[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ne7ermore--torch-light":3,"tool-ne7ermore--torch-light":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",142651,2,"2026-04-06T23:34:12",[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":32,"last_commit_at":50,"category_tags":51,"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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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":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":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":139},4823,"ne7ermore\u002Ftorch-light","torch-light","Deep-learning  by using Pytorch.  Basic nns like Logistic, CNN, RNN, LSTM and some examples are implemented by complex model. ","torch-light 是一个基于 PyTorch 框架构建的深度学习开源项目，旨在为开发者提供从基础理论到前沿应用的完整代码实现。它主要解决了深度学习初学者在搭建模型时面临的“从零开始编码难”以及研究人员在复现复杂算法时“寻找高质量参考代码难”的问题。\n\n该项目内容极其丰富，不仅涵盖了逻辑回归、CNN、RNN、LSTM 等基础神经网络的简洁实现，帮助新手快速理解核心原理；还收录了大量进阶案例，包括 AlphaGo-Zero 强化学习、BERT 自然语言处理、YOLO-v3 目标检测、神经风格迁移以及语音转换等高难度模型。其独特的技术亮点在于将复杂的学术模型转化为结构清晰、易于运行的代码示例，并持续更新以跟进最新技术趋势。\n\ntorch-light 非常适合具有一定 Python 基础并希望深入掌握 PyTorch 的开发者、人工智能领域的研究人员以及高校学生使用。对于想要系统学习深度学习实战技巧，或需要快速验证算法想法的用户来说，这是一个极具价值的代码库和学习资源。建议在使用前先浏览 PyTorch 官方教程，以便更好地结合本项目进行实践。","\u003Cp align=\"center\">\u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fne7ermore_torch-light_readme_28a00358044f.png\" \u002F>\u003C\u002Fp>\n\n--------------------------------------------------------------------------------\n\nThis repository includes basics and advanced examples for deep learning by using [Pytorch](http:\u002F\u002Fpytorch.org\u002F).\n\u003Cbr\u002F>\nBasics which are basic nns like Logistic, CNN, RNN, LSTM are implemented with few lines of code, advanced examples are implemented by complex model.\n\u003Cbr\u002F>\nIt is better finish [Official Pytorch Tutorial](http:\u002F\u002Fpytorch.org\u002Ftutorials\u002Findex.html) before this.\n\n##### Continue updating...\n\n## Tutorial\nGet tutorial series in [Blog](https:\u002F\u002Fne7ermore.github.io\u002F) if know Chinese\n\n## Tabel of Pytorch Examples\n\n#### 1. Basics\n\n* [Cbow](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcbow)\n* [N-Gram](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fngram)\n* [CNN Text classfication](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcnn-text-classfication)\n* [LSTM Text classfication](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Flstm-text-classfication)\n\n#### 2. Reinforcement Training\n* [AlphaGo-Zero](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Falpha-zero)\n* [Image-Cap](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FImage-Cap)\n* [Reinforced Translate](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Freinforced-translate)\n* [Toy](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fgym)\n\n#### 3. NLP\n* [Poetry VAE-NLG](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fvae-nlg)\n* [Seq2seq](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fseq2seq)\n* [BiLSTM CRF NER](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FbiLSTM-CRF)\n* [LSTM CNNs CRF](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FLSTM-CNNs-CRF)\n* [Chinese Poetry