[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nitrain--nitrain":3,"tool-nitrain--nitrain":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",146793,2,"2026-04-08T23:32:35",[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。",108111,"2026-04-08T11:23:26",[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":64,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":75,"owner_url":76,"languages":77,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":10,"env_os":74,"env_gpu":90,"env_ram":91,"env_deps":92,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":138},5763,"nitrain\u002Fnitrain","nitrain","Train AI models efficiently on medical images using any framework","Nitrain 是一个专为医学影像设计的开源 AI 框架，旨在让研究人员和开发者能够高效地训练医疗图像模型。它解决了传统深度学习流程中数据预处理复杂、代码重复率高以及不同框架间迁移困难的痛点，将繁琐的图像采样、增强和训练过程封装为简洁的高层接口。\n\n无论是需要快速验证想法的科研人员，还是希望构建鲁棒模型的算法工程师，都能通过 Nitrain 轻松上手。其核心亮点在于“框架无关性”，同一套代码逻辑可无缝切换 PyTorch、TensorFlow 或 Keras 后端，极大提升了开发灵活性。此外，Nitrain 深度集成了 ANTsPy 库，原生支持 NIfTI 等主流医学格式，内置了针对三维影像的归一化、随机切片采样及空间变换等专业功能。用户仅需数行代码即可完成从数据读取、增强到模型训练的全流程，无需深陷底层细节。对于有志于探索医学影像 AI 的从业者而言，Nitrain 提供了一个既专业又友好的起点，让技术创新更加聚焦于算法本身而非工程琐事。","# Nitrain: a medical imaging-native AI framework\n\n[![Coverage Status](https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002Fnitrain\u002Fnitrain\u002Fbadge.svg?branch=main)](https:\u002F\u002Fcoveralls.io\u002Fgithub\u002Fnitrain\u002Fnitrain?branch=main)\n[![Build](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Factions\u002Fworkflows\u002Ftest.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Factions\u002Fworkflows\u002Ftest.yml)\n\nNitrain (formerly \u003Ci>torchsample\u003C\u002Fi>) is a framework-agnostic python library for sampling and augmenting medical images, training models on medical imaging datasets, and visualizing results in a medical imaging context.\n\nThe nitrain library is unique in that it makes training models as simple as possible by providing reasonable defaults and a high-level of abstraction. It also supports multiple frameworks - torch, tensorflow, and keras - with a goal to add even more.\n\nFull examples of training medical imaging AI models using nitrain can be found at the [Tutorials](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials) page. If you are interested more generally in medical imaging AI, check out [Practical medical imaging AI techniques with Python](https:\u002F\u002Fbook.nitrain.dev) (expected early 2025).\n\n\u003Cbr \u002F>\n\n## Quickstart\n\nHere is an example of using nitrain to a semantic segmentation model that demonstrates much of the core functionality.\n\n```python\nimport nitrain as nt\nfrom nitrain.readers import ImageReader, ColumnReader\n\n# create dataset from folder of images + participants file\ndataset = nt.Dataset(inputs=ImageReader('sub-*\u002Fanat\u002F*_T1w.nii.gz'),\n                     outputs=ImageReader('sub-*\u002Fanat\u002F*_aparc+aseg.nii.gz'),\n                     transforms={\n                         'inputs': tx.NormalizeIntensity(0,1),\n                         ('inputs', 'outputs'): tx.Resize((64,64,64))\n                     },\n                     base_dir='~\u002Fdesktop\u002Fds004711\u002F')\n\n# create loader with random transforms\nloader = nt.Loader(dataset,\n                   images_per_batch=4,\n                   sampler=nt.SliceSampler(batch_size = 32, axis = 2)\n                   transforms={\n                           