[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-raghakot--keras-resnet":3,"tool-raghakot--keras-resnet":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",159636,2,"2026-04-17T23:33:34",[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":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":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":142},8732,"raghakot\u002Fkeras-resnet","keras-resnet","Residual networks implementation using Keras-1.0 functional API","keras-resnet 是一个基于 Keras 1.0 函数式 API 实现的残差网络（ResNet）开源库，旨在帮助开发者轻松构建和训练深度卷积神经网络。它核心解决了深层神经网络中常见的梯度消失和网络退化难题，通过引入“跳跃连接”机制，让模型在增加层数的同时仍能保持高效的训练效果和更高的识别准确率。\n\n该工具主要面向人工智能研究人员、算法工程师及深度学习开发者。无论是需要复现经典论文成果，还是希望在自定义数据集上快速搭建高性能图像识别模型，keras-resnet 都能提供坚实基础。其技术亮点在于严格遵循《Identity Mappings in Deep Residual Networks》提出的改进方案，支持基础残差块与瓶颈残差块两种结构，并兼容 Theano 和 TensorFlow 后端。此外，项目内置了灵活的 ResNetBuilder 工厂类，可自动计算填充与池化参数，让用户能根据输入形状一键生成标准的 ResNet 架构，同时也保留了高度自定义空间以满足特殊研究需求。","# keras-resnet\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fraghakot\u002Fkeras-resnet.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fraghakot\u002Fkeras-resnet)\n[![license](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg?maxAge=2592000)](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002FLICENSE)\n\nResidual networks implementation using Keras-1.0 functional API, that works with \nboth theano\u002Ftensorflow backend and 'th'\u002F'tf' image dim ordering.\n\n### The original articles\n * [Deep Residual Learning for Image Recognition](http:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385) (the 2015 ImageNet competition winner)\n * [Identity Mappings in Deep Residual Networks](http:\u002F\u002Farxiv.org\u002Fabs\u002F1603.05027)\n\n### Residual blocks\nThe residual blocks are based on the new improved scheme proposed in [Identity Mappings in Deep Residual Networks](http:\u002F\u002Farxiv.org\u002Fabs\u002F1603.05027) as shown in figure (b)\n\n![Residual Block Scheme](images\u002Fresidual_block.png?raw=true \"Residual Block Scheme\")\n\nBoth bottleneck and basic residual blocks are supported. To switch them, simply provide the block function [here](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L109)\n\n### Code Walkthrough\nThe architecture is based on 50 layer sample (snippet from paper)\n\n![Architecture Reference](images\u002Farchitecture.png?raw=true \"Architecture Reference\")\n\nThere are two key aspects to note here\n\n 1. conv2_1 has stride of (1, 1) while remaining conv layers has stride (2, 2) at the beginning of the block. This fact is expressed in the following [lines](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L63-L65).\n 2. At the end of the first skip connection of a block, there is a disconnect in num_filters, width and height at the merge layer. This is addressed in [`_shortcut`](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L41) by using `conv 1X1` with an appropriate stride.\n For remaining cases, input is directly merged with residual block as identity.