NLG](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fch-poetry-nlg)\n* [BiMPM](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FbiMPM)\n* [Pair Ranking Cnn](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fpair-ranking-cnn)\n* [BiLSTM CRF](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FbiLSTM-CRF-cut)\n* [Capsule Text classfication](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcapsule-classfication)\n* [Retrieval Based Chatbots](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fretrieval-based-chatbots)\n* [Hierarchical for Summarization and Classification](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fhierarchical-sc)\n* [Deep SRL](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fdeep-srl)\n* [BERT](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FBERT)\n* [Relation Network](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Frelation-network)\n* [Information Extraction](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Finformation-extraction)\n* [Pointer Network](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fpointer-network)\n* [coreference](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcoreference)\n\n#### 4. Vision\n* [yolo-v3](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fyolo-v3)\n* [DenseNet](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FDenseNet)\n* [Neural Style](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fneural-artistic-style)\n* [DC Gan](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fdc-gan)\n* [Facial Beauty Prediction](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Ffacial-beauty-prediction)\n\n#### 5. Special Things\n* [Customize](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FCustomize)\n\n#### 6. Speech\n* [Voice Conversion](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fvoice-conversion)\n\n## Getting Started\n\n### clone code\n```\n$ git clone git@github.com:ne7ermore\u002Ftorch-light.git\n```\n### train\n\n```\n$ cd torch-light\u002Fproject\n$ python3 main.py\n```\n\nor\n\n```\n$ cd torch-light\u002Fproject\n$ python3 corpus.py\n$ python3 main.py\n```\n\nor\n\n```\n$ cd torch-light\u002Fproject\n$ python3 corpus.py\n$ python3 train.py\n```\n\n## Citation\nIf you find this code useful for your research, please cite:\n```\n@misc{TaoTorchLight,\n  author = {Ne7ermore Tao},\n  title = {torch-light},\n  publisher = {GitHub},\n  year = {2020},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light}}\n}\n```\n\n## Contact\nFeel free to contact me if there is any question (Tao liaoyuanhuo1987@gmail.com).\nTao Ne7ermore\u002F [@ne7ermore](https:\u002F\u002Fgithub.com\u002Fne7ermore)\n\n## Dependencies\n* [Python 3.5](https:\u002F\u002Fwww.python.org)\n* [PyTorch 0.2.0](http:\u002F\u002Fpytorch.org\u002F)\n* [Numpy 1.13.1](http:\u002F\u002Fwww.numpy.org\u002F)\n","\u003Cp align=\"center\">\u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fne7ermore_torch-light_readme_28a00358044f.png\" \u002F>\u003C\u002Fp>\n\n--------------------------------------------------------------------------------\n\n本仓库包含使用 [PyTorch](http:\u002F\u002Fpytorch.org\u002F) 进行深度学习的基础与进阶示例。