[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-prlz77--ResNeXt.pytorch":3,"tool-prlz77--ResNeXt.pytorch":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",156804,2,"2026-04-15T11:34:33",[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。",108322,"2026-04-10T11:39:34",[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":76,"owner_email":76,"owner_twitter":73,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":10,"env_os":89,"env_gpu":90,"env_ram":89,"env_deps":91,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":140},7760,"prlz77\u002FResNeXt.pytorch","ResNeXt.pytorch","Reproduces ResNet-V3 with pytorch","ResNeXt.pytorch 是一个基于 PyTorch 框架实现的开源项目，旨在复现经典的 ResNet-V3（即 ResNeXt）深度学习模型。它主要解决了研究人员和开发者在尝试复现论文《Aggregated Residual Transformations for Deep Neural Networks》时可能遇到的代码缺失或环境适配难题，提供了一个经过验证、可直接运行的基准代码库。\n\n该项目特别适合人工智能领域的研究人员、算法工程师以及深度学习爱好者使用。用户可以直接利用它在 CIFAR-10 和 CIFAR-100 数据集上进行模型训练与测试，快速验证实验结果。其核心亮点在于引入了“基数”（Cardinality）这一维度，通过聚合残差变换，在保持计算复杂度不变的前提下显著提升了模型性能。例如，在默认配置下，它在 CIFAR-10 上的错误率可低至约 3.65%。此外，项目不仅提供了兼容 PyTorch 1.6 等版本的稳定代码，还开放了预训练模型权重和详细的训练曲线数据，方便用户进行对比分析或作为新研究的起点。无论是用于学术复现还是工程实践，ResNeXt.pytorc","ResNeXt.pytorch 是一个基于 PyTorch 框架实现的开源项目，旨在复现经典的 ResNet-V3（即 ResNeXt）深度学习模型。它主要解决了研究人员和开发者在尝试复现论文《Aggregated Residual Transformations for Deep Neural Networks》时可能遇到的代码缺失或环境适配难题，提供了一个经过验证、可直接运行的基准代码库。\n\n该项目特别适合人工智能领域的研究人员、算法工程师以及深度学习爱好者使用。用户可以直接利用它在 CIFAR-10 和 CIFAR-100 数据集上进行模型训练与测试，快速验证实验结果。其核心亮点在于引入了“基数”（Cardinality）这一维度，通过聚合残差变换，在保持计算复杂度不变的前提下显著提升了模型性能。例如，在默认配置下，它在 CIFAR-10 上的错误率可低至约 3.65%。此外，项目不仅提供了兼容 PyTorch 1.6 等版本的稳定代码，还开放了预训练模型权重和详细的训练曲线数据，方便用户进行对比分析或作为新研究的起点。无论是用于学术复现还是工程实践，ResNeXt.pytorch 都是一个高效且可靠的工具。","# ResNeXt.pytorch\nReproduces ResNet-V3 (Aggregated Residual Transformations for Deep Neural Networks) with pytorch.\n\n- [x] Tried on pytorch 1.6\n- [x] Trains on Cifar10 and Cifar100\n- [x] Upload Cifar Training Curves\n- [x] Upload Cifar Trained Models\n- [x] Pytorch 0.4.0\n- [ ] Train Imagenet\n\n## Download\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fprlz77\u002Fresnext.pytorch\ncd resnext.pytorch\n# git checkout R4.0 or R3.0 for backwards compatibility (not recommended).\n```\n\n## Usage\nTo train on Cifar-10 using 2 gpu:\n\n```bash\npython train.py ~\u002FDATASETS\u002Fcifar.python cifar10 -s .\u002Fsnapshots --log .\u002Flogs --ngpu 2 --learning_rate 0.05 -b 128\n```\nIt should reach *~3.65%* on Cifar-10, and *~17.77%* on Cifar-100.\n\n\nAfter train phase, you can check saved model.\n\n**Thanks to [@AppleHolic](https:\u002F\u002Fgithub.com\u002FAppleHolic) we have now a test script:**\n\nTo test on Cifar-10 using 2 gpu:\n```bash\npython test.py ~\u002FDATASETS\u002Fcifar.python cifar10 --ngpu 2 --load .