'inputs': tx.RandomNoise(sd=0.2)\n                   })\n\n# create model from architecture\narch_fn = nt.fetch_architecture('unet', dim=2)\nmodel = arch_fn(input_image_size=(64,64,1),\n                mode='segmentation')\n\n# create trainer and fit model\ntrainer = nt.Trainer(model, task='segmentation')\ntrainer.fit(loader, epochs=100)\n```\n\n\u003Cbr \u002F>\n\n## Installation\n\nThe latest release of nitrain can be installed from pypi:\n\n```\npip install nitrain\n```\n\nOr you can install the latest development version directly from github:\n\n```\npython -m pip install git+github.com\u002Fnitrain\u002Fnitrain.git\n```\n\n### Dependencies\n\nThe [ants](https:\u002F\u002Fwww.github.com\u002Fantsx\u002Fantspy) python package is a key dependency that allows you to efficiently read, operate on, and visualize medical images. Additionally, you can use keras (tf.keras or keras3), tensorflow, or pytorch as backend for creating your models.\n\n\u003Cbr \u002F>\n\n## Resources\n\nThe following links can be helpful in becoming more familiar with nitrain.\n\n- Introduction tutorials [[Link](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fintroduction)]\n- Segmentation examples [[Link](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fsegmentation)]\n- Classification examples [[Link](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fclassification)]\n- Registration examples [[Link](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fregistration)]\n\nYou can also visit the [ANTsPy](https:\u002F\u002Fgithub.com\u002Fantsx\u002Fantspy) repo to learn more about handling medical images and performing traditional medical imaging analysis.\n\n\u003Cbr \u002F>\n\n## Contributing\n\nIf you have a question or bug report the best way to get help is by posting an issue on the GitHub page. I would be happy to welcome any new contributors or ideas to the project. If you want to add code, the best way to get started is by posting an issue or contacting me at nickcullen31@gmail.com.\n\nYou can support this work by starring the repository or posting a feature request in the issues tab. These actions help increase the project's impact and community reach.\n","# Nitrain：一款原生面向医学影像的人工智能框架\n\n[![覆盖率状态](https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002Fnitrain\u002Fnitrain\u002Fbadge.svg?branch=main)](https:\u002F\u002Fcoveralls.io\u002Fgithub\u002Fnitrain\u002Fnitrain?branch=main)\n[![构建](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Factions\u002Fworkflows\u002Ftest.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Factions\u002Fworkflows\u002Ftest.yml)\n\nNitrain（前身为 \u003Ci>torchsample\u003C\u002Fi>) 是一个框架无关的 Python 库，用于对医学影像进行采样和数据增强、在医学影像数据集上训练模型，以及在医学影像场景中可视化结果。\n\nNitrain 库的独特之处在于，它通过提供合理的默认设置和高层次的抽象，尽可能简化模型训练过程。此外，它还支持多种深度学习框架——PyTorch、TensorFlow 和 Keras——并且计划进一步扩展对更多框架的支持。\n\n使用 Nitrain 训练医学影像 AI 模型的完整示例可以在 [教程](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials) 页面中找到。如果您对医学影像 AI 更感兴趣，可以查看《使用 Python 的实用医学影像 AI 技术》（预计 2025 年初出版）。\n\n\u003Cbr \u002F>\n\n## 快速入门\n\n以下是一个使用 Nitrain 构建语义分割模型的示例，展示了其大部分核心功能。