[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-shaoxiongji--federated-learning":3,"tool-shaoxiongji--federated-learning":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":23,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":102,"updated_at":103,"faqs":104,"releases":145},3650,"shaoxiongji\u002Ffederated-learning","federated-learning","A PyTorch Implementation of Federated Learning","federated-learning 是一个基于 PyTorch 框架开发的开源项目，旨在复现并实现经典的联邦学习算法。它主要解决了在数据分散且无法集中共享的场景下，如何高效训练深度学习模型的问题。通过模拟多个客户端协作训练的过程，该项目允许在不交换原始数据的前提下，利用分布式数据共同优化模型，从而有效保护数据隐私并降低通信成本。\n\n目前，该工具支持在 MNIST 和 CIFAR-10 数据集上进行实验，涵盖了独立同分布（IID）与非独立同分布（Non-IID）两种数据场景，并提供了多层感知机（MLP）和卷积神经网络（CNN）两种模型架构的完整训练脚本。其核心技术亮点在于实现了 FedAvg 算法，展示了在不同数据分布下模型收敛的准确性差异，为研究去中心化学习提供了直观的参考基准。\n\n需要注意的是，由于未实施并行计算优化，脚本运行速度可能较慢，更适合用于算法原理验证与教学演示。因此，federated-learning 非常适合人工智能研究人员、高校学生以及希望深入理解联邦学习机制的开发者使用。用户可以通过简单的命令行参数灵活调整数据集、模型类型及训练轮数，快速复现论文结果或开展进一步","federated-learning 是一个基于 PyTorch 框架开发的开源项目，旨在复现并实现经典的联邦学习算法。它主要解决了在数据分散且无法集中共享的场景下，如何高效训练深度学习模型的问题。通过模拟多个客户端协作训练的过程，该项目允许在不交换原始数据的前提下，利用分布式数据共同优化模型，从而有效保护数据隐私并降低通信成本。\n\n目前，该工具支持在 MNIST 和 CIFAR-10 数据集上进行实验，涵盖了独立同分布（IID）与非独立同分布（Non-IID）两种数据场景，并提供了多层感知机（MLP）和卷积神经网络（CNN）两种模型架构的完整训练脚本。其核心技术亮点在于实现了 FedAvg 算法，展示了在不同数据分布下模型收敛的准确性差异，为研究去中心化学习提供了直观的参考基准。\n\n需要注意的是，由于未实施并行计算优化，脚本运行速度可能较慢，更适合用于算法原理验证与教学演示。因此，federated-learning 非常适合人工智能研究人员、高校学生以及希望深入理解联邦学习机制的开发者使用。用户可以通过简单的命令行参数灵活调整数据集、模型类型及训练轮数，快速复现论文结果或开展进一步的对比实验。","# Federated Learning [![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.4321561.svg)](https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.4321561)\n\nThis is partly the reproduction of the paper of [Communication-Efficient Learning of Deep Networks from Decentralized Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629)   \nOnly experiments on MNIST and CIFAR10 (both IID and non-IID) is produced by far.\n\nNote: The scripts will be slow without the implementation of parallel computing. \n\n## Requirements\npython>=3.6  \npytorch>=0.4\n\n## Run\n\nThe MLP and CNN models are produced by:\n> python [main_nn.py](main_nn.py)\n\nFederated learning with MLP and CNN is produced by:\n> python [main_fed.py](main_fed.py)\n\nSee the arguments in [options.py](utils\u002Foptions.py). \n\nFor example:\n> python main_fed.py --dataset mnist --iid --num_channels 1 --model cnn --epochs 50 --gpu 0  \n\n`--all_clients` for averaging over all client models\n\nNB: for CIFAR-10, `num_channels` must be 3.\n\n## Results\n### MNIST\nResults are shown in Table 1 and Table 2, with the parameters C=0.1, B=10, E=5.