示例](mobile) | 演示如何在移动应用程序中使用 ONNX Runtime 的示例。 | [![Build Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_onnxruntime-inference-examples_readme_ef196a5a87ad.png)](https:\u002F\u002Faiinfra.visualstudio.com\u002FPublicPackages\u002F_build\u002Flatest?definitionId=1055&branchName=main) |\n| [JavaScript API 示例](js) | 演示如何使用 ONNX Runtime 的 JavaScript API 的示例。 | |\n| [量化示例](quantization) | 演示如何为 CPU EP 和 TensorRT EP 使用量化的示例 | |\n\n## 贡献\n\n本项目欢迎贡献和建议。大多数贡献要求您同意贡献者许可协议（CLA），声明您有权并且确实授予我们使用您的贡献的权利。有关详细信息，请访问 https:\u002F\u002Fcla.opensource.microsoft.com。\n\n当您提交拉取请求时，CLA 机器人将自动确定您是否需要提供 CLA 并相应地装饰 PR（例如，状态检查、评论）。只需按照机器人提供的说明操作即可。您只需在所有使用我们 CLA 的仓库中执行此操作一次。\n\n本项目采用了 [Microsoft 开源行为准则](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F)。\n有关更多信息，请参阅 [行为准则常见问题解答](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002Ffaq\u002F) 或联系 [opencode@microsoft.com](mailto:opencode@microsoft.com) 提出任何其他问题或意见。\n\n## 商标\n\n本项目可能包含项目、产品或服务的商标或徽标。经授权使用 Microsoft 商标或徽标必须遵守 [Microsoft 商标和品牌指南](https:\u002F\u002Fwww.microsoft.com\u002Fen-us\u002Flegal\u002Fintellectualproperty\u002Ftrademarks\u002Fusage\u002Fgeneral)。\n在本项目的修改版本中使用 Microsoft 商标或徽标不得引起混淆或暗示 Microsoft 的赞助。任何第三方商标或徽标的使用均受该第三方的政策约束。","# ONNX Runtime Inference Examples 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：支持 Linux、Windows 和 macOS。\n- **Python**：建议使用 Python 3.7 或更高版本。\n- **C\u002FC++ 开发环境**（如需运行 C\u002FC++ 示例）：\n  - **Linux**：需安装 gcc\u002Fg++ 和 CMake。\n  - **Windows**：需安装 Visual Studio 2019 或更高版本。\n\n### 前置依赖\n1. **Git**：用于克隆代码仓库。\n2. **ONNX Runtime**：核心推理引擎。可通过 pip 安装或从源码构建。\n\n## 安装步骤\n\n### 1. 克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples.git\ncd onnxruntime-inference-examples\n```\n\n### 2. 安装 ONNX Runtime\n**推荐使用国内镜像源加速安装**：\n```bash\npip install onnxruntime -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n如需 GPU 支持，请安装 `onnxruntime-gpu`：\n```bash\npip install onnxruntime-gpu -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 安装其他 Python 依赖\n根据具体示例需求，可能需要安装额外的包（如 `numpy`、`pillow` 等）：\n```bash\npip install numpy pillow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n以下是一个使用 Python API 进行图像分类推理的简单示例：\n\n1. **准备模型和输入**：\n   - 下载一个 ONNX 格式的模型（例如 [ResNet-50](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels\u002Fraw\u002Fmain\u002Fvision\u002Fclassification\u002Fresnet\u002Fmodel\u002Fresnet50-v2-7.onnx)）并保存为 `resnet50.onnx`。\n   - 准备一张测试图像 `test.jpg`。\n\n2. **运行推理脚本**：\n   创建一个名为 `simple_inference.py` 的文件，内容如下：\n\n   ```python\n   import numpy as np\n   import onnxruntime as ort\n   from PIL import Image\n\n   # 加载模型\n   session = ort.InferenceSession(\"resnet50.onnx\")\n\n   # 预处理图像\n   image = Image.open(\"test.jpg\").resize((224, 224))\n   image_data = np.array(image).transpose(2, 0, 1).astype(np.float32)\n   image_data = np.expand_dims(image_data, axis=0)\n\n   # 运行推理\n   input_name = session.get_inputs()[0].name\n   output_name = session.get_outputs()[0].name\n   outputs = session.run([output_name], {input_name: image_data})\n\n   # 输出结果\n   print(\"推理完成！