[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-speedinghzl--pytorch-segmentation-toolbox":3,"tool-speedinghzl--pytorch-segmentation-toolbox":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":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":10,"env_os":109,"env_gpu":110,"env_ram":111,"env_deps":112,"category_tags":120,"github_topics":121,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":127,"updated_at":128,"faqs":129,"releases":160},1234,"speedinghzl\u002Fpytorch-segmentation-toolbox","pytorch-segmentation-toolbox","PyTorch Implementations for DeeplabV3 and PSPNet","pytorch-segmentation-toolbox 是一个基于 PyTorch 的语义分割工具包，主要用于实现和训练 PSPNet 和 DeeplabV3 这两种经典的图像分割模型。它专注于在 Cityscapes 数据集上运行，并提供了简洁高效的代码结构，方便用户进行模型训练与测试。\n\n这个工具包解决了语义分割任务中模型实现复杂、训练效率低以及难以复现高性能结果的问题。通过优化训练时间、引入同步 BN（Batch Normalization）等技术，它能够帮助用户更快速地获得稳定的分割效果。\n\n适合使用此工具的用户主要是研究人员和开发者，尤其是那些希望在语义分割领域进行实验或改进模型性能的人。对于需要高效训练和分布式支持的项目，该工具也提供了相应的功能。\n\n其独特的亮点包括同步 BN 支持、较少的训练时间以及更好的性能复现性。此外，它还支持 PyTorch 1.0 及以上版本，并提供多 GPU 并行训练的能力，提升了实用性与扩展性。","# Pytorch-segmentation-toolbox [DOC](https:\u002F\u002Fweiyc.github.io\u002Fassets\u002Fpdf\u002Ftoolbox.pdf)\nPytorch code for semantic segmentation. This is a minimal code to run PSPnet and Deeplabv3 on Cityscape dataset.\nShortly afterwards, the code will be reviewed and reorganized for convenience.\n\n**The new version toolbox is released on branch [Pytorch-1.1](https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Ftree\u002Fpytorch-1.1) which supports Pytorch 1.0 or later and distributed multiprocessing training and testing**\n\n### Highlights of Our Implementations\n- Synchronous BN\n- Fewness of Training Time\n- Better Reproduced Performance\n\n### Requirements\n\nTo install PyTorch==0.4.0, please refer to https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fpytorch#installation. \n\n4 x 12g GPUs (e.g. TITAN XP) \n\nPython 3.6\n\n### Compiling\n\nSome parts of InPlace-ABN have a native CUDA implementation, which must be compiled with the following commands:\n```bash\ncd libs\nsh build.sh\npython build.py\n``` \nThe `build.sh` script assumes that the `nvcc` compiler is available in the current system search path.\nThe CUDA kernels are compiled for `sm_50`, `sm_52` and `sm_61` by default.\nTo change this (_e.g._ if you are using a Kepler GPU), please edit the `CUDA_GENCODE` variable in `build.sh`.\n\n### Dataset and pretrained model\n\nPlesae download cityscapes dataset and unzip the dataset into `YOUR_CS_PATH`.\n\nPlease download MIT imagenet pretrained [resnet101-imagenet.pth](http:\u002F\u002Fsceneparsing.csail.mit.edu\u002Fmodel\u002Fpretrained_resnet\u002Fresnet101-imagenet.pth), and put it into `dataset` folder.\n\n### Training and Evaluation\n```bash\n.