\u002Fsnapshots\u002Fmodel.pytorch --test_bs 128 \n```\n\n\n## Configurations\nFrom [the original paper](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1611.05431.pdf):\n\n| cardinality |  base_width  | parameters |  Error cifar10   |   error cifar100  | default |\n|:-----------:|:------------:|:----------:|:----------------:|:-----------------:|:-------:|\n|      8      |      64      |    34.4M   |       3.65       |       17.77       |    x    |\n|      16     |      64      |    68.1M   |       3.58       |       17.31       |         |\n\n**Update:** ``widen_factor`` has been disentangled from ``base_width`` because it was confusing. Now widen factor is set to consant 4, and ``base_width`` is the same as in the original paper.\n\n## Trained models and curves\n[Link](https:\u002F\u002Fmega.nz\u002F#F!wbJXDS6b!YN3hCDi1tT3SdNFrLPm7mA) to trained models corresponding to the following curves:\n\n**Update:** several commits have been pushed after training the models in Mega, so it is recommended to revert to ``e10c37d8cf7a958048bc0f58cd86c3e8ac4e707d``\n\n![CIFAR-10](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprlz77_ResNeXt.pytorch_readme_e5d2881218fd.jpg)\n![CIFAR-100](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprlz77_ResNeXt.pytorch_readme_67967b8f9b89.jpg)\n\n## Other frameworks\n* [torch (@facebookresearch)](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FResNeXt). (Original) Cifar and Imagenet\n* [caffe (@terrychenism)](https:\u002F\u002Fgithub.com\u002Fterrychenism\u002FResNeXt). Imagenet\n* [MXNet (@dmlc)](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fmxnet\u002Ftree\u002Fmaster\u002Fexample\u002Fimage-classification#imagenet-1k). Imagenet\n\n## Cite\n```\n@article{xie2016aggregated,\n  title={Aggregated residual transformations for deep neural networks},\n  author={Xie, Saining and Girshick, Ross and Doll{\\'a}r, Piotr and Tu, Zhuowen and He, Kaiming},\n  journal={arXiv preprint arXiv:1611.05431},\n  year={2016}\n}\n```\n","# ResNeXt.pytorch\n使用 PyTorch 复现了 ResNet-V3（用于深度神经网络的聚合残差变换）。\n\n- [x] 已在 PyTorch 1.6 上测试\n- [x] 可在 Cifar10 和 Cifar100 数据集上训练\n- [x] 上传了 Cifar 训练曲线\n- [x] 上传了 Cifar 训练好的模型\n- [x] 支持 PyTorch 0.4.0\n- [ ] 尚未在 ImageNet 上训练\n\n## 下载\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fprlz77\u002Fresnext.pytorch\ncd resnext.pytorch\n# 若要保持向后兼容性，可检出 R4.0 或 R3.0 版本（不推荐）。\n```\n\n## 使用方法\n使用 2 张 GPU 在 Cifar-10 上训练：\n\n```bash\npython train.py ~\u002FDATASETS\u002Fcifar.python cifar10 -s .