[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-quark0--darts":3,"tool-quark0--darts":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",151314,2,"2026-04-11T23:32:58",[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":78,"owner_email":76,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":147},6720,"quark0\u002Fdarts","darts","Differentiable architecture search for convolutional and recurrent networks","Darts 是一款专注于神经网络架构搜索（NAS）的开源工具，旨在自动化设计高性能的卷积和循环神经网络。传统的人工设计网络结构不仅耗时费力，且高度依赖专家经验，而 Darts 通过引入“可微分”的创新思路，将离散的架构搜索空间转化为连续空间，利用梯度下降算法直接优化网络结构。这种方法极大地降低了计算成本，仅需单张 GPU 即可高效搜索出在图像分类（如 CIFAR-10、ImageNet）和语言建模任务中表现卓越的模型架构。\n\n该工具的核心亮点在于其基于连续松弛的算法机制，避免了传统强化学习或进化算法所需的巨大算力消耗，使得架构搜索过程更加快速且易于复现。代码库提供了从搜索到评估的完整流程，并附带了在多个基准数据集上预训练的高质量模型，方便用户直接验证效果或作为起点进行二次开发。\n\nDarts 特别适合人工智能研究人员、算法工程师以及对深度学习模型优化有需求的开发者使用。对于希望探索自动机器学习（AutoML）前沿技术，或在资源受限环境下寻求高效网络设计方案的团队，Darts 提供了一个强大且易用的实验平台。虽然其早期版本对特定 PyTorch 版本有依赖，但其核心思想已深刻影响了后续众","Darts 是一款专注于神经网络架构搜索（NAS）的开源工具，旨在自动化设计高性能的卷积和循环神经网络。传统的人工设计网络结构不仅耗时费力，且高度依赖专家经验，而 Darts 通过引入“可微分”的创新思路，将离散的架构搜索空间转化为连续空间，利用梯度下降算法直接优化网络结构。这种方法极大地降低了计算成本，仅需单张 GPU 即可高效搜索出在图像分类（如 CIFAR-10、ImageNet）和语言建模任务中表现卓越的模型架构。\n\n该工具的核心亮点在于其基于连续松弛的算法机制，避免了传统强化学习或进化算法所需的巨大算力消耗，使得架构搜索过程更加快速且易于复现。代码库提供了从搜索到评估的完整流程，并附带了在多个基准数据集上预训练的高质量模型，方便用户直接验证效果或作为起点进行二次开发。\n\nDarts 特别适合人工智能研究人员、算法工程师以及对深度学习模型优化有需求的开发者使用。对于希望探索自动机器学习（AutoML）前沿技术，或在资源受限环境下寻求高效网络设计方案的团队，Darts 提供了一个强大且易用的实验平台。虽然其早期版本对特定 PyTorch 版本有依赖，但其核心思想已深刻影响了后续众多 NAS 研究方向的发展。","# Differentiable Architecture Search\nCode accompanying the paper\n> [DARTS: Differentiable Architecture Search](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.09055)\\\n> Hanxiao Liu, Karen Simonyan, Yiming Yang.\\\n> _arXiv:1806.09055_.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_7baad9b2c6d2.png\" alt=\"darts\" width=\"48%\">\n\u003C\u002Fp>\nThe algorithm is based on continuous relaxation and gradient descent in the architecture space. It is able to efficiently design high-performance convolutional architectures for image classification (on CIFAR-10 and ImageNet) and recurrent architectures for language modeling (on Penn Treebank and WikiText-2). Only a single GPU is required.\n\n## Requirements\n```\nPython >= 3.5.5, PyTorch == 0.3.1, torchvision == 0.2.0\n```\nNOTE: PyTorch 0.4 is not supported at this moment and would lead to OOM.\n\n## Datasets\nInstructions for acquiring PTB and WT2 can be found [here](https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fawd-lstm-lm). While CIFAR-10 can be automatically downloaded by torchvision, ImageNet needs to be manually downloaded (preferably to a SSD) following the instructions [here](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fexamples\u002Ftree\u002Fmaster\u002Fimagenet).\n\n## Pretrained models\nThe easist way to get started is to evaluate our pretrained DARTS models.