\n\n```python\nimport nitrain as nt\nfrom nitrain.readers import ImageReader, ColumnReader\n\n# 从图像文件夹和参与者文件创建数据集\ndataset = nt.Dataset(inputs=ImageReader('sub-*\u002Fanat\u002F*_T1w.nii.gz'),\n                     outputs=ImageReader('sub-*\u002Fanat\u002F*_aparc+aseg.nii.gz'),\n                     transforms={\n                         'inputs': tx.NormalizeIntensity(0,1),\n                         ('inputs', 'outputs'): tx.Resize((64,64,64))\n                     },\n                     base_dir='~\u002Fdesktop\u002Fds004711\u002F')\n\n# 创建带有随机变换的数据加载器\nloader = nt.Loader(dataset,\n                   images_per_batch=4,\n                   sampler=nt.SliceSampler(batch_size = 32, axis = 2)\n                   transforms={\n                           'inputs': tx.RandomNoise(sd=0.2)\n                   })\n\n# 根据架构创建模型\narch_fn = nt.fetch_architecture('unet', dim=2)\nmodel = arch_fn(input_image_size=(64,64,1),\n                mode='segmentation')\n\n# 创建训练器并拟合模型\ntrainer = nt.Trainer(model, task='segmentation')\ntrainer.fit(loader, epochs=100)\n```\n\n\u003Cbr \u002F>\n\n## 安装\n\nNitrain 的最新版本可以从 PyPI 安装：\n\n```\npip install nitrain\n```\n\n或者，您也可以直接从 GitHub 安装最新的开发版本：\n\n```\npython -m pip install git+github.com\u002Fnitrain\u002Fnitrain.git\n```\n\n### 依赖项\n\n[ants](https:\u002F\u002Fwww.github.com\u002Fantsx\u002Fantspy) Python 包是关键依赖项，它使您能够高效地读取、处理和可视化医学影像。此外，您可以选择 Keras（tf.keras 或 keras3）、TensorFlow 或 PyTorch 作为后端来构建您的模型。\n\n\u003Cbr \u002F>\n\n## 资源\n\n以下链接可以帮助您更好地熟悉 Nitrain：\n\n- 入门教程 [[链接](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fintroduction)]\n- 分割示例 [[链接](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fsegmentation)]\n- 分类示例 [[链接](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fclassification)]\n- 配准示例 [[链接](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials\u002Ftree\u002Fmain\u002Fregistration)]\n\n您还可以访问 [ANTsPy](https:\u002F\u002Fgithub.com\u002Fantsx\u002Fantspy) 仓库，了解更多关于医学影像处理和传统医学影像分析的内容。\n\n\u003Cbr \u002F>\n\n## 贡献\n\n如果您有任何问题或 bug 报告，最好的求助方式是在 GitHub 页面上提交 issue。我非常欢迎任何新贡献者和项目建议。如果您想添加代码，最好的开始方式是提交一个 issue，或者直接联系我：nickcullen31@gmail.com。\n\n您可以通过为本项目加星标或在 issues 标签页中提出功能请求来支持这项工作。这些行为有助于提升项目的影响力和社区覆盖面。","# Nitrain 快速上手指南\n\nNitrain 是一个专为医学影像设计的 AI 框架（前身为 torchsample）。它支持 PyTorch、TensorFlow 和 Keras 等多种后端，旨在通过合理的默认设置和高层抽象，简化医学影像数据的采样、增强、模型训练及结果可视化流程。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux、macOS 或 Windows。\n*   **Python 版本**：建议 Python 3.8 及以上。\n*   **核心依赖**：\n    *   **ANTsPy**：Nitrain 的关键依赖库，用于高效读取、操作和可视化医学影像（如 NIfTI 格式）。\n    *   **深度学习后端**：根据需求安装其中之一：\n        *   PyTorch\n        *   TensorFlow \u002F Keras (tf.keras 或 keras3)\n\n> **提示**：由于 ANTsPy 包含 C++ 扩展，在某些环境下安装可能需要编译工具（如 `gcc` 或 `Visual Studio Build Tools`）。如遇困难，建议优先使用预编译的 wheel 包或 conda 环境。\n\n## 安装步骤\n\n您可以选择从 PyPI 安装稳定版，或直接从 GitHub 安装最新开发版。\n\n### 方式一：安装稳定版（推荐）\n\n```bash\npip install nitrain\n```\n\n*国内用户加速建议*：如果下载速度较慢，可使用国内镜像源：\n```bash\npip install nitrain -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：安装开发版\n\n如需体验最新功能，可直接从 GitHub 安装：\n\n```bash\npython -m pip install git+https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain.git\n```\n\n*注意*：安装前请确保已单独安装好 `antspy` 和您选择的深度学习框架（如 `torch` 或 `tensorflow`），因为 `nitrain` 本身主要提供逻辑封装。\n\n## 基本使用\n\n以下示例展示了如何使用 Nitrain 构建一个语义分割模型。该流程涵盖了数据集加载、数据增强、模型构建及训练的核心步骤。\n\n```python\nimport nitrain as nt\nfrom nitrain.readers import ImageReader, ColumnReader\n# 假设 tx 为 transforms 模块的别名，实际使用中需根据文档导入具体变换类\n# 此处沿用原文逻辑示意\nimport nitrain.transforms as tx \n\n# 1. 