输出形状：\", outputs[0].shape)\n   ```\n\n3. **执行脚本**：\n   ```bash\n   python simple_inference.py\n   ```\n\n### 其他示例\n- **C\u002FC++ 示例**：进入 `c_cxx` 目录，参考其中的 README 编译并运行。\n- **移动端示例**：进入 `mobile` 目录，查看 Android\u002FiOS 项目配置。\n- **JavaScript 示例**：进入 `js` 目录，通过 Node.js 或浏览器运行。\n\n更多详细示例请查看各子目录中的具体文档。","**场景背景**：李明是一名移动应用开发工程师，正在为公司开发一款智能家居App，需要集成一个轻量化的AI模型来实现本地图像分类功能，以识别家具并自动匹配场景模式。\n\n### 没有 onnxruntime-inference-examples 时\n- **入门困难**：ONNX Runtime 官方文档虽然全面，但侧重于API参考，李明需要花费大量时间搜索和拼凑零散的代码片段，才能理解如何将模型加载、预处理和推理流程整合到Android应用中。\n- **平台适配复杂**：针对Android和iOS平台，需要分别处理不同的构建系统和原生依赖集成，过程中常遇到库链接失败或API调用方式不明确的问题，调试耗时。\n- **性能优化无头绪**：希望利用GPU进行加速，但不清楚如何正确配置会话选项（Session Options）和选择执行提供程序（Execution Provider），只能使用默认的CPU模式，导致应用响应缓慢，用户体验不佳。\n\n### 使用 onnxruntime-inference-examples 后\n- **快速上手**：直接参考仓库中 `mobile\u002Fandroid` 目录下的完整示例项目，里面清晰地展示了如何添加Gradle依赖、初始化ONNX Runtime环境以及运行模型，李明在半小时内就成功将预训练模型集成到了原型应用中。\n- **跨平台部署清晰**：示例分别提供了Android（Java\u002FKotlin）和iOS（Swift）的实战代码，对比学习后，李明迅速掌握了两个平台的核心集成步骤，并成功解决了iOS端CoreML EP（执行提供程序）的配置问题。\n- **即取即用的优化方案**：在 `mobile` 示例中找到了专门演示如何使用NNAPI、CoreML等EP进行硬件加速的代码块，通过简单地修改几行配置，便成功启用了GPU推理，使图像分类速度提升了3倍，且功耗显著降低。\n\nonnxruntime-inference-examples 通过提供可直接运行和修改的端到端代码，将开发者从繁琐的集成摸索中解放出来，大幅缩短了AI功能从模型到产品应用的落地路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmicrosoft_onnxruntime-inference-examples_39dac32f.png","microsoft","Microsoft","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmicrosoft_4900709c.png","Open source projects and samples from Microsoft",null,"opensource@microsoft.com","OpenAtMicrosoft","https:\u002F\u002Fopensource.microsoft.com","https:\u002F\u002Fgithub.com\u002Fmicrosoft",[86,90,94,98,102,106,110,114,118,122],{"name":87,"color":88,"percentage":89},"C++","#f34b7d",63.7,{"name":91,"color":92,"percentage":93},"Python","#3572A5",12.1,{"name":95,"color":96,"percentage":97},"Jupyter Notebook","#DA5B0B",8.1,{"name":99,"color":100,"percentage":101},"C#","#178600",4.8,{"name":103,"color":104,"percentage":105},"Kotlin","#A97BFF",3.1,{"name":107,"color":108,"percentage":109},"Swift","#F05138",2.2,{"name":111,"color":112,"percentage":113},"JavaScript","#f1e05a",1.8,{"name":115,"color":116,"percentage":117},"CMake","#DA3434",1.1,{"name":119,"color":120,"percentage":121},"C","#555555",0.7,{"name":123,"color":124,"percentage":125},"Java","#b07219",0.5,1635,406,"2026-04-04T09:24:45","MIT","Linux, Windows","未说明",{"notes":133,"python":131,"dependencies":134},"该项目为示例代码库，具体运行环境需求取决于所选示例（C\u002FC++、移动端、JavaScript、量化等），需参考各子目录的独立文档。