\n\n**CIFAR-10** ([cifar10_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Y13i4zKGKgjtWBdC0HWLavjO7wvEiGOc\u002Fview?usp=sharing))\n```\ncd cnn && python test.py --auxiliary --model_path cifar10_model.pt\n```\n* Expected result: 2.63% test error rate with 3.3M model params.\n\n**PTB** ([ptb_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Mt_o6fZOlG-VDF3Q5ModgnAJ9W6f_av2\u002Fview?usp=sharing))\n```\ncd rnn && python test.py --model_path ptb_model.pt\n```\n* Expected result: 55.68 test perplexity with 23M model params.\n\n**ImageNet** ([imagenet_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1AKr6Y_PoYj7j0Upggyzc26W0RVdg4CVX\u002Fview?usp=sharing))\n```\ncd cnn && python test_imagenet.py --auxiliary --model_path imagenet_model.pt\n```\n* Expected result: 26.7% top-1 error and 8.7% top-5 error with 4.7M model params.\n\n## Architecture search (using small proxy models)\nTo carry out architecture search using 2nd-order approximation, run\n```\ncd cnn && python train_search.py --unrolled     # for conv cells on CIFAR-10\ncd rnn && python train_search.py --unrolled     # for recurrent cells on PTB\n```\nNote the _validation performance in this step does not indicate the final performance of the architecture_. One must train the obtained genotype\u002Farchitecture from scratch using full-sized models, as described in the next section.\n\nAlso be aware that different runs would end up with different local minimum. To get the best result, it is crucial to repeat the search process with different seeds and select the best cell(s) based on validation performance (obtained by training the derived cell from scratch for a small number of epochs). Please refer to fig. 3 and sect. 3.2 in our arXiv paper.\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_a3e6a129beab.gif\" alt=\"progress_convolutional_normal\" width=\"29%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_610294b0d960.gif\" alt=\"progress_convolutional_reduce\" width=\"35%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_3881df6e1063.gif\" alt=\"progress_recurrent\" width=\"33%\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\nFigure: Snapshots of the most likely normal conv, reduction conv, and recurrent cells over time.\n\u003C\u002Fp>\n\n## Architecture evaluation (using full-sized models)\nTo evaluate our best cells by training from scratch, run\n```\ncd cnn && python train.py --auxiliary --cutout            # CIFAR-10\ncd rnn && python train.py                                 # PTB\ncd rnn && python train.py --data ..\u002Fdata\u002Fwikitext-2 \\     # WT2\n            --dropouth 0.15 --emsize 700 --nhidlast 700 --nhid 700 --wdecay 5e-7\ncd cnn && python train_imagenet.py --auxiliary            # ImageNet\n```\nCustomized architectures are supported through the `--arch` flag once specified in `genotypes.py`.