\n\u003Cbr\u002F>\n基础部分包括逻辑回归、卷积神经网络、循环神经网络、LSTM等简单神经网络，仅用几行代码即可实现；进阶部分则涉及更为复杂的模型。\n\u003Cbr\u002F>\n建议在开始之前先完成 [PyTorch 官方教程](http:\u002F\u002Fpytorch.org\u002Ftutorials\u002Findex.html)。\n\n##### 持续更新中...\n\n## 教程\n如果您懂中文，可以在 [博客](https:\u002F\u002Fne7ermore.github.io\u002F) 上获取系列教程。\n\n## PyTorch 示例目录\n\n#### 1. 基础\n* [Cbow](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcbow)\n* [N-Gram](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fngram)\n* [CNN 文本分类](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcnn-text-classfication)\n* [LSTM 文本分类](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Flstm-text-classfication)\n\n#### 2. 强化学习\n* [AlphaGo-Zero](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Falpha-zero)\n* [Image-Cap](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FImage-Cap)\n* [强化翻译](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Freinforced-translate)\n* [Toy](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fgym)\n\n#### 3. 自然语言处理\n* [诗歌 VAE-NLG](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fvae-nlg)\n* [Seq2seq](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fseq2seq)\n* [BiLSTM CRF NER](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FbiLSTM-CRF)\n* [LSTM CNNs CRF](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FLSTM-CNNs-CRF)\n* [中文诗歌 NLG](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fch-poetry-nlg)\n* [BiMPM](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FbiMPM)\n* [Pair Ranking Cnn](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fpair-ranking-cnn)\n* [BiLSTM CRF](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FbiLSTM-CRF-cut)\n* [胶囊文本分类](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcapsule-classfication)\n* [基于检索的聊天机器人](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fretrieval-based-chatbots)\n* [用于摘要和分类的层次模型](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fhierarchical-sc)\n* [深度 SRL](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fdeep-srl)\n* [BERT](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FBERT)\n* [关系网络](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Frelation-network)\n* [信息抽取](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Finformation-extraction)\n* [指针网络](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fpointer-network)\n* [共指消解](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fcoreference)\n\n#### 4. 计算机视觉\n* [yolo-v3](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fyolo-v3)\n* [DenseNet](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FDenseNet)\n* [神经风格迁移](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fneural-artistic-style)\n* [DC GAN](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fdc-gan)\n* [面部美观预测](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Ffacial-beauty-prediction)\n\n#### 5. 特殊内容\n* [自定义](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002FCustomize)\n\n#### 6. 