创建数据集\n# 从文件夹读取图像和对应的标签文件，并定义预处理变换\ndataset = nt.Dataset(inputs=ImageReader('sub-*\u002Fanat\u002F*_T1w.nii.gz'),\n                     outputs=ImageReader('sub-*\u002Fanat\u002F*_aparc+aseg.nii.gz'),\n                     transforms={\n                         'inputs': tx.NormalizeIntensity(0,1),\n                         ('inputs', 'outputs'): tx.Resize((64,64,64))\n                     },\n                     base_dir='~\u002Fdesktop\u002Fds004711\u002F')\n\n# 2. 创建数据加载器\n# 配置批量大小、切片采样策略以及随机数据增强\nloader = nt.Loader(dataset,\n                   images_per_batch=4,\n                   sampler=nt.SliceSampler(batch_size = 32, axis = 2),\n                   transforms={\n                           'inputs': tx.RandomNoise(sd=0.2)\n                   })\n\n# 3. 构建模型\n# 获取预定义的 UNet 架构并初始化\narch_fn = nt.fetch_architecture('unet', dim=2)\nmodel = arch_fn(input_image_size=(64,64,1),\n                mode='segmentation')\n\n# 4. 训练模型\n# 创建训练器并开始拟合\ntrainer = nt.Trainer(model, task='segmentation')\ntrainer.fit(loader, epochs=100)\n```\n\n### 代码说明\n*   **Dataset**: 自动处理医学影像文件的路径匹配（支持通配符），并应用强度归一化和尺寸调整。\n*   **Loader**: 结合 `SliceSampler` 实现 3D 数据的切片采样，并在训练时动态添加随机噪声增强。\n*   **Architecture**: `fetch_architecture` 允许快速调用内置的经典网络结构（如 UNet）。\n*   **Trainer**: 封装了训练循环，只需指定任务类型即可开始训练。\n\n更多详细案例（包括分类、配准等任务）请参考官方 [Tutorials](https:\u002F\u002Fgithub.com\u002Fnitrain\u002Ftutorials)。","某三甲医院影像科算法团队正致力于开发基于 MRI 数据的脑肿瘤自动分割模型，以辅助医生进行术前规划。\n\n### 没有 nitrain 时\n- **数据预处理繁琐**：研究人员需手动编写大量代码调用底层库读取 NIfTI 格式文件，并独立实现归一化、重采样等针对医学影像的特有处理逻辑，极易出错。\n- **框架迁移成本高**：若团队想从 PyTorch 切换至 TensorFlow 验证效果，必须重写整个数据加载器（DataLoader）和增强管道，因为不同框架的接口不兼容。\n- **三维采样困难**：面对巨大的 3D 脑部扫描数据，难以高效实现随机切片采样或块采样，导致显存溢出或训练样本多样性不足。\n- **调试周期漫长**：缺乏统一的可视化与默认配置，每次调整超参数或增强策略都需要反复试错，严重拖慢实验迭代速度。\n\n### 使用 nitrain 后\n- **流程高度自动化**：通过 `ImageReader` 和内置变换（如 `NormalizeIntensity`），仅需几行代码即可完成从原始 DICOM\u002FNIfTI 到模型输入的标准预处理流水线。\n- **框架无关性**：利用 nitrain 的抽象层，同一套数据加载与增强代码可无缝服务于 PyTorch、TensorFlow 或 Keras 后端，自由切换模型架构无需修改数据逻辑。\n- **高效内存管理**：内置的 `SliceSampler` 等采样器能智能地从 3D 体积中提取 2D\u002F3D 补丁，在保证显存安全的同时最大化数据利用率。\n- **快速原型验证**：提供合理的默认参数和高层 API（如 `Trainer.fit`），让研究人员能将精力集中在模型结构创新上，将原本数天的环境搭建缩短至小时级。\n\nnitrain 通过屏蔽医学影像处理的底层复杂性并统一多框架接口，让医疗 AI 模型的训练变得像标准计算机视觉任务一样简单高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnitrain_nitrain_687a7836.png","Nitrain","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnitrain_43b5f8d3.png","",null,"https:\u002F\u002Fgithub.com\u002Fnitrain",[78,82],{"name":79,"color":80,"percentage":81},"Python","#3572A5",99.4,{"name":83,"color":84,"percentage":85},"Shell","#89e051",0.6,1879,299,"2026-02-16T04:24:48","AGPL-3.0","未说明 (支持 PyTorch, TensorFlow, Keras 后端，具体取决于所选框架)","未说明",{"notes":93,"python":91,"dependencies":94},"该工具是一个与框架无关的库，支持 PyTorch、TensorFlow 和 Keras 作为后端。核心依赖是 ANTsPy，用于高效读取、操作和可视化医学图像。安装可通过 pip 或直接从 GitHub 获取开发版。",[95,96,97,98],"antspy","torch","tensorflow","keras",[14],[101,102,98,103,104],"pytorch","deep-learning","neuroimaging","medical-imaging","2026-03-27T02:49:30.150509","2026-04-09T10:05:30.414221",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},26140,"如何在数据变换中正确添加旋转增强选项？","可以将 `torchsample.transforms.Rotate` 放在 `transforms.Compose` 列表中，通常位于缩放（Scale）之后、裁剪（CenterCrop）之前。例如：\n```python\ndata_transform = transforms.Compose([\n    transforms.Scale(256),\n    torchsample.transforms.Rotate(30),\n    transforms.CenterCrop(224),\n    transforms.ToTensor(),\n    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])\n])\n```\n注意：如果数据未归一化到 0-1 或特定常数范围，可能需要调整。