\n\nThe CIFAR-10 result at the end of training is subject to variance due to the non-determinism of cuDNN back-prop kernels. _It would be misleading to report the result of only a single run_. By training our best cell from scratch, one should expect the average test error of 10 independent runs to fall in the range of 2.76 +\u002F- 0.09% with high probability.\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_9009a647a21f.png\" alt=\"cifar10\" width=\"36%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_72931b13bada.png\" alt=\"ptb\" width=\"29%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_14493bca7673.png\" alt=\"ptb\" width=\"30%\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\nFigure: Expected learning curves on CIFAR-10 (4 runs), ImageNet and PTB.\n\u003C\u002Fp>\n\n## Visualization\nPackage [graphviz](https:\u002F\u002Fgraphviz.readthedocs.io\u002Fen\u002Fstable\u002Findex.html) is required to visualize the learned cells\n```\npython visualize.py DARTS\n```\nwhere `DARTS` can be replaced by any customized architectures in `genotypes.py`.\n\n## Citation\nIf you use any part of this code in your research, please cite our [paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.09055):\n```\n@article{liu2018darts,\n  title={DARTS: Differentiable Architecture Search},\n  author={Liu, Hanxiao and Simonyan, Karen and Yang, Yiming},\n  journal={arXiv preprint arXiv:1806.09055},\n  year={2018}\n}\n```\n","# 可微架构搜索\n论文配套代码\n> [DARTS：可微架构搜索](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.09055)\\\n> 刘瀚霄、卡伦·西蒙尼扬、杨一鸣。\\\n> _arXiv:1806.09055_。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_7baad9b2c6d2.png\" alt=\"darts\" width=\"48%\">\n\u003C\u002Fp>\n该算法基于架构空间中的连续松弛和梯度下降，能够高效地设计用于图像分类（在CIFAR-10和ImageNet上）的高性能卷积架构，以及用于语言建模（在Penn Treebank和WikiText-2上）的循环架构。仅需一张GPU即可运行。\n\n## 环境要求\n```\nPython >= 3.5.5, PyTorch == 0.3.1, torchvision == 0.2.0\n```\n注意：目前不支持PyTorch 0.4版本，使用该版本会导致内存溢出（OOM）。\n\n## 数据集\n获取PTB和WT2数据集的说明请参见[这里](https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fawd-lstm-lm)。CIFAR-10数据集可由torchvision自动下载，而ImageNet则需要手动下载（建议下载到SSD上），具体步骤请参考[这里](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fexamples\u002Ftree\u002Fmaster\u002Fimagenet)。\n\n## 预训练模型\n入门最简单的方式是直接评估我们预训练好的DARTS模型。\n\n**CIFAR-10** ([cifar10_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Y13i4zKGKgjtWBdC0HWLavjO7wvEiGOc\u002Fview?usp=sharing))\n```\ncd cnn && python test.py --auxiliary --model_path cifar10_model.pt\n```\n* 预期结果：测试误差率为2.63%，模型参数量为330万。\n\n**PTB** ([ptb_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Mt_o6fZOlG-VDF3Q5ModgnAJ9W6f_av2\u002Fview?usp=sharing))\n```\ncd rnn && python test.py --model_path ptb_model.pt\n```\n* 预期结果：测试困惑度为55.68，模型参数量为2300万。\n\n**ImageNet** ([imagenet_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1AKr6Y_PoYj7j0Upggyzc26W0RVdg4CVX\u002Fview?usp=sharing))\n```\ncd cnn && python test_imagenet.py --auxiliary --model_path imagenet_model.pt\n```\n* 预期结果：Top-1错误率为26.7%，Top-5错误率为8.7%，模型参数量为470万。