\n\n### ResNetBuilder factory\n- Use ResNetBuilder [build](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L135-L153) methods to build standard ResNet architectures with your own input shape. It will auto calculate paddings and final pooling layer filters for you.\n- Use the generic [build](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L99) method to setup your own architecture.\n\n### Cifar10 Example\n\nIncludes cifar10 training example. Achieves ~86% accuracy using Resnet18 model.\n\n![cifar10_convergence](images\u002Fconvergence.png?raw=true \"Convergence on cifar10\")\n\nNote that ResNet18 as implemented doesn't really seem appropriate for CIFAR-10 as the last two residual stages end up \nas all 1x1 convolutions from downsampling (stride). This is worse for deeper versions. A smaller, modified ResNet-like \narchitecture achieves ~92% accuracy (see [gist](https:\u002F\u002Fgist.github.com\u002FJefferyRPrice\u002Fc1ecc3d67068c8d9b3120475baba1d7e)). ","# keras-resnet\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fraghakot\u002Fkeras-resnet.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fraghakot\u002Fkeras-resnet)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg?maxAge=2592000)](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002FLICENSE)\n\n使用 Keras 1.0 函数式 API 实现的残差网络，可在 Theano 和 TensorFlow 后端以及 'th'\u002F'tf' 图像维度顺序下运行。\n\n### 原始论文\n * [用于图像识别的深度残差学习](http:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)（2015 年 ImageNet 竞赛冠军）\n * [深度残差网络中的恒等映射](http:\u002F\u002Farxiv.org\u002Fabs\u002F1603.05027)\n\n### 残差块\n残差块基于 [深度残差网络中的恒等映射](http:\u002F\u002Farxiv.org\u002Fabs\u002F1603.05027) 中提出的改进方案，如图 (b) 所示。\n\n![残差块结构](images\u002Fresidual_block.png?raw=true \"残差块结构\")\n\n同时支持瓶颈型和基础型残差块。要切换它们，只需在 [此处](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L109) 提供相应的块函数即可。\n\n### 代码解析\n该架构基于 50 层模型（摘自论文）。\n\n![架构参考图](images\u002Farchitecture.png?raw=true \"架构参考图\")\n\n这里有两个关键点需要注意：\n\n 1. conv2_1 的步幅为 (1, 1)，而其余卷积层在每个残差块的开头步幅均为 (2, 2)。这一事实体现在以下 [行](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L63-L65) 中。\n 2. 在每个残差块的第一个跳跃连接结束处，合并层的通道数、宽度和高度会出现不匹配的情况。这通过 [`_shortcut`](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L41) 使用带有适当步幅的 1x1 卷积来解决。对于其他情况，则直接将输入作为恒等映射与残差块合并。\n\n### ResNetBuilder 工厂类\n- 使用 ResNetBuilder 的 [build](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L135-L153) 方法，可根据您自己的输入形状构建标准的 ResNet 架构。它会自动为您计算填充和最终池化层的滤波器数量。\n- 使用通用的 [build](https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fblob\u002Fmaster\u002Fresnet.py#L99) 方法，可以自定义搭建您自己的架构。\n\n### CIFAR-10 示例\n\n包含 CIFAR-10 训练示例。使用 ResNet18 模型可达到约 86% 的准确率。\n\n![cifar10 收敛曲线](images\u002Fconvergence.png?raw=true \"CIFAR-10 上的收敛曲线\")\n\n需要注意的是，目前实现的 ResNet18 对于 CIFAR-10 来说并不太合适，因为最后两个残差阶段由于下采样（步幅）的原因，实际上都变成了 1x1 卷积。对于更深的版本，这个问题会更加严重。相比之下，一种更小且经过修改的类似 ResNet 的架构可以达到约 92% 的准确率（参见 [gist](https:\u002F\u002Fgist.github.com\u002FJefferyRPrice\u002Fc1ecc3d67068c8d9b3120475baba1d7e)）。","# Keras-ResNet 快速上手指南\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**：推荐 Python 3.6+\n*   **核心依赖**：\n    *   Keras (基于 1.0+ Functional API)\n    *   后端引擎：TensorFlow 或 Theano\n    *   图像处理库：Pillow, SciPy, h5py\n*   **硬件建议**：如需训练模型，建议使用支持 CUDA 的 NVIDIA GPU。