\n\nTable 1. results of 10 epochs training with the learning rate of 0.01\n\n| Model     | Acc. of IID | Acc. of Non-IID|\n| -----     | -----       | ----           |\n| FedAVG-MLP|  94.57%     | 70.44%         |\n| FedAVG-CNN|  96.59%     | 77.72%         |\n\nTable 2. results of 50 epochs training with the learning rate of 0.01\n\n| Model     | Acc. of IID | Acc. of Non-IID|\n| -----     | -----       | ----           |\n| FedAVG-MLP| 97.21%      | 93.03%         |\n| FedAVG-CNN| 98.60%      | 93.81%         |\n\n\n## Ackonwledgements\nAcknowledgements give to [youkaichao](https:\u002F\u002Fgithub.com\u002Fyoukaichao).\n\n## References\nMcMahan, Brendan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas. Communication-Efficient Learning of Deep Networks from Decentralized Data. In Artificial Intelligence and Statistics (AISTATS), 2017.\n\n## Cite As\nShaoxiong Ji. (2018, March 30). A PyTorch Implementation of Federated Learning. Zenodo. http:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.4321561\n\n\n","# 联邦学习 [![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.4321561.svg)](https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.4321561)\n\n本项目部分复现了论文《来自去中心化数据的高效通信深度网络学习》（[arXiv:1602.05629](https:\u002F\u002Farxiv.org\u002Fabs\u002F1602.05629)）。目前仅实现了在 MNIST 和 CIFAR10 数据集上的实验，且分别考虑了 IID 和非 IID 的数据分布情况。\n\n注意：若未采用并行计算实现，脚本运行速度会较慢。\n\n## 环境要求\npython>=3.6  \npytorch>=0.4\n\n## 运行方法\n\n生成 MLP 和 CNN 模型：\n> python [main_nn.py](main_nn.py)\n\n执行联邦学习（使用 MLP 和 CNN）：\n> python [main_fed.py](main_fed.py)\n\n具体参数说明请参阅 [options.py](utils\u002Foptions.py)。\n\n例如：\n> python main_fed.py --dataset mnist --iid --num_channels 1 --model cnn --epochs 50 --gpu 0  \n\n`--all_clients` 参数用于对所有客户端模型进行平均。\n\n注意：对于 CIFAR-10 数据集，`num_channels` 必须设置为 3。\n\n## 实验结果\n### MNIST\n结果如表 1 和表 2 所示，实验中使用的参数为 C=0.1、B=10、E=5。\n\n**表 1. 学习率 0.01 下训练 10 个 epoch 的结果**\n\n| 模型     | IID 准确率 | 非 IID 准确率|\n| -----     | -----       | ----           |\n| FedAVG-MLP|  94.57%     | 70.44%         |\n| FedAVG-CNN|  96.59%     | 77.72%         |\n\n**表 2. 学习率 0.01 下训练 50 个 epoch 的结果**\n\n| 模型     | IID 准确率 | 非 IID 准确率|\n| -----     | -----       | ----           |\n| FedAVG-MLP| 97.21%      | 93.03%         |\n| FedAVG-CNN| 98.60%      | 93.81%         |\n\n\n## 致谢\n特别感谢 [youkaichao](https:\u002F\u002Fgithub.com\u002Fyoukaichao)。\n\n## 参考文献\nMcMahan, Brendan, Eider Moore, Daniel Ramage, Seth Hampson, and Blaise Aguera y Arcas. 来自去中心化数据的高效通信深度网络学习. 载于《人工智能与统计学会议（AISTATS）》，2017 年。\n\n## 引用方式\nShaoxiong Ji. (2018, March 30). 联邦学习的 PyTorch 实现. Zenodo. http:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.4321561","# Federated Learning 快速上手指南\n\n本指南基于 PyTorch 实现的联邦学习（Federated Learning）开源项目，复现了经典论文《Communication-Efficient Learning of Deep Networks from Decentralized Data》中的实验。支持在 MNIST 和 CIFAR-10 数据集上进行 IID（独立同分布）和非 IID 数据场景下的模型训练。