填充 0 是一种常见的处理方式。","https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fissues\u002F15",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},26141,"遇到 'th_random_choice' 报错 TypeError: torch.zeros received an invalid combination of arguments 怎么办？","这是由于 `round()` 函数返回的是浮点数，而 `torch.zeros` 需要整数参数。解决方法是在 `round()` 外包裹一个 `int()` 转换。例如将代码：\n```python\nidx_vec = th.cat([th.zeros(round(p[i]*1000))+i for i in range(len(p))])\n```\n修改为：\n```python\nidx_vec = th.cat([th.zeros(int(round(p[i]*1000)))+i for i in range(len(p))])\n```\n此问题常见于 `RandomChoiceRotate`、`RandomChoiceZoom` 等使用 `th_random_choice` 的类。","https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fissues\u002F73",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},26142,"th_affine2d 在处理多通道张量时报错 size invalid 如何解决？","该错误通常是因为张量维度处理不当。确保输入张量格式正确（如 `[channels, height, width]`），并且在使用仿射变换前不需要手动用 `narrow()` 切片去除多余维度。以下代码在最新版本中可正常工作：\n```python\nfrom torchsample.transforms import *\nimport torch as th\nx = th.ones(3, 256, 256)\nxr = Rotate(10)(x)\nxs = Shear(0.1)(x)\nxz = Zoom((0.8, 1.2))(x)\nxp = Pad((3, 300, 300))(x)\nprint(xp.size())  # 输出: torch.Size([3, 300, 300])\n```\n如果仍报错，请检查 PyTorch 版本兼容性（建议升级到 0.1.12 或更高）。","https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fissues\u002F12",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},26143,"训练时出现 AttributeError: 'CNN' object has no attribute '_has_regularizers' 错误怎么办？","该错误是由于 History 回调试图访问模型中不存在的 `_has_regularizers` 属性。这通常是因为使用了旧版回调或不兼容的模型结构。解决方案包括：\n1. 确保使用的是 `torchsample` 提供的数据集类（如 `TensorDataset` 或 `FolderDataset`），而不是原生 PyTorch 的 DataLoader；\n2. 移除或更新自定义的 History 回调；\n3. 确认模型是通过 `ModuleTrainer` 正确初始化的。\n如果问题依旧，建议升级 `torchsample` 到最新版本。","https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fissues\u002F13",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},26144,"如何在微调预训练网络时只优化未冻结的参数（require_grad=True）？","当部分层被冻结（`param.requires_grad = False`）时，默认优化器会尝试优化所有参数导致报错。解决方法是重写模型的 `parameters()` 方法，仅返回需要梯度的参数：\n```python\nimport types\nimport torch.nn as nn\n\ndef parameters(self):\n    p = filter(lambda p: p.requires_grad, nn.Module.parameters(self))\n    return p\n\nmodel.parameters = types.MethodType(parameters, model)\n```\n然后正常调用 `trainer.fit_loader(...)` 即可。这样优化器只会更新未冻结的参数。","https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fissues\u002F46",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},26145,"ModuleTrainer 是否支持多 GPU 训练？","早期版本的 `ModuleTrainer` 仅支持单 GPU。社区已提交部分解决多 GPU 问题的 Pull Request（见 https:\u002F\u002Fgithub.com\u002Fncullen93\u002Ftorchsample\u002Fpull\u002F40）。临时解决方案包括手动注释掉存储正则化和约束损失的代码行以避免冲突，或使用 PyTorch 原生的 `DataParallel` 包装模型后再传入 `ModuleTrainer`。建议关注官方更新以获取完整的多 GPU 支持。","https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fissues\u002F30",[139,144,149,154],{"id":140,"version":141,"summary_zh":142,"released_at":143},163527,"v0.3.1","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fcompare\u002Fv0.3.0...v0.3.1","2024-05-24T17:04:48",{"id":145,"version":146,"summary_zh":147,"released_at":148},163528,"v0.3.0","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fcompare\u002Fv0.2.3...v0.3.0","2024-04-24T12:15:27",{"id":150,"version":151,"summary_zh":152,"released_at":153},163529,"v0.2.3","**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fnitrain\u002Fnitrain\u002Fcompare\u002Fv0.2.2...v0.2.3","2024-04-09T10:27:39",{"id":155,"version":156,"summary_zh":157,"released_at":158},163530,"v0.2.1","一个新的 PyPI 发布。","2024-03-14T23:40:18"]