\u002Fsnapshots --log .\u002Flogs --ngpu 2 --learning_rate 0.05 -b 128\n```\n在 Cifar-10 上应能达到 *~3.65%* 的错误率，在 Cifar-100 上则约为 *~17.77%*。\n\n训练完成后，可以检查保存的模型。\n\n**感谢 [@AppleHolic](https:\u002F\u002Fgithub.com\u002FAppleHolic)，我们现在提供了一个测试脚本：**\n\n使用 2 张 GPU 在 Cifar-10 上进行测试：\n```bash\npython test.py ~\u002FDATASETS\u002Fcifar.python cifar10 --ngpu 2 --load .\u002Fsnapshots\u002Fmodel.pytorch --test_bs 128 \n```\n\n## 配置\n摘自[原始论文](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1611.05431.pdf)：\n\n| 卡迪纳尔数 | 基础宽度 | 参数量 | Cifar10 错误率 | Cifar100 错误率 | 默认 |\n|:-----------:|:------------:|:----------:|:----------------:|:-----------------:|:-------:|\n|      8      |      64      |    34.4M   |       3.65       |       17.77       |    x    |\n|      16     |      64      |    68.1M   |       3.58       |       17.31       |         |\n\n**更新：** `widen_factor` 已从 `base_width` 中分离出来，因为原设计容易混淆。现在 `widen_factor` 固定为 4，而 `base_width` 与原始论文中的设置一致。\n\n## 训练好的模型和曲线\n[链接](https:\u002F\u002Fmega.nz\u002F#F!wbJXDS6b!YN3hCDi1tT3SdNFrLPm7mA) 提供了与以下曲线对应的训练好的模型：\n\n**更新：** 在 Mega 上训练模型之后，又推送了若干提交，因此建议回退到 `e10c37d8cf7a958048bc0f58cd86c3e8ac4e707d` 版本。\n\n![CIFAR-10](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprlz77_ResNeXt.pytorch_readme_e5d2881218fd.jpg)\n![CIFAR-100](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprlz77_ResNeXt.pytorch_readme_67967b8f9b89.jpg)\n\n## 其他框架\n* [PyTorch (@facebookresearch)](https:\u002F\u002Fgithub.com\u002Ffacebookresearch\u002FResNeXt)。（原始实现）支持 Cifar 和 ImageNet\n* [Caffe (@terrychenism)](https:\u002F\u002Fgithub.com\u002Fterrychenism\u002FResNeXt)。仅支持 ImageNet\n* [MXNet (@dmlc)](https:\u002F\u002Fgithub.com\u002Fdmlc\u002Fmxnet\u002Ftree\u002Fmaster\u002Fexample\u002Fimage-classification#imagenet-1k)。仅支持 ImageNet\n\n## 引用\n```\n@article{xie2016aggregated,\n  title={Aggregated residual transformations for deep neural networks},\n  author={Xie, Saining and Girshick, Ross and Doll{\\'a}r, Piotr and Tu, Zhuowen and He, Kaiming},\n  journal={arXiv preprint arXiv:1611.05431},\n  year={2016}\n}\n```","# ResNeXt.pytorch 快速上手指南\n\n## 环境准备\n\n*   **系统要求**：Linux 或 macOS（Windows 需自行配置 PyTorch 环境）。\n*   **核心依赖**：\n    *   Python 3.x\n    *   PyTorch >= 1.6 (已在 1.6 版本测试通过，也兼容 0.4.0)\n    *   torchvision\n*   **数据集**：需预先准备好 CIFAR-10 或 CIFAR-100 数据集（Python 格式）。\n\n> **提示**：国内用户建议使用清华源或阿里源加速安装依赖：\n> ```bash\n> pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n克隆项目仓库并进入目录：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fprlz77\u002Fresnext.pytorch\ncd resnext.pytorch\n# 如需向后兼容旧版本可切换分支，但推荐使用默认主分支\n# git checkout R4.0 \n```\n\n## 基本使用\n\n### 1. 