建议根据目标平台和示例类型查阅对应的官方文档或构建说明。",[],[13],"2026-03-27T02:49:30.150509","2026-04-06T05:17:10.500500",[139,144,149,154,159],{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},3834,"在 C++ 中使用 ONNX Runtime 进行推理时，为什么输出结果为空或错误？","问题通常出在输入张量的维度设置上。在代码中，如果维度被设置为 -1（表示未知），需要将其更改为实际的正整数值（例如 1）。-1 代表未知维度，0 代表空维度。确保 `dims` 数组的值与输入向量 `f` 的大小匹配。例如，如果 dims 是 [1, 10]，那么 `f.size()` 应至少为 10。请检查并打印输入和输出的形状以进行验证。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Fissues\u002F78",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},3835,"在 Android 上运行 Whisper 示例时，遇到错误“Validate number of inputs expected to be kFirstPastInputIndex + 4 * layers, got:18”怎么办？","此错误通常是由于依赖库版本不匹配或项目未更新到最新代码所致。请按以下步骤排查：\n1. 确保已拉取最新的 `onnxruntime-inference-examples` 代码库。\n2. 检查 Android 项目的依赖项：\n   - 在 IDE 中查看 Project -> External Libraries。\n   - 或者在 Android 项目目录下运行命令：`gradlew androidDependencies`。\n3. 确保使用的 ONNX Runtime 版本与示例代码兼容。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Fissues\u002F302",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},3836,"如何为 QNN 执行提供程序生成上下文二进制文件？","要生成 QNN 上下文二进制文件，需要在会话配置中启用并指定相关选项。关键配置代码如下：\n```cpp\ng_ort->AddSessionConfigEntry(session_options, kOrtSessionOptionEpContextEnable, \"1\");\ng_ort->AddSessionConfigEntry(session_options, kOrtSessionOptionEpContextEmbedMode, \"0\");\ng_ort->AddSessionConfigEntry(session_options, kOrtSessionOptionEpContextFilePath, \"\u002Fqnn_ctx.onnx\");\n```\n确保 `backend_path` 指向正确的 QNN 后端库（如 `libQnnCpu.so` 或 `libQnnHtp.so`）。ONNX Runtime 的 QNN EP 支持 QNN SDK 所支持的功能。如果使用 DSP 后端，可以尝试将 `backend_path` 设置为 `libQnnDsp.so`。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Fissues\u002F369",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},3837,"在 Android 示例中运行 Phi-3 模型时，出现“This is an invalid model”错误怎么办？","此错误通常是由于模型文件损坏或下载不完整导致的。解决方案是：\n1. 确保从正确的来源下载了完整的模型文件。\n2. 检查示例代码仓库中是否有相关的修复提交（例如，该问题已通过 PR #435 修复）。\n3. 重新下载模型文件，并验证其完整性。\n如果问题持续，请检查模型文件路径是否正确，并确保应用有读取该文件的权限。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Fissues\u002F434",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},3838,"使用 QNN 原生工具链生成的上下文二进制文件运行 MobileNetV2 分类示例时，结果不正确怎么办？","如果使用“选项2：使用 QNN 原生工具链生成的上下文二进制文件”时结果不正确，请检查以下事项：\n1. **确保使用最新的代码**：尝试使用 `onnxruntime` 和 `onnxruntime-inference-examples` 仓库的最新 `main` 分支代码。\n2. **检查运行命令**：运行命令中需要指定 `--qnn` 参数，并且输入数据格式需与模型匹配。例如：\n   ```bash\n   qnn_ep_sample.exe --qnn mobilenetv2-12_net_qnn_ctx.onnx kitten_input_nhwc.raw\n   ```\n3. **验证输入布局**：确保输入数据的布局（如 NHWC）与模型期望的布局一致。\n4. **检查 QNN SDK 和 ONNX Runtime 版本兼容性**：使用官方推荐的版本组合。","https:\u002F\u002Fgithub.com\u002Fmicrosoft\u002Fonnxruntime-inference-examples\u002Fissues\u002F357",[]]