语音处理\n* [语音转换](https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Ftree\u002Fmaster\u002Fvoice-conversion)\n\n## 快速入门\n\n### 克隆代码\n```\n$ git clone git@github.com:ne7ermore\u002Ftorch-light.git\n```\n### 训练\n\n```\n$ cd torch-light\u002Fproject\n$ python3 main.py\n```\n\n或者\n\n```\n$ cd torch-light\u002Fproject\n$ python3 corpus.py\n$ python3 main.py\n```\n\n或者\n\n```\n$ cd torch-light\u002Fproject\n$ python3 corpus.py\n$ python3 train.py\n```\n\n## 引用\n如果您发现此代码对您的研究有所帮助，请引用：\n```\n@misc{TaoTorchLight,\n  author = {Ne7ermore Tao},\n  title = {torch-light},\n  publisher = {GitHub},\n  year = {2020},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light}}\n}\n```\n\n## 联系方式\n如有任何问题，欢迎随时联系我（Tao liaoyuanhuo1987@gmail.com）。\nTao Ne7ermore \u002F [@ne7ermore](https:\u002F\u002Fgithub.com\u002Fne7ermore)\n\n## 依赖项\n* [Python 3.5](https:\u002F\u002Fwww.python.org)\n* [PyTorch 0.2.0](http:\u002F\u002Fpytorch.org\u002F)\n* [Numpy 1.13.1](http:\u002F\u002Fwww.numpy.org\u002F)","# torch-light 快速上手指南\n\n`torch-light` 是一个基于 PyTorch 的深度学习示例集合，涵盖了从基础神经网络（如 CNN、RNN、LSTM）到高级模型（如 AlphaGo-Zero、BERT、YOLO-v3）的实现代码。本项目适合希望快速上手 PyTorch 实战的中国开发者。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows\n*   **Python 版本**：Python 3.5+\n*   **核心依赖**：\n    *   PyTorch 0.2.0 (注意：项目基于较旧版本，若使用新版 PyTorch 可能需要调整代码)\n    *   Numpy 1.13.1+\n    *   Git\n\n> **提示**：建议先完成 [PyTorch 官方教程](http:\u002F\u002Fpytorch.org\u002Ftutorials\u002Findex.html) 的学习，以便更好地理解本项目的代码结构。国内用户可参考相关博客系列教程（见项目原文链接）。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n\n使用 Git 将仓库克隆到本地：\n\n```bash\ngit clone git@github.com:ne7ermore\u002Ftorch-light.git\n```\n\n*(注：如果访问 GitHub 较慢，可使用国内镜像源或配置 Git 代理)*\n\n### 2. 安装依赖\n\n进入项目目录并安装所需的 Python 库。由于项目依赖特定版本的 PyTorch，建议创建虚拟环境：\n\n```bash\ncd torch-light\npip3 install torch==0.2.0 numpy==1.13.1\n```\n\n*(若需使用国内加速源安装，可添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 参数)*\n\n## 基本使用\n\n本项目包含多个子项目（如 `cbow`, `cnn-text-classfication`, `yolo-v3` 等）。以下以通用的训练流程为例，展示如何运行一个示例项目。\n\n假设我们要运行某个具体的示例项目（请将 `project` 替换为实际的项目文件夹名称，例如 `cnn-text-classfication`）：\n\n### 方式一：直接运行主程序\n\n如果项目不需要预处理数据，可直接运行：\n\n```bash\ncd torch-light\u002Fproject\npython3 main.py\n```\n\n### 方式二：先处理数据再训练\n\n如果项目包含独立的数据预处理脚本，请按顺序执行：\n\n```bash\ncd torch-light\u002Fproject\npython3 corpus.py\npython3 main.py\n```\n\n或者使用专门的训练脚本：\n\n```bash\ncd torch-light\u002Fproject\npython3 corpus.py\npython3 train.py\n```\n\n### 探索更多示例\n\n您可以根据需求进入不同的子目录尝试各类模型：\n\n*   **基础模型**：`cbow`, `ngram`, `cnn-text-classfication`\n*   **强化学习**：`alpha-zero`, `gym`\n*   **自然语言处理 (NLP)**：`seq2seq`, `BERT`, `biLSTM-CRF`\n*   **计算机视觉**：`yolo-v3`, `DenseNet`, `dc-gan`\n\n只需进入对应文件夹，参照上述命令运行即可。","某初创公司的算法工程师团队正急需构建一个支持中文情感分析与诗歌生成的 NLP 原型系统，以验证新产品的技术可行性。\n\n### 没有 torch-light 时\n- **基础代码重复造轮子**：团队成员需从零手写 Logistic、CNN、LSTM 等基础网络结构，耗费大量时间在调试矩阵维度而非模型逻辑上。\n- **前沿模型复现门槛高**：面对 BERT、BiLSTM-CRF 或胶囊网络等复杂架构，缺乏标准参考实现，导致复现论文效果极不稳定且周期漫长。\n- **多任务切换成本大**：项目同时涉及文本分类、序列标注和生成任务，不同任务间的代码框架不统一，难以快速迁移和对比实验结果。\n- **中文资料与示例匮乏**：官方教程多为英文且偏向通用理论，缺乏针对中文语料（如古诗生成、中文命名实体识别）的具体落地案例。\n\n### 使用 torch-light 后\n- **开箱即用的基础模块**：直接调用库中已封装好的 CNN 文本分类和 LSTM 示例，仅需几行代码即可搭建基准模型，将开发重心回归业务逻辑。\n- **复杂架构快速落地**：利用内置的 BERT、BiLSTM-CRF 及 VAE-NLG（诗歌生成）完整代码，团队在两天内便跑通了从数据预处理到模型训练的全流程。\n- **统一框架高效迭代**：所有 NLP 任务均基于统一的 PyTorch 风格实现，工程师可轻松在不同模型间切换参数，快速完成多方案对比验证。\n- **本土化场景精准匹配**：借助项目中专门的“中文诗歌生成”和\"BiLSTM-CRF 中文分词”案例，团队直接复用适配中文特性的数据处理管道，大幅降低试错成本。\n\ntorch-light 通过提供覆盖从基础到前沿的标准化 PyTorch 实现，特别是丰富的中文 NLP 案例，将算法原型的研发周期从数周缩短至数天。