\n\n> **国内加速建议**：\n> 安装依赖时，推荐使用清华或阿里镜像源以提升下载速度。\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple keras tensorflow\n> ```\n\n## 安装步骤\n\n您可以通过 `pip` 直接安装该库（如果已发布到 PyPI），或者从 GitHub 源码安装以获取最新版本。\n\n**方式一：通过 pip 安装（推荐）**\n```bash\npip install keras-resnet\n```\n\n**方式二：从 GitHub 源码安装**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet.git\ncd keras-resnet\npip install .\n```\n\n## 基本使用\n\n`keras-resnet` 提供了 `ResNetBuilder` 工厂类，可快速构建标准的 ResNet 架构（如 ResNet-18, ResNet-50 等）。以下是一个构建 ResNet-18 模型并用于 CIFAR-10 数据集的最简示例。\n\n### 1. 导入依赖与构建模型\n\n```python\nfrom keras_resnet import models\nfrom keras.layers import Input\nfrom keras.datasets import cifar10\nfrom keras.utils import np_utils\n\n# 定义输入形状 (CIFAR-10 为 32x32x3)\ninput_shape = (32, 32, 3)\ninputs = Input(shape=input_shape)\n\n# 使用 ResNetBuilder 构建 ResNet-18 模型\n# 注意：根据后端设置，可能需要调整 image_data_ordering ('channels_last' 或 'channels_first')\nmodel = models.ResNet18(inputs, classes=10)\n\n# 编译模型\nmodel.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])\n\nmodel.summary()\n```\n\n### 2. 数据预处理与训练\n\n```python\n# 加载 CIFAR-10 数据\n(x_train, y_train), (x_test, y_test) = cifar10.load_data()\n\n# 数据归一化\nx_train = x_train.astype('float32') \u002F 255.0\nx_test = x_test.astype('float32') \u002F 255.0\n\n# 标签 One-hot 编码\ny_train = np_utils.to_categorical(y_train, 10)\ny_test = np_utils.to_categorical(y_test, 10)\n\n# 开始训练\n# 注意：原文提到标准 ResNet-18 在 CIFAR-10 上表现约为 86%，\n# 若需更高精度，建议参考原文提到的修改版架构。\nmodel.fit(x_train, y_train, \n          batch_size=64, \n          epochs=50, \n          validation_data=(x_test, y_test))\n```\n\n### 自定义架构提示\n\n如果您需要构建非标准的残差网络，可以使用通用的 `build` 方法自定义块（block）类型（支持 `basic` 和 `bottleneck`）及层数配置：\n\n```python\nfrom keras_resnet import models\n\n# 自定义构建示例\n# blocks: 每个阶段的残差块数量列表\n# block: 使用的块类型 ('basic' 或 'bottleneck')\ncustom_model = models.build(inputs, classes=10, blocks=[2, 2, 2, 2], block='basic')\n```","某医疗影像初创公司的算法团队正致力于开发一套肺结节自动检测系统，需要在有限的标注数据上快速构建高精度的深度分类模型。\n\n### 没有 keras-resnet 时\n- **架构复现困难**：工程师需手动逐层编写残差块（Residual Block）和跳跃连接（Shortcut Connection）代码，极易在维度对齐或步长设置上出错，导致模型无法收敛。\n- **调试成本高昂**：处理卷积层通道数不匹配问题时，需要反复编写额外的 1x1 卷积进行投影，排查网络结构错误耗费了数天时间。\n- **实验迭代缓慢**：每次尝试不同深度的网络（如从 ResNet-18 切换到 ResNet-50）都需重构大量底层代码，严重拖慢了针对特定医学影像数据的调优进度。\n- **后端兼容风险**：自行实现的代码往往难以同时完美适配 TensorFlow 和 Theano 后端，限制了团队在不同计算资源环境下的部署灵活性。\n\n### 使用 keras-resnet 后\n- **一键构建标准架构**：直接调用 `ResNetBuilder` 工厂方法，仅需指定输入形状即可自动生成符合论文标准的 50 层或更深网络，将建模时间从数天缩短至几分钟。\n- **自动处理维度细节**：工具内部自动处理了 `_shortcut` 中的维度断开问题，智能添加所需的 1x1 卷积和步长调整，彻底消除了手动对齐特征图的繁琐与错误。\n- **灵活切换模块类型**：通过简单参数即可在“基本块”和“瓶颈块”之间切换，让团队能快速验证哪种结构更适合小尺寸的肺部 CT 切片数据。\n- **无缝后端支持**：基于 Keras-1.0 函数式 API 设计，天然支持多种后端和图像维度顺序，确保模型能在团队现有的异构计算集群中稳定运行。\n\nkeras-resnet 通过将复杂的残差网络实现封装为可调用的构建模块，让开发者从繁琐的底层架构拼搭中解放出来，专注于医疗场景下的数据优化与业务逻辑。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fraghakot_keras-resnet_683ca62c.png","raghakot","Raghavendra Kotikalapudi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fraghakot_549c238e.png","Learning to machine learn","Google","Mountain View","ragha@outlook.com",null,"http:\u002F\u002Fraghakot.