[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-pumpikano--tf-dann":3,"tool-pumpikano--tf-dann":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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":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":76,"owner_location":77,"owner_email":78,"owner_twitter":72,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":10,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":104,"view_count":24,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":141},10032,"pumpikano\u002Ftf-dann","tf-dann","Domain-Adversarial Neural Network in Tensorflow","tf-dann 是一个基于 TensorFlow 实现的开源项目，旨在复现并应用“域对抗神经网络”（DANN）技术。它主要解决机器学习中的“域适应”难题：当模型在一个数据集（源域）上训练良好，却难以直接应用于分布不同的另一个数据集（目标域）时，tf-dann 能通过无监督学习帮助模型跨越这种数据差异，显著提升在新环境下的准确率。\n\n这款工具特别适合人工智能研究人员和深度学习开发者使用，尤其是那些需要处理数据分布漂移、进行迁移学习实验或希望复现经典学术论文结果的专业人士。其核心技术亮点在于巧妙实现了“梯度反转层”（Gradient Reversal Layer）。通过利用 TensorFlow 的梯度覆盖机制，tf-dann 能在反向传播过程中自动反转梯度方向，从而在训练特征提取器的同时迷惑域分类器，迫使模型学习到与具体域无关的通用特征。项目不仅提供了完整的代码实现，还包含了在 MNIST 等经典数据集上的实验笔记，方便用户快速上手验证效果，是探索域适应算法的优质参考资源。","# Domain-Adversarial Training of Neural Networks in Tensorflow\n\n\"[Unsupervised Domain Adaptation by Backpropagation](http:\u002F\u002Fsites.skoltech.ru\u002Fcompvision\u002Fprojects\u002Fgrl\u002Ffiles\u002Fpaper.pdf)\" introduced a simple and effective method for accomplishing domain adaptation with SGD with a gradient reversal layer. This work was elaborated and extended in \"[Domain-Adversarial Training of Neural Networks](http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fvolume17\u002F15-239\u002F15-239.pdf)\". For more information as well as a link to an equivalent implementation in Caffe, see http:\u002F\u002Fsites.skoltech.ru\u002Fcompvision\u002Fprojects\u002Fgrl\u002F.\n\nThe `Blobs-DANN.ipynb` shows some basic experiments on a very simple dataset. The `MNIST-DANN.ipynb` recreates the MNIST experiment from the papers on a synthetic dataset. Instructions to generate the synthetic dataset are below.\n\nRequires TensorFlow>=1.0 and tested with Python 2.7 and Python 3.4.\n\n## Gradient Reversal Layer\n\nThe `flip_gradient` operation is implemented in Python by using `tf.gradient_override_map` to override the gradient of `tf.identity`. Refer to `flip_gradient.py` to see how this is implemented.\n\n```python\nfrom flip_gradient import flip_gradient\n\n# Flip the gradient of y w.r.t. x and scale by l (defaults to 1.0)\ny = flip_gradient(x, l)\n```\n\n## MNIST Experiments\n\nThe `MNIST-DANN.ipynb` notebook implements the MNIST experiments for the paper with the same model and optimization parameters, including the learning rate and adaptation parameter schedules. Rough results are below (more training would likely improve results - # epochs are not reported in the paper).