\n\n## 架构搜索（使用小型代理模型）\n要进行二阶近似的架构搜索，请运行：\n```\ncd cnn && python train_search.py --unrolled     # 用于CIFAR-10上的卷积细胞\ncd rnn && python train_search.py --unrolled     # 用于PTB上的循环细胞\n```\n请注意，此步骤中的验证性能并不能代表最终架构的实际表现。必须使用完整尺寸的模型从头开始训练所获得的基因型\u002F架构，具体方法见下文。\n\n此外，需要注意的是，每次运行可能会收敛到不同的局部最优解。为了得到最佳结果，关键在于使用不同的随机种子重复搜索过程，并根据验证性能（通过从头训练所得细胞几个epoch后获得）选择最佳的细胞结构。详情请参阅我们的arXiv论文中的图3和第3.2节。\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_a3e6a129beab.gif\" alt=\"progress_convolutional_normal\" width=\"29%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_610294b0d960.gif\" alt=\"progress_convolutional_reduce\" width=\"35%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_3881df6e1063.gif\" alt=\"progress_recurrent\" width=\"33%\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n图：随时间推移，最有可能的普通卷积单元、缩减卷积单元和循环单元的快照。\n\u003C\u002Fp>\n\n## 架构评估（使用完整尺寸模型）\n要通过从头训练来评估我们找到的最佳细胞，请运行：\n```\ncd cnn && python train.py --auxiliary --cutout            # CIFAR-10\ncd rnn && python train.py                                 # PTB\ncd rnn && python train.py --data ..\u002Fdata\u002Fwikitext-2 \\     # WT2\n            --dropouth 0.15 --emsize 700 --nhidlast 700 --nhid 700 --wdecay 5e-7\ncd cnn && python train_imagenet.py --auxiliary            # ImageNet\n```\n一旦在`genotypes.py`中定义了自定义架构，即可通过`--arch`参数进行支持。\n\n由于cuDNN反向传播核的非确定性，CIFAR-10训练结束时的结果可能存在一定波动。_仅报告单次运行的结果会具有误导性_。通过从头训练我们找到的最佳细胞，预计10次独立运行的平均测试误差率将有很大概率落在2.76% ± 0.09%范围内。\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_9009a647a21f.png\" alt=\"cifar10\" width=\"36%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_72931b13bada.png\" alt=\"ptb\" width=\"29%\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_readme_14493bca7673.png\" alt=\"ptb\" width=\"30%\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n图：CIFAR-10（4次运行）、ImageNet和PTB的预期学习曲线。\n\u003C\u002Fp>\n\n## 可视化\n需要安装[graphviz](https:\u002F\u002Fgraphviz.readthedocs.io\u002Fen\u002Fstable\u002Findex.html)包来可视化学习到的细胞结构：\n```\npython visualize.py DARTS\n```\n其中，`DARTS`可以替换为`genotypes.py`中任何自定义的架构。\n\n## 引用\n如果您在研究中使用了本代码的任何部分，请引用我们的[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.09055)：\n```\n@article{liu2018darts,\n  title={DARTS: Differentiable Architecture Search},\n  author={Liu, Hanxiao and Simonyan, Karen and Yang, Yiming},\n  journal={arXiv preprint arXiv:1806.09055},\n  year={2018}\n}\n```","# DARTS 快速上手指南\n\nDARTS (Differentiable Architecture Search) 是一个基于连续松弛和梯度下降的高效神经架构搜索算法，可用于设计高性能的卷积神经网络（图像分类）和循环神经网络（语言模型）。\n\n## 环境准备\n\n### 系统要求\n- **Python**: >= 3.5.5\n- **PyTorch**: == 0.3.1 (**注意**：当前版本不支持 PyTorch 0.4，否则会导致内存溢出 OOM)\n- **torchvision**: == 0.2.0\n- **其他依赖**: `graphviz` (用于可视化架构)\n\n### 数据集准备\n- **CIFAR-10**: 代码运行时会自动下载。\n- **Penn Treebank (PTB) \u002F WikiText-2 (WT2)**: 参考 [AWD-LSTM-LM](https:\u002F\u002Fgithub.com\u002Fsalesforce\u002Fawd-lstm-lm) 获取数据。\n- **ImageNet**: 需手动下载并存放至高速存储（推荐 SSD），参考 [PyTorch ImageNet 示例](https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fexamples\u002Ftree\u002Fmaster\u002Fimagenet)。