训练模型 (Training)\n\n以下命令演示如何在 CIFAR-10 数据集上使用 2 块 GPU 进行训练。请替换 `~\u002FDATASETS\u002Fcifar.python` 为你本地的数据集路径。\n\n```bash\npython train.py ~\u002FDATASETS\u002Fcifar.python cifar10 -s .\u002Fsnapshots --log .\u002Flogs --ngpu 2 --learning_rate 0.05 -b 128\n```\n\n*   **预期效果**：在 CIFAR-10 上误差率约为 **3.65%**，在 CIFAR-100 上约为 **17.77%**。\n*   **参数说明**：\n    *   `-s .\u002Fsnapshots`：模型保存路径。\n    *   `--ngpu 2`：使用的 GPU 数量。\n    *   `-b 128`：Batch Size。\n\n### 2. 测试模型 (Testing)\n\n训练完成后，使用以下命令加载保存的模型进行测试：\n\n```bash\npython test.py ~\u002FDATASETS\u002Fcifar.python cifar10 --ngpu 2 --load .\u002Fsnapshots\u002Fmodel.pytorch --test_bs 128 \n```\n\n*   `--load .\u002Fsnapshots\u002Fmodel.pytorch`：指定加载的训练好的模型文件路径。\n\n### 3. 模型配置参考\n\n根据原论文，默认配置（Cardinality=8, Base Width=64）参数量约为 34.4M。若需更高精度，可调整配置（如 Cardinality=16），但参数量将增加至约 68.1M。具体参数需在代码中相应修改。","某计算机视觉初创团队正在开发一款高精度工业缺陷检测系统，需要在有限的标注数据（类似 CIFAR 规模）上快速验证并部署最优分类模型。\n\n### 没有 ResNeXt.pytorch 时\n- **模型性能遭遇瓶颈**：团队沿用传统 ResNet 架构，在复杂纹理的微小缺陷识别上准确率停滞不前，难以突破 96% 的关口。\n- **调参试错成本高昂**：为了提升精度，工程师需手动修改网络结构以尝试不同的分组卷积策略，代码复现论文算法耗时数周且容易出错。\n- **训练资源利用率低**：缺乏针对多 GPU 环境的优化配置，双卡训练时负载不均，导致模型收敛速度缓慢，迭代周期被拉长。\n- **缺乏可靠基准参考**：社区中缺少与原始论文参数严格对齐的 PyTorch 实现，团队无法判断当前结果是模型问题还是训练策略失误。\n\n### 使用 ResNeXt.pytorch 后\n- **精度显著跃升**：直接引入基于“基数（Cardinality）”设计的 ResNeXt 架构，在同等数据量下将分类错误率降至 3.65%，有效捕捉到细微缺陷特征。\n- **开箱即用的复现体验**：直接调用已复现的 ResNet-V3 核心逻辑，无需从头推导聚合残差变换公式，将算法验证时间从数周缩短至数小时。\n- **高效的多卡并行训练**：利用工具原生支持的多 GPU 训练脚本（如 `--ngpu 2`），轻松实现线性加速比，快速完成 Cifar10\u002F100 级别的模型收敛。\n- **明确的优化路径**：参照官方提供的超参配置表（如 cardinality=8, base_width=64），团队能快速定位最佳模型结构，避免了盲目搜索。\n\nResNeXt.pytorch 通过提供高度还原且工程友好的金字塔网络实现，帮助开发者以更低的试错成本突破了传统残差网络的精度天花板。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprlz77_ResNeXt.pytorch_c21dbafe.png","prlz77","Pau Rodriguez","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fprlz77_02de2638.jpg",null,"Apple","http:\u002F\u002Fprlz77.github.io","https:\u002F\u002Fgithub.com\u002Fprlz77",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,519,118,"2026-03-22T11:09:30","MIT","未说明","可选（支持多 GPU 训练，示例使用 2 块），具体型号、显存大小及 CUDA 版本未说明",{"notes":92,"python":93,"dependencies":94},"该工具主要用于在 CIFAR-10 和 CIFAR-100 数据集上复现 ResNeXt 模型。虽然列出了 PyTorch 0.4.0 和 1.6 的兼容性，但未明确指定 Python 具体版本。ImageNet 训练功能尚未完成。使用时需注意代码版本回退至特定提交哈希值（e10c37d...）以匹配提供的预训练模型。","未说明（兼容 PyTorch 0.4.0 及 1.6）",[95],"pytorch>=0.4.0",[14],[98,99,100,101],"pytorch","cifar","resnet","resnext","2026-03-27T02:49:30.150509","2026-04-16T01:44:48.929156",[105,110,115,120,125,130,135],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},34740,"训练时遇到 'OSError: [Errno 12] Cannot allocate memory' 错误怎么办？","该问题通常源于 CPU 内存分配不足，而非 GPU 显存。