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fne7ermore_torch-light_a0fb7329.png","ne7ermore","Tao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fne7ermore_9a993b10.jpg",null,"liaoyuanhuo1987@gmail.com","https:\u002F\u002Fne7ermore.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fne7ermore",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.9,{"name":85,"color":86,"percentage":87},"Makefile","#427819",0.1,538,195,"2026-03-17T03:24:35","MIT",4,"","未说明",{"notes":96,"python":97,"dependencies":98},"该项目为较早期的 PyTorch 示例集合（基于 2017-2020 年版本），依赖的 PyTorch 0.2.0 版本非常陈旧，与现代版本不兼容。运行前建议参考官方教程，部分高级示例（如 AlphaGo-Zero, BERT）可能需要额外的数据处理步骤（如先运行 corpus.py）。","3.5",[99,100],"PyTorch==0.2.0","Numpy==1.13.1",[14],[103,104,105],"deep-learning","pytorch","reinforcement-learning","2026-03-27T02:49:30.150509","2026-04-07T11:44:16.262524",[109,114,119,124,129,134],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},21923,"训练 retrieval-based-chatbots 时出现 AttributeError: 'NoneType' object has no attribute 'data' 错误？","这是一个已知的代码 Bug，发生在模型初始化重置参数时（model.py 第 40 行）。维护者已经修复了此问题。请拉取最新的代码更新，然后重新运行 train.py 即可解决。","https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Fissues\u002F7",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},21922,"将 Actor 模型加载到 GPU 时出现 AssertionError: filter_dim_a.prod() == filter_dim_a[0] 错误怎么办？","这是 PyTorch 特定版本与 cuDNN 后端兼容性问题。用户反馈表明，该代码在 PyTorch 0.3.0 版本下运行正常，但在 0.3.1 版本中会报错。建议将 PyTorch 版本降级至 0.3.0，或者等待项目方更新 README 以明确指定的兼容版本。同时确保至少有一个可用的 GPU。","https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Fissues\u002F8",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},21919,"运行 train.py 时出现 TypeError: torch.index_select 参数类型无效（IntTensor vs LongTensor）怎么办？","这是由于 PyTorch 版本变更导致的。在新版本中，索引张量需要是 LongTensor 而不是 IntTensor。解决方法是在数据加载器（data_loader.py）中对 labels 添加 .long() 转换。例如：在 data_loader.py 第 46 行附近，确保 labels 数据类型转换为 long 类型。如果问题依旧，请检查并确认您使用的 PyTorch 版本。","https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Fissues\u002F1",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},21920,"运行 LSTM-CNNs-CRF 模型时报错，提示 GPU 太旧不支持或初始化函数已弃用，如何解决？","该问题通常由 PyTorch 版本不兼容引起。维护者已将代码更新至支持 PyTorch 0.4.0。请更新代码库并重试。如果是关于 nn.init.xavier_uniform 的警告，请将其替换为 nn.init.xavier_uniform_（注意末尾的下划线）。此外，如果您的 GPU 计算能力低于 3.5（如 Quadro K600），PyTorch 新版本可能不再支持，建议关闭 CUDA 使用 CPU 运行，或升级硬件。","https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Fissues\u002F4",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},21921,"在 CRF 模型中，CRF 层是仅在预测阶段使用，还是在训练阶段也参与？","CRF 层在训练和预测阶段都会使用。在训练阶段，CRF 层被视为一个矩阵，其权重会通过反向传播进行更新（参考 model.py 第 190 行）。在预测阶段，则使用 Viterbi 算法解码最佳路径（参考 model.py 第 74 行）。理解 HMM、CRF 和 Viterbi 算法有助于更好地实现该模型。","https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Fissues\u002F2",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},21924,"在哪里可以下载 facial-beauty-prediction 项目所需的 SCUT-FBP5500 数据集图片和验证文件？","该项目依赖 SCUT-FBP5500 数据集。您需要自行下载该数据集。通常可以在数据集的官方主页或相关论文提供的链接中找到。下载后，请将图片放置在 project\u002Ffacial-beauty-prediction\u002Fdata\u002Fimages 目录下，将交叉验证的文件列表放置在 project\u002Ffacial-beauty-prediction\u002Fdata\u002Fvalidation 对应的文件夹结构中，以匹配代码中的路径配置。","https:\u002F\u002Fgithub.com\u002Fne7ermore\u002Ftorch-light\u002Fissues\u002F6",[]]