\n\n## 安装步骤\n\n1. 克隆仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fquark0\u002Fdarts.git\ncd darts\n```\n\n2. 安装指定版本的依赖（建议使用虚拟环境）：\n```bash\npip install torch==0.3.1 torchvision==0.2.0 graphviz\n```\n> **提示**：由于 PyTorch 0.3.1 版本较老，若在国内下载缓慢，可配置清华或阿里镜像源加速：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch==0.3.1 torchvision==0.2.0 graphviz`\n\n## 基本使用\n\n### 方式一：评估预训练模型（最快开始）\n\n直接测试官方提供的预训练模型以验证环境。\n\n**1. CIFAR-10 图像分类**\n预期结果：测试错误率 2.63% (参数量 3.3M)\n```bash\ncd cnn && python test.py --auxiliary --model_path cifar10_model.pt\n```\n*(需先自行下载 [cifar10_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Y13i4zKGKgjtWBdC0HWLavjO7wvEiGOc\u002Fview?usp=sharing) 到当前目录)*\n\n**2. PTB 语言模型**\n预期结果：测试困惑度 55.68 (参数量 23M)\n```bash\ncd rnn && python test.py --model_path ptb_model.pt\n```\n*(需先自行下载 [ptb_model.pt](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1Mt_o6fZOlG-VDF3Q5ModgnAJ9W6f_av2\u002Fview?usp=sharing) 到当前目录)*\n\n### 方式二：执行架构搜索\n\n使用二阶近似方法在代理模型上搜索架构。\n\n**搜索卷积单元 (CIFAR-10)**\n```bash\ncd cnn && python train_search.py --unrolled\n```\n\n**搜索循环单元 (PTB)**\n```bash\ncd rnn && python train_search.py --unrolled\n```\n> **注意**：此步骤得到的验证性能不代表最终性能。搜索完成后，需将得到的架构（genotype）放入 `genotypes.py`，并使用全尺寸模型从头训练进行评估。\n\n### 方式三：从头训练评估架构\n\n将搜索到的最佳架构（或自定义架构）在全尺寸模型上从头训练。\n\n**CIFAR-10**\n```bash\ncd cnn && python train.py --auxiliary --cutout\n```\n\n**PTB**\n```bash\ncd rnn && python train.py\n```\n\n**ImageNet**\n```bash\ncd cnn && python train_imagenet.py --auxiliary\n```\n\n### 可视化架构\n\n查看学习到的细胞结构（需安装 graphviz）：\n```bash\npython visualize.py DARTS\n```\n其中 `DARTS` 可替换为 `genotypes.py` 中定义的任何自定义架构名称。","某初创计算机视觉团队需要在资源受限的单张 GPU 服务器上，为医疗影像分类任务快速构建高精度的卷积神经网络模型。\n\n### 没有 darts 时\n- **架构设计依赖人工试错**：工程师需凭借经验手动调整网络层数、连接方式及算子类型，耗时数周仍难找到最优结构。\n- **搜索成本极其高昂**：传统神经架构搜索（NAS）方法通常需要数百个 GPU 天进行强化学习或进化算法搜索，远超团队预算。\n- **模型性能遭遇瓶颈**：手工设计的模型在复杂病灶特征提取上表现平平，测试错误率难以突破 3%，影响诊断辅助系统的可靠性。\n- **复现与迁移困难**：每次更换数据集都需重新经历漫长的调参过程，缺乏一套系统化的自动衍生机制。\n\n### 使用 darts 后\n- **实现自动化架构生成**：利用 darts 的可微分松弛技术，将离散的架构搜索转化为连续的梯度下降问题，自动设计出针对医疗影像的最优卷积单元。\n- **大幅降低硬件门槛**：仅需单张 GPU 即可在数小时内完成高效的架构搜索，将原本需要集群算力的任务变为桌面级可执行操作。\n- **显著提升模型精度**：自动生成的架构在验证集上将错误率降至 2.63% 以下，且参数量控制在 330 万左右，兼顾了高精度与轻量化。\n- **流程标准化且可复用**：通过定义基因型（genotype），团队可轻松将搜索到的优秀细胞结构迁移至不同尺寸的医学数据集，从头训练即可获得稳定收益。\n\ndarts 通过将架构搜索转化为高效的梯度优化问题，让中小团队也能以极低算力成本获得媲美顶尖实验室的模型架构设计能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fquark0_darts_9009a647.png","quark0","Hanxiao Liu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fquark0_c59b95d8.jpg",null,"Inflection AI","Palo Alto, CA","http:\u002F\u002Fquark0.github.io","https:\u002F\u002Fgithub.com\u002Fquark0",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,3994,839,"2026-04-06T02:52:03","Apache-2.0",4,"未说明","必需，仅需单个 GPU（具体型号和显存大小未说明，但需注意 PyTorch 0.4 会导致 OOM）",{"notes":94,"python":95,"dependencies":96},"注意：当前不支持 PyTorch 0.4，否则会导致内存溢出（OOM）。ImageNet 数据集需手动下载并建议使用 SSD 存储。