可以尝试执行以下命令修改系统内存过度提交策略来解决：\necho 1 > \u002Fproc\u002Fsys\u002Fvm\u002Fovercommit_memory\n这允许内核分配超过物理内存总量的虚拟内存，从而避免多进程数据加载时的分配错误。","https:\u002F\u002Fgithub.com\u002Fprlz77\u002FResNeXt.pytorch\u002Fissues\u002F5",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},34741,"如果输入图像尺寸不是默认的 32x32（例如 224x224），导致输出维度错误或平均池化失效，该如何修复？","网络默认期望输入尺寸为 32x32。如果输入更大尺寸（如 224x224），会导致特征图变大，从而使全局平均池化出错。解决方法是修改模型代码中的池化层逻辑。\n请在 models\u002Fmodel.py 第 138 行附近，将原有的平均池化代码替换为自适应均值计算：\nx = x.mean((2, 3))\n这样可以确保无论输入尺寸如何，都能正确压缩空间维度。","https:\u002F\u002Fgithub.com\u002Fprlz77\u002FResNeXt.pytorch\u002Fissues\u002F21",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},34742,"运行时报错 'TypeError: tensor(...) is not JSON serializable' 是什么原因？","这是因为较新版本的 PyTorch 中，某些原本为浮点数的状态值变成了 Tensor 或 Variable 类型，而 JSON 无法直接序列化 Tensor。\n解决方案是更新到该仓库的最新版本，维护者已经修复了此问题，在写入日志前会将 Tensor 转换为普通的 Python 数值类型。如果无法更新，需手动在代码中将相关状态值转换为 .item() 或 float() 后再进行 json.dumps 操作。","https:\u002F\u002Fgithub.com\u002Fprlz77\u002FResNeXt.pytorch\u002Fissues\u002F7",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},34743,"ResNeXt 瓶颈块中，为什么 conv_reduce 的输出通道数是输入通道数的 4 倍（例如 64->512）？这符合降维设计的初衷吗？","这是 ResNeXt 架构的正常行为，并非代码错误。当基数（cardinality）设置为 8 时，1x1 卷积层需要将通道数扩展为 基数 × 基础通道数（即 8 * 64 = 512），以便后续的分组卷积（grouped convolution）能在每个组中进行处理。这与原始 Lua Torch 实现一致，旨在通过增加中间维度来提升模型的表示能力，随后再通过 conv_expand 层降回目标维度。","https:\u002F\u002Fgithub.com\u002Fprlz77\u002FResNeXt.pytorch\u002Fissues\u002F4",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},34744,"能否直接将 TensorFlow 训练的 ResNeXt 权重转换并在 PyTorch 中使用？","不能直接加载使用。由于 TensorFlow 和 PyTorch 的权重矩阵存储格式及维度顺序（如 NCHW 与 NHWC 的差异）不同，你需要编写脚本手动映射并转换权重。\n具体做法是找到 TensorFlow 权重矩阵与 PyTorch 模型层之间的对应关系，逐个填充权重矩阵。如果你成功实现了转换脚本，欢迎提交 Pull Request 合并到项目中。目前项目未提供直接的大数据集预训练模型转换工具。","https:\u002F\u002Fgithub.com\u002Fprlz77\u002FResNeXt.pytorch\u002Fissues\u002F20",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},34745,"在 CIFAR-10\u002F100 实验中，针对不同 Batch Size 应该使用多大的初始学习率？","根据原始的 Lua 实现及线性缩放规则：\n- 当 Batch Size (BS) = 32 时，学习率应为 0.025；\n- 当 Batch Size (BS) = 64 时，学习率应为 0.05；\n- 当 Batch Size (BS) = 128 时，学习率应为 0.1。\n请根据你的实际训练批次大小调整 --learning_rate 参数，以保持与论文一致的训练动态。","https:\u002F\u002Fgithub.com\u002Fprlz77\u002FResNeXt.pytorch\u002Fissues\u002F15",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},34746,"README 中的预训练模型链接失效了，还能获取吗？","部分用户反馈链接在某些网络环境下无法访问，但在其他网络（如切换无线网络）下可能正常。如果链接确实无法打开，目前官方没有提供替代的直接下载源。建议用户尝试更换网络环境重试，或者直接使用提供的代码自行训练模型。如果有用户成功下载或重新训练了权重，社区鼓励分享这些权重文件。","https:\u002F\u002Fgithub.com\u002Fprlz77\u002FResNeXt.pytorch\u002Fissues\u002F11",[]]