\u002Frun_local.sh YOUR_CS_PATH\n``` \n\n### Benefits\nSome recent projects have already benefited from our implementations. For example, [CCNet: Criss-Cross Attention for semantic segmentation](https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002FCCNet) and [Object  Context  Network(OCNet)](https:\u002F\u002Fgithub.com\u002FPkuRainBow\u002FOCNet) currently  achieve  the  state-of-the-art  resultson  Cityscapes  and  ADE20K. In  addition, Our code also make great contributions to [Context Embedding with EdgePerceiving (CE2P)](https:\u002F\u002Fgithub.com\u002Fliutinglt\u002FCE2P), which won the 1st places in all human parsing tracks in the 2nd LIP Challange. \n\n### Citing\n\nIf you find this code useful in your research, please consider citing:\n\n    @misc{huang2018torchseg,\n      author = {Huang, Zilong and Wei, Yunchao and Wang, Xinggang, and Liu, Wenyu},\n      title = {A PyTorch Semantic Segmentation Toolbox},\n      howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox}},\n      year = {2018}\n    }\n\n### Thanks to the Third Party Libs\n[inplace_abn](https:\u002F\u002Fgithub.com\u002Fmapillary\u002Finplace_abn) - \n[Pytorch-Deeplab](https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002FPytorch-Deeplab) - \n[PyTorch-Encoding](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FPyTorch-Encoding)\n","# Pytorch-segmentation-toolbox [文档](https:\u002F\u002Fweiyc.github.io\u002Fassets\u002Fpdf\u002Ftoolbox.pdf)  \n用于语义分割的 PyTorch 代码。这是一个在 Cityscapes 数据集上运行 PSPnet 和 Deeplabv3 的最小化代码实现。\n不久之后，该代码将经过评审并重新组织，以提高使用便利性。\n\n**新版本工具箱已在分支 [Pytorch-1.1](https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Ftree\u002Fpytorch-1.1) 上发布，支持 PyTorch 1.0 及以上版本，并提供分布式多进程训练与测试功能。**\n\n### 我们实现的亮点\n- 同步 BN\n- 训练时间更短\n- 复现性能更优\n\n### 需求\n安装 PyTorch==0.4.0，请参考 https:\u002F\u002Fgithub.com\u002Fpytorch\u002Fpytorch#installation。\n\n4 块 12G 显卡（例如 TITAN XP）\n\nPython 3.6\n\n### 编译\nInPlace-ABN 的部分模块具有原生 CUDA 实现，需通过以下命令进行编译：\n```bash\ncd libs\nsh build.sh\npython build.py\n```\n`build.sh` 脚本假设当前系统搜索路径中已存在 `nvcc` 编译器。\n默认情况下，CUDA 内核会针对 `sm_50`、`sm_52` 和 `sm_61` 进行编译。\n如需更改（例如您使用的是 Kepler 架构的显卡），请编辑 `build.sh` 中的 `CUDA_GENCODE` 变量。\n\n### 数据集与预训练模型\n请下载 Cityscapes 数据集，并将其解压至 `YOUR_CS_PATH` 目录。\n\n请下载 MIT ImageNet 预训练的 [resnet101-imagenet.pth](http:\u002F\u002Fsceneparsing.csail.mit.edu\u002Fmodel\u002Fpretrained_resnet\u002Fresnet101-imagenet.pth)，并将其放置于 `dataset` 文件夹中。\n\n### 训练与评估\n```bash\n.\u002Frun_local.sh YOUR_CS_PATH\n```\n\n### 优势\n一些近期项目已受益于我们的实现。例如，[CCNet：用于语义分割的十字交叉注意力](https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002FCCNet) 和 [对象上下文网络 (OCNet)](https:\u002F\u002Fgithub.com\u002FPkuRainBow\u002FOCNet) 目前在 Cityscapes 和 ADE20K 数据集上均取得了最先进的结果。此外，我们的代码也为 [基于边缘感知的上下文嵌入 (CE2P)](https:\u002F\u002Fgithub.com\u002Fliutinglt\u002FCE2P) 做出了重要贡献，该方法在第二届 LIP 挑战赛的所有人体解析赛道中均斩获第一名。\n\n### 引用\n如果您在研究中认为此代码有用，请考虑引用：\n\n    @misc{huang2018torchseg,\n      author = {黄子龙、魏云超、王兴刚、刘文宇},\n      title = {一个 PyTorch 语义分割工具箱},\n      howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox}},\n      year = {2018}\n    }\n\n### 感谢第三方库\n[inplace_abn](https:\u002F\u002Fgithub.com\u002Fmapillary\u002Finplace_abn) - \n[Pytorch-Deeplab](https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002FPytorch-Deeplab) - \n[PyTorch-Encoding](https:\u002F\u002Fgithub.com\u002Fzhanghang1989\u002FPyTorch-Encoding)","# pytorch-segmentation-toolbox 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- Python 3.6\n- 4块12GB显存的GPU（如TITAN XP）\n- CUDA环境（支持`sm_50`, `sm_52`, `sm_61`，如需修改，请编辑`build.sh`中的`CUDA_GENCODE`变量）\n\n### 前置依赖\n- PyTorch 1.0 或更高版本（推荐使用PyTorch 1.1分支）\n- 其他依赖可通过项目安装脚本自动处理\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox.git\n   cd pytorch-segmentation-toolbox\n   ```\n\n2. **编译 InPlace-ABN 的 CUDA 部分**\n   ```bash\n   cd libs\n   sh build.sh\n   python build.py\n   ```\n\n   > 注意：确保系统中已安装`nvcc`，并配置好CUDA环境。