由于 cuDNN 反向传播内核的非确定性，CIFAR-10 结果存在方差，建议进行多次独立运行取平均值。架构搜索阶段得到的验证性能不代表最终性能，必须从头训练完整模型进行评估。可视化功能需要安装 graphviz 包。",">=3.5.5",[97,98,99],"PyTorch==0.3.1","torchvision==0.2.0","graphviz",[14,35,15],[102,103,104,105,106,107,108,109],"deep-learning","automl","image-classification","language-modeling","pytorch","convolutional-networks","recurrent-networks","neural-architecture-search","2026-03-27T02:49:30.150509","2026-04-12T07:52:05.963702",[113,118,122,127,132,137,142],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},30320,"论文中展示的架构是如何从多次搜索运行中筛选出来的？每次运行的结果不同怎么办？","由于 cuDNN 和 GPU 并行化的原因，即使固定随机种子，每次搜索得到的细胞结构（cell）也很可能不同。作者的做法是重复搜索 4 次，根据验证集曲线（如论文图 3 所示）找到表现最好的那个细胞结构，然后对该单一最佳结构再评估 4 次以获取平均性能。选择策略本质上是让架构参数 alpha 在验证集上“过拟合”，这是该方法预期的行为。","https:\u002F\u002Fgithub.com\u002Fquark0\u002Fdarts\u002Fissues\u002F32",{"id":119,"question_zh":120,"answer_zh":121,"source_url":117},30321,"为什么在搜索空间中包含 'zero' (skip_connect) 操作，但最终架构中却很少使用或不被采用？","'Zero' 操作是辅助性的，允许不同的边具有不同的总强度。它们的绝对强度并不重要，因为将细胞中所有边的强度乘以相同的因子不会改变其拓扑结构。该工作并非旨在学习架构的稀疏性，而是假设每个节点都有 2 个前驱节点（类似于 NASNets 和 AmoebaNets），因此 zero 操作的存在是为了调节边之间的相对权重关系。",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},30322,"如何计算 DARTS 模型的乘加运算量（FLOPs\u002FMACs）？","可以使用 `thop` 或 `ptflops` 库来计算。例如使用 `thop`：\n```python\nfrom thop import profile\nmodel = torch.load('checkpoint.pth.tar')\ninput = torch.randn(1, 3, 224, 224)\nflops, params = profile(model, inputs=(input, ))\n```\n注意：如果计算出的 FLOPs 约为 900M 而不是论文中的 600M 左右，通常是因为构建网络时错误地设置了 `stem_multiplier=3`。正确的设置应使 FLOPs 保持在限制范围内（如 544M-600M）。","https:\u002F\u002Fgithub.com\u002Fquark0\u002Fdarts\u002Fissues\u002F46",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},30323,"论文中报告的 1.5 GPU 天搜索成本是否包含了架构筛选和重新训练的时间？","不包含。1.5 GPU 天仅指搜索过程本身的成本。筛选最佳架构（即在验证集上重训多个快照以选择最佳者）以及最终架构的完整评估时间未计入该搜索成本中。这与许多其他基线方法的处理方式一致。","https:\u002F\u002Fgithub.com\u002Fquark0\u002Fdarts\u002Fissues\u002F12",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},30324,"我在 PTB 数据集上的测试困惑度（test ppl）比论文报告的高很多，可能的原因是什么？","这可能是因为未正确迁移一阶细胞（1st order cells）或者训练轮数设置不当（需确认是 300 还是 3000 epochs）。此外，检查是否使用了与论文一致的超参数（如权重衰减 weight-decay）。维护者曾指出他们尚未完全转移一阶细胞的实现，这可能导致复现结果存在差异。建议检查代码版本并确认实验设置是否与论文完全一致。","https:\u002F\u002Fgithub.com\u002Fquark0\u002Fdarts\u002Fissues\u002F50",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},30325,"运行 CIFAR 搜索脚本时出现 CUDA 显存不足（Out of Memory）错误，如何解决？","尝试减小批次大小（batch_size），例如从默认的 64 降低到 32 或更小。也可以检查是否启用了 cutout 数据增强，若显存紧张可暂时关闭（设置 --cutout=False）。此外，确保使用的是兼容的 PyTorch 版本，并根据需要调整 dataloader 的 num_workers 数量以减少内存开销。","https:\u002F\u002Fgithub.com\u002Fquark0\u002Fdarts\u002Fissues\u002F16",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},30326,"论文中的随机基线（random baseline）是如何生成的？是单次运行还是多次平均？","随机基线通常是多次随机架构运行的平均结果，以确保统计显著性。具体实现细节可能涉及特定的权重衰减设置（如 0.0003），若复现结果偏低，请检查是否使用了正确的超参数配置。维护者曾提到因误用不同的 weight-decay（0.0001）导致结果偏差，修正后性能有所提升。","https:\u002F\u002Fgithub.com\u002Fquark0\u002Fdarts\u002Fissues\u002F3",[]]