\n\n| Method | Target acc (paper) | Target acc (this repo w\u002F 10 epochs) |\n| ------ | ------------------ | ----------------------------------- |\n| Source Only | 0.5225 | 0.4801 |\n| DANN | 0.7666 | 0.7189 |\n\n\n### Build MNIST-M dataset\n\nThe MNIST-M dataset consists of MNIST digits blended with random color patches from the [BSDS500](http:\u002F\u002Fwww.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fgrouping\u002Fresources.html#bsds500) dataset. To generate a MNIST-M dataset, first download the BSDS500 dataset and run the `create_mnistm.py` script:\n\n```bash\ncurl -L -O http:\u002F\u002Fwww.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fgrouping\u002FBSR\u002FBSR_bsds500.tgz\npython create_mnistm.py\n```\n\nThis may take a couple minutes and should result in a `mnistm_data.pkl` file containing generated images.\n\n\n## Contribution\n\nIt would be great to add other experiments to this repository. Feel free to make a PR if you decide to recreate other results from the papers or new experiments entirely.\n","# 在 TensorFlow 中进行神经网络的域对抗训练\n\n论文“[通过反向传播实现无监督域适应](http:\u002F\u002Fsites.skoltech.ru\u002Fcompvision\u002Fprojects\u002Fgrl\u002Ffiles\u002Fpaper.pdf)”提出了一种简单而有效的方法，利用带有梯度反转层的 SGD 来完成域适应任务。这项工作在“[神经网络的域对抗训练](http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fvolume17\u002F15-239\u002F15-239.pdf)”中得到了进一步阐述和扩展。有关更多信息以及 Caffe 中等效实现的链接，请参阅 http:\u002F\u002Fsites.skoltech.ru\u002Fcompvision\u002Fprojects\u002Fgrl\u002F。\n\n`Blobs-DANN.ipynb` 展示了在一个非常简单的数据集上的一些基础实验。`MNIST-DANN.ipynb` 则在合成数据集上复现了论文中的 MNIST 实验。合成数据集的生成说明如下。\n\n本项目需要 TensorFlow>=1.0，并已在 Python 2.7 和 Python 3.4 上测试通过。\n\n## 梯度反转层\n\n`flip_gradient` 操作通过使用 `tf.gradient_override_map` 覆盖 `tf.identity` 的梯度来用 Python 实现。具体实现方式请参阅 `flip_gradient.py` 文件。\n\n```python\nfrom flip_gradient import flip_gradient\n\n# 反转 y 关于 x 的梯度，并乘以系数 l（默认为 1.0）\ny = flip_gradient(x, l)\n```\n\n## MNIST 实验\n\n`MNIST-DANN.ipynb` 笔记本实现了论文中的 MNIST 实验，采用了相同的模型和优化参数，包括学习率和域适应参数的调度策略。以下是大致的实验结果（更多的训练可能会进一步提升效果——论文中并未报告训练轮数）：\n\n| 方法         | 目标域准确率（论文） | 目标域准确率（本仓库，10 轮训练） |\n| ------------ | -------------------- | ----------------------------------- |\n| 仅源域       | 0.5225             | 0.4801                            |\n| DANN         | 0.7666             | 0.7189                            |\n\n### 构建 MNIST-M 数据集\n\nMNIST-M 数据集由 MNIST 数字与来自 [BSDS500](http:\u002F\u002Fwww.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fgrouping\u002Fresources.html#bsds500) 数据集的随机颜色块混合而成。要生成 MNIST-M 数据集，首先下载 BSDS500 数据集，然后运行 `create_mnistm.py` 脚本：\n\n```bash\ncurl -L -O http:\u002F\u002Fwww.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fgrouping\u002FBSR\u002FBSR_bsds500.tgz\npython create_mnistm.py\n```\n\n此过程可能需要几分钟，最终会生成一个包含生成图像的 `mnistm_data.pkl` 文件。\n\n## 贡献\n\n欢迎向本仓库添加其他实验。如果您决定复现论文中的其他结果，或开展全新的实验，请随时提交 Pull Request。","# tf-dann 快速上手指南\n\ntf-dann 是基于 TensorFlow 实现的**域对抗神经网络训练**（Domain-Adversarial Training of Neural Networks, DANN）工具。