\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**：>= 3.6\n*   **深度学习框架**：PyTorch >= 0.4\n*   **硬件建议**：推荐使用 NVIDIA GPU 以加速训练（原文指出若无并行计算实现，脚本运行较慢）\n\n> **国内加速建议**：\n> 安装 PyTorch 时，建议使用清华或中科大镜像源以提升下载速度。\n> 例如使用 pip 安装：\n> `pip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone \u003C项目仓库地址>\n    cd \u003C项目目录>\n    ```\n\n2.  **安装依赖库**\n    如果项目根目录下有 `requirements.txt`，请直接运行：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    若无该文件，请手动安装核心依赖：\n    ```bash\n    pip install torch torchvision numpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n本项目主要包含两个核心脚本：`main_nn.py`（用于训练本地 MLP\u002FCNN 模型）和 `main_fed.py`（用于执行联邦学习流程）。\n\n### 1. 运行联邦学习示例 (推荐)\n\n以下命令演示了在 **MNIST** 数据集上，使用 **CNN** 模型进行 **IID** 数据分布的联邦学习训练。\n\n```bash\npython main_fed.py --dataset mnist --iid --num_channels 1 --model cnn --epochs 50 --gpu 0\n```\n\n**参数说明：**\n*   `--dataset`: 数据集名称 (`mnist` 或 `cifar`)\n*   `--iid`: 指定数据为独立同分布（若需非 IID 场景，去除此参数）\n*   `--num_channels`: 图像通道数 (MNIST 为 1, **CIFAR-10 必须设为 3**)\n*   `--model`: 模型类型 (`mlp` 或 `cnn`)\n*   `--epochs`: 全局训练轮数\n*   `--gpu`: 指定使用的 GPU 编号\n*   `--all_clients`: (可选) 对所有客户端模型进行平均\n\n### 2. 运行本地模型训练\n\n若仅需测试基础的 MLP 或 CNN 模型性能（非联邦模式）：\n\n```bash\npython main_nn.py\n```\n\n### 3. 自定义配置\n\n更多高级参数（如学习率、批量大小、客户端数量等）可在 `utils\u002Foptions.py` 文件中查看和修改。\n\n**CIFAR-10 运行示例：**\n```bash\npython main_fed.py --dataset cifar --iid --num_channels 3 --model cnn --epochs 50 --gpu 0\n```","某跨国医疗集团希望联合旗下分布在不同国家的五家医院，共同训练一个高精度的肺部 CT 影像识别模型，以辅助早期癌症筛查。\n\n### 没有 federated-learning 时\n- **数据隐私合规风险极高**：受限于 GDPR 等法规，各医院无法将包含患者敏感信息的原始影像数据上传至中央服务器，导致项目因法律障碍被迫搁置。\n- **数据传输成本高昂**：即使忽略隐私问题，TB 级别的医学影像数据跨国传输不仅耗时漫长，还会产生巨额的带宽费用。\n- **模型泛化能力受限**：单家医院的数据量有限且病种分布不均（非独立同分布），单独训练的模型在遇到罕见病例时准确率极低，无法推广使用。\n- **协作流程繁琐低效**：传统方式需人工协调数据脱敏、清洗和同步，沟通成本巨大，模型迭代周期长达数月。\n\n### 使用 federated-learning 后\n- **实现“数据不动模型动”**：利用 federated-learning 的分布式架构，原始数据始终保留在各医院本地，仅交换加密后的模型参数更新，完美满足隐私合规要求。\n- **大幅降低带宽消耗**：仅需传输轻量级的梯度或权重参数，通信开销相比传输原始影像降低了数个数量级，普通网络即可支撑高频迭代。\n- **显著提升模型精度**：通过聚合多家医院的多样化数据特征（支持 Non-IID 场景），训练出的 CNN 模型在罕见病识别上的准确率从单点的 70% 提升至 93% 以上。\n- **自动化高效协作**：基于 PyTorch 实现的自动化脚本（如 `main_fed.py`）可一键调度多客户端并行训练，将原本数月的协作周期缩短至几天。\n\nfederated-learning 的核心价值在于打破了数据孤岛，让机构间能在严格保护隐私的前提下，低成本地共建高性能 AI 模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshaoxiongji_federated-learning_72f2893f.png","shaoxiongji","Shaoxiong Ji","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshaoxiongji_7d6e992f.png",null,"https:\u002F\u002Fgithub.com\u002Fshaoxiongji",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1512,400,"2026-04-03T11:45:34","MIT","","可选（通过 --gpu 参数指定），未说明具体型号、显存大小或 CUDA 版本","未说明",{"notes":94,"python":95,"dependencies":96},"脚本若未实现并行计算运行速度会较慢。针对 CIFAR-10 数据集，必须将 num_channels 参数设置为 3。