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fraghakot",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,1391,601,"2026-04-06T05:37:32","NOASSERTION","","未说明",{"notes":94,"python":92,"dependencies":95},"该工具基于 Keras 1.0 函数式 API 开发，支持 Theano 和 TensorFlow 后端，以及 'th'\u002F'tf' 两种图像维度排序。由于依赖较旧（Keras 1.0），在现代环境中运行可能需要特定的历史版本配置或代码适配。",[96,97,98],"Keras==1.0","Theano","TensorFlow",[14],[101,102,103],"deep-learning","keras","resnet","2026-03-27T02:49:30.150509","2026-04-18T09:20:47.015792",[107,112,117,122,127,132,137],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},39128,"使用 fit_generator 时出现 'output of generator should be a tuple' 错误怎么办？","该错误通常是因为生成器（generator）没有正确返回数据元组。请检查你的 train_generator 代码，确保它返回的是 (x, y) 或 (x, y, sample_weight) 格式的元组，而不是 None。维护者建议提供生成器的具体代码以便进一步排查，通常问题出在生成器函数内部没有 yield 正确的数据格式。","https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fissues\u002F16",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},39129,"如何正确构建 ResNet 模型以避免输入尺寸导致的形状不匹配错误？","早期版本直接调用函数容易因输入尺寸问题报错。维护者已更新代码提供了工厂类（Factory Class）来辅助构建。现在推荐使用 `ResNetBuilder` 类来构建模型，例如：`model = ResNetBuilder.build_resnet_50((3, 320, 160), 1000)`。这样可以自动处理不同输入尺寸下的层级结构，避免手动计算带来的形状不匹配问题。","https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fissues\u002F13",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},39130,"遇到 'Only layers of same output shape can be merged using sum mode' 错误该如何解决？","此错误通常发生在输入图像尺寸无法被网络中的下采样步长整除时，导致残差连接的两个分支形状不一致。解决方案是调整输入图像的尺寸。例如，如果 (3, 300, 300) 报错，尝试改为 (3, 200, 200) 或其他能被 2 的多次幂整除的尺寸。此外，确保使用的是包含修复补丁的最新版本代码（参考 PR #14），该补丁修复了部分尺寸下的计算逻辑。","https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fissues\u002F17",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},39131,"如何实现论文中提到的预激活（Pre-activation）ResNet 结构？","标准实现可能未完全遵循 He et al. 关于预激活单元的细节（如在第一个和最后一个残差单元的特殊处理）。社区成员指出，为了复现论文结果，需要注意：1. 第一个残差单元在 conv1 之后、分支之前进行激活；2. 最后一个残差单元在元素级相加后需要额外的激活（BN-ReLU）再进入平均池化层；3. 建议在卷积层或全连接层后接 BatchNorm 时将 `bias` 设置为 False，因为 BN 的偏置参数会使卷积偏置冗余。","https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fissues\u002F26",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},39132,"该实现是否包含权重衰减（Weight Decay）？如何添加？","默认实现可能未显式包含权重衰减。如果需要添加以符合原论文设置或提升效果，可以通过 Keras 的正则化器（regularizers）轻松实现。在定义卷积层或密集层时，传入 `kernel_regularizer=keras.regularizers.l2(你的衰减值)` 参数即可应用 L2 权重衰减。","https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fissues\u002F25",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},39133,"遇到 'Stride cannot be greater than or equal to filter size' 错误是什么原因？","这是一个已知的逻辑错误，通常发生在某些块（block）的初始化下采样步长（subsample）设置大于卷积核滤波器尺寸时（例如 1x1 卷积使用了 2x2 的步长）。维护者已通过更新代码引入 `ResNetBuilder` 工厂类解决了此问题，该类能根据输入尺寸和层级自动计算正确的下采样策略。建议升级到最新版本并使用工厂类构建模型，不要手动硬编码下采样参数。","https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fissues\u002F3",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},39134,"模型在 CIFAR-10 上准确率不高或损失不收敛，可能与哪些配置有关？","除了检查学习率外，还需注意以下几点：1. 权重初始化方法应符合论文描述（如 He 初始化）；2. 确认是否使用了 PReLU 等激活函数（视具体变体而定）；3. 检查最后的全局平均池化层尺寸是否正确（例如对于特定输入，可能需要调整为 10x5 而非默认的 7x7，以确保进入分类器前的特征图体积正确）；4. 确保添加了权重衰减。维护者提到某些问题在最新提交后已修复，建议更新代码重试。","https:\u002F\u002Fgithub.com\u002Fraghakot\u002Fkeras-resnet\u002Fissues\u002F18",[]]