它通过引入梯度反转层（Gradient Reversal Layer），利用无监督域自适应方法，帮助模型将从源域学到的知识迁移到目标域。\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 \u002F macOS \u002F Windows\n*   **Python 版本**：推荐 Python 2.7 或 Python 3.4+\n*   **核心依赖**：TensorFlow >= 1.0\n*   **其他依赖**：Jupyter Notebook (用于运行示例脚本), NumPy, PIL\u002FPillow\n\n建议安装命令：\n```bash\npip install tensorflow>=1.0 jupyter numpy pillow\n```\n\n## 安装步骤\n\n该项目主要为代码实现，无需复杂的编译安装过程，直接克隆仓库即可使用。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fpumpikano\u002Ftf-dann.git\n    cd tf-dann\n    ```\n\n2.  **验证核心组件**\n    确认 `flip_gradient.py` 文件存在，这是实现梯度反转层的核心模块。\n\n## 基本使用\n\n### 1. 核心功能：梯度反转层\n\nDANN 的核心在于 `flip_gradient` 操作，它在反向传播时将梯度乘以 -λ（默认 λ=1.0），从而实现域分类器的梯度反转。\n\n**代码示例：**\n\n```python\nfrom flip_gradient import flip_gradient\n\n# x: 输入张量\n# l: 缩放系数 (默认为 1.0)\n# y: 输出张量，前向传播与 x 相同，反向传播梯度被反转并缩放\ny = flip_gradient(x, l)\n```\n\n### 2. 运行 MNIST 域自适应实验\n\n项目提供了 `MNIST-DANN.ipynb` 笔记本，复现了论文中的经典实验（将模型从标准 MNIST 迁移到 MNIST-M 数据集）。\n\n#### 第一步：构建 MNIST-M 数据集\nMNIST-M 是由 MNIST 数字与 BSDS500 数据集中的随机色块混合而成的合成数据集。\n\n1.  **下载 BSDS500 数据集**\n    ```bash\n    curl -L -O http:\u002F\u002Fwww.eecs.berkeley.edu\u002FResearch\u002FProjects\u002FCS\u002Fvision\u002Fgrouping\u002FBSR\u002FBSR_bsds500.tgz\n    ```\n    *(注：如果下载速度慢，可尝试手动下载后解压至当前目录)*\n\n2.  **生成数据文件**\n    运行脚本生成 `mnistm_data.pkl` 文件：\n    ```bash\n    python create_mnistm.py\n    ```\n    此过程可能需要几分钟。\n\n#### 第二步：启动实验\n生成数据后，启动 Jupyter Notebook 并打开 `MNIST-DANN.ipynb`：\n\n```bash\njupyter notebook MNIST-DANN.ipynb\n```\n\n在 Notebook 中按顺序执行单元格，即可观察“仅源域训练”（Source Only）与\"DANN 方法”在目标域上的准确率对比。根据官方测试，经过 10 个 epoch 的训练，DANN 方法通常能将目标域准确率提升至 70% 以上，显著优于源域单独训练的效果。","某自动驾驶初创团队正试图将基于清晰白天数据训练的交通标志识别模型，迁移到夜间或恶劣天气的监控摄像头画面中，但面临目标场景缺乏标注数据的困境。\n\n### 没有 tf-dann 时\n- **标注成本高昂**：为了适应新环境，团队必须人工收集并逐帧标注大量夜间图像，耗时数周且预算激增。\n- **模型泛化能力差**：直接在源域（白天）训练的模型在目标域（夜间）表现糟糕，准确率从 95% 骤降至 50% 左右，无法识别光照变化下的特征。\n- **特征分布不一致**：由于白天与夜间图像的像素分布差异巨大，模型过度拟合了源域的背景噪声，导致在新场景中频繁误报。\n- **迭代周期漫长**：每次调整模型以适应新环境都需要重新采集和标注数据，严重拖慢了产品落地进度。\n\n### 使用 tf-dann 后\n- **实现无监督迁移**：利用 tf-dann 内置的梯度反转层（Gradient Reversal Layer），团队无需任何夜间图像标签，仅凭未标注的目标域数据即可完成模型适配。\n- **显著提升准确率**：通过对抗训练迫使网络提取域不变特征，模型在夜间场景的识别准确率从 50% 回升至 72% 以上，接近有监督训练效果。\n- **自动对齐特征分布**：tf-dann 自动混淆域分类器，有效消除了白天与夜间图像的风格差异，使模型专注于交通标志本身的形状与纹理。\n- **大幅缩短开发周期**：省去了繁琐的数据标注环节，模型迁移验证时间从数周压缩至几天，加速了算法在不同路况下的部署。\n\ntf-dann 通过对抗性训练机制，成功打破了数据标注的壁垒，让 AI 模型具备了跨场景自我进化的核心能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpumpikano_tf-dann_1f464a3b.png","pumpikano","Clayton Mellina","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpumpikano_ad693e00.png","Software engineer, computer vision, deep learning, drug discovery.","@transcriptabio","San Francisco, CA",null,"https:\u002F\u002Fpumpikano.xyz","https:\u002F\u002Fgithub.com\u002Fpumpikano",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",98.7,{"name":87,"color":88,"percentage":89},"Python","#3572A5",1.3,633,220,"2026-01-01T09:39:46","MIT","","未说明",{"notes":97,"python":98,"dependencies":101},"该工具基于 TensorFlow 1.0+ 实现，包含梯度反转层（Gradient Reversal Layer）的自定义 Python 实现。