支持 MNIST 和 CIFAR-10 数据集的 IID 和非 IID 实验。",">=3.6",[97],"pytorch>=0.4",[13],[67,100,101],"deep-learning","pytorch","2026-03-27T02:49:30.150509","2026-04-06T05:37:35.806592",[105,110,115,120,125,130,135,140],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},16727,"PyTorch 的 CrossEntropyLoss 是否需要在输入前手动添加 Softmax 激活层？","不需要，这是一个常见的错误。PyTorch 的 CrossEntropyLoss 函数内部已经包含了 Softmax 操作，它直接接受 logits（未归一化的预测值）作为输入。如果在传入损失函数前手动添加了 Softmax，会导致模型性能下降（例如从 95% 降至 90%）。解决方法是移除网络输出层的 Softmax 激活，直接将 logits 传入损失函数。修正后，MLP 模型的准确率可从 90% 提升至 95%，若配合正确的网络架构（784 -> 200 -> 200 -> 10），准确率甚至可达 97%。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F9",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},16728,"代码中的 MLP 网络架构为什么与 FedAvg 原论文描述的不一致？","原论文（McMahan et al.）使用的 MLP 架构为 784 -> 200 -> 200 -> 10，而旧版代码中误用为 784 -> 64 -> 10。这已被确认为实现偏差，维护者已修复代码以匹配原论文的架构。使用正确的架构（784 -> 200 -> 200 -> 10）并结合正确的损失函数用法，可以显著提升模型准确率至 97%。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F8",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},16729,"联邦平均（FedAvg）算法中，模型聚合步骤是否应该包含未参与本轮更新的客户端？","根据 FedAvg 原论文描述，每一轮全局更新时随机选择一部分客户端（fraction）进行训练，但在聚合步骤中，理论上应考虑到所有客户端的模型状态。然而，该代码库早期的实现仅对参与更新的客户端模型进行了平均。维护者确认这与原文描述存在差异，并已提交修复（commit 885c93e...）。目前的正确理解是：通常实现中只聚合参与更新的客户端权重，但若需严格复现论文细节或特定变体，需注意此处的逻辑差异。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F13",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},16730,"该项目是否支持 CPU 并行训练或多机分布式训练？","当前代码库暂时没有实现 CPU 并行训练的计划，也不支持多机联合训练（目前仅支持单机模拟联邦学习过程）。如果需要支持并行训练、移动端部署或真正的分布式多机训练，建议参考和使用 FedML 框架（https:\u002F\u002Ffedml.ai），该框架原生支持这些功能。欢迎社区贡献者通过 PR 为本项目添加 CPU 并行支持。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F14",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},16731,"在 IID 设置下，MNIST 数据集最大支持多少个客户端？","在 IID（独立同分布）设置的 MNIST 数据集实验中，最大客户端数量通常设置为 100 个。这一设置细节参考了 FedAvg 原始论文的实验配置。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F11",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},16732,"为什么 CIFAR-10 数据集在 sampling.py 中没有实现 Non-IID（非独立同分布）划分？","实现 CIFAR-10 的 Non-IID 划分在技术上是可行的，但目前代码中尚未包含此功能。主要原因是维护者在尝试复现论文结果时发现，即使使用 IID 划分也难以达到论文报告的精度，因此暂时搁置了 Non-IID 划分的实现计划。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F10",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},16733,"运行 main_nn.py 时遇到 'fixture net_g not found' 的 pytest 错误如何解决？","该错误是由于测试脚本中的 pytest fixture 定义问题导致的。维护者表示，该问题在随后的几次代码提交（commits）中已经得到解决。如果遇到此错误，请确保拉取最新的代码版本，错误应当不再出现。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F6",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},16734,"在 CUDA 环境下运行时出现 'Expected object of backend CUDA but got backend CPU' 错误怎么办？","这是一个设备后端不匹配的错误，通常发生在损失函数权重或输入数据未正确移动到 GPU 上时。维护者确认该问题在之前的代码更新中已被修复。如果遇到此报错，请务必更新到最新版本的代码，确保所有张量（包括输入、标签和模型参数）都正确地加载到了 CUDA 设备上。","https:\u002F\u002Fgithub.com\u002Fshaoxiongji\u002Ffederated-learning\u002Fissues\u002F4",[]]