运行 MNIST 实验前需手动下载 BSDS500 数据集并执行脚本生成合成的 MNIST-M 数据集（生成 mnistm_data.pkl 文件）。由于依赖较旧版本的 TensorFlow 和 Python，现代环境可能需要配置兼容的运行环境。",[99,100],"2.7","3.4",[102],"tensorflow>=1.0",[14],[105,106,107],"domain-adaptation","tensorflow-models","adversarial-learning","2026-03-27T02:49:30.150509","2026-04-20T16:46:47.995100",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},45075,"遇到 'generator' object has no attribute 'next' 错误怎么办？","这是 Python 2 和 Python 3 的兼容性问题。在 Python 2.x 中使用 `A.next()`，而在 Python 3.x 中应使用内置函数 `next(A)` 或 `A.__next__()`。维护者已更新代码以兼容 Python 3，请确保使用最新版本的代码。","https:\u002F\u002Fgithub.com\u002Fpumpikano\u002Ftf-dann\u002Fissues\u002F8",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},45076,"代码在 Windows 10 或 Mac OS 上无法运行，报错频繁怎么办？","维护者已针对 Python 3.x 和 TensorFlow >= 1.0 版本更新了代码。请确保您的环境符合要求（如 Python 3.6 + TensorFlow 1.3.0）。如果仍有问题，建议检查 README 中是否列出了所需的环境版本，或尝试拉取最新的修复代码。","https:\u002F\u002Fgithub.com\u002Fpumpikano\u002Ftf-dann\u002Fissues\u002F16",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},45077,"如何获取或生成用于实验的合成数字数据集（Synthetic Digits Dataset）？","该数据集未直接包含在代码库中。社区用户已上传了一份可能相同的数据集供下载验证，链接为：https:\u002F\u002Fdrive.google.com\u002Fopen?id=1lQoeTViThmv79AiY6tgibnPItl5y6zUc。请下载后仔细核对内容以确保与论文实验一致。","https:\u002F\u002Fgithub.com\u002Fpumpikano\u002Ftf-dann\u002Fissues\u002F15",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},45078,"为什么在创建目标域批次（target batch）时使用了源域的标签（mnist labels）？","这是一种评估手段。MNIST-M 是一个玩具数据集，实际上是有标签的。在训练域适应模型时，目标域标签并不作为监督信号使用（即不参与预测损失的计算）。这些标签仅用于训练后评估模型的成功率，以及与直接在目标域标签上训练的情况进行对比（提供性能上限参考）。控制这一行为的是 `model.train` 占位符。","https:\u002F\u002Fgithub.com\u002Fpumpikano\u002Ftf-dann\u002Fissues\u002F13",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},45079,"总损失函数（total_loss）的定义与论文公式不一致，代码中似乎缺少 lambda 系数？","代码实现与论文在数学上是等价的。论文旨在寻找目标函数 `E = predict_loss - lambda*domain_loss` 的鞍点，即最小化 `predict_loss` 并最大化 `domain_loss`。由于最大化一个值等同于最小化其相反数，因此这等价于联合最小化 `predict_loss + lambda*domain_loss`。代码中的 `lambda` 系数实际上是通过梯度反转层（Gradient Reversal Layer, flip_gradient.py）中的参数 `l` 来实现的，因此代码中直接相加是正確的。","https:\u002F\u002Fgithub.com\u002Fpumpikano\u002Ftf-dann\u002Fissues\u002F19",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},45080,"迁移到其他自定义数据集时出现 Logits 和标签尺寸不匹配的错误，如何解决？","这通常是因为批次构建方式不正确。模型期望每个批次包含 50% 的源域样本和 50% 的目标域样本。请确保像原始脚本一样，通过连接两个批处理迭代器来构建批次，且每个迭代器产生的数据量为总 batch_size 的一半。示例代码如下：\ngen_source_batch = batch_generator([source_data, source_labels], batch_size \u002F 2)\ngen_target_batch = batch_generator([target_data, source_labels], batch_size \u002F 2)\n请检查您的代码是否遗漏了这种分批逻辑。","https:\u002F\u002Fgithub.com\u002Fpumpikano\u002Ftf-dann\u002Fissues\u002F4",[]]