\n\n3. **下载数据集和预训练模型**\n   - 下载 [Cityscapes 数据集](https:\u002F\u002Fwww.cityscapes-dataset.com\u002F) 并解压到指定路径 `YOUR_CS_PATH`\n   - 下载 [ResNet101 ImageNet 预训练模型](http:\u002F\u002Fsceneparsing.csail.mit.edu\u002Fmodel\u002Fpretrained_resnet\u002Fresnet101-imagenet.pth)，并将其放入 `dataset` 文件夹中\n\n## 基本使用\n\n运行以下命令开始训练和评估：\n\n```bash\n.\u002Frun_local.sh YOUR_CS_PATH\n```\n\n> 替换 `YOUR_CS_PATH` 为你的 Cityscapes 数据集实际路径。该脚本将自动完成模型训练与测试流程。","某自动驾驶初创公司正在开发一款基于视觉的车道线识别系统，团队需要在 Cityscapes 数据集上训练和评估语义分割模型，以提高车辆对道路结构的理解能力。\n\n### 没有 pytorch-segmentation-toolbox 时\n- 需要从零开始实现 DeeplabV3 和 PSPNet 算法，耗费大量时间且容易出错  \n- 缺乏对同步 BN（Synchronous Batch Normalization）的支持，导致多 GPU 训练效率低下  \n- 训练过程难以复现，不同实验结果差异大，影响模型调优和对比分析  \n- 需要手动处理数据集下载、预处理和模型权重加载等繁琐流程，增加开发复杂度  \n- 没有现成的分布式训练支持，限制了模型训练速度和规模  \n\n### 使用 pytorch-segmentation-toolbox 后\n- 直接使用现成的 PyTorch 实现，快速部署 DeeplabV3 和 PSPNet 模型，节省大量开发时间  \n- 内置同步 BN 支持，显著提升多 GPU 并行训练效率，缩短模型收敛时间  \n- 提供标准化的训练与评估流程，确保实验结果可复现，便于模型迭代和性能对比  \n- 提供完整的数据集准备和预训练模型加载脚本，简化开发流程，降低入门门槛  \n- 支持分布式训练和测试，大幅提升大规模数据下的模型训练效率  \n\npytorch-segmentation-toolbox 为语义分割任务提供了高效、可复现且易于扩展的解决方案，显著提升了研发效率和模型性能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fspeedinghzl_pytorch-segmentation-toolbox_1bf5cf94.png","speedinghzl","Zilong Huang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fspeedinghzl_9b05a2d4.jpg","HUSTer","Huazhong University of Science and Technology","Wuhan, China",null,"http:\u002F\u002Fspeedinghzl.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fspeedinghzl",[85,89,93,97,101],{"name":86,"color":87,"percentage":88},"Python","#3572A5",79.8,{"name":90,"color":91,"percentage":92},"Cuda","#3A4E3A",10.3,{"name":94,"color":95,"percentage":96},"C++","#f34b7d",7,{"name":98,"color":99,"percentage":100},"C","#555555",2.2,{"name":102,"color":103,"percentage":104},"Shell","#89e051",0.7,777,166,"2026-03-30T07:06:09","MIT","Linux, macOS","需要 NVIDIA GPU，显存 12GB+（如 TITAN XP），CUDA 版本需支持 sm_50, sm_52, sm_61 或更高版本","未说明",{"notes":113,"python":114,"dependencies":115},"需要编译 CUDA 内核，建议使用 conda 管理环境，首次运行需下载约 5GB 的 Cityscapes 数据集和预训练模型文件","3.6",[116,117,118,119],"PyTorch==0.4.0","inplace_abn","Pytorch-Deeplab","PyTorch-Encoding",[51,14,13],[122,67,123,124,125,126],"pytorch","deeplabv3","pspnet","cityscape-dataset","semantic-segmentation","2026-03-27T02:49:30.150509","2026-04-06T05:36:25.729109",[130,135,140,145,150,155],{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},5610,"如何解决安装 inplace_abn 库时出现的 CUDA 错误？","CUDA 错误通常与 GCC 版本过高有关。可以尝试将 GCC 版本降级到 7.3，以避免与其他依赖库产生冲突。如果无法降级到 5.x 或 6.x，建议参考此链接中的解决方案：https:\u002F\u002Fgithub.com\u002Fopen-mmlab\u002Fmmdetection\u002Fissues\u002F422。","https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Fissues\u002F49",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},5611,"如何解决 ResNet 架构与标准 ResNet 不一致的问题？","该实现的 ResNet 架构在结构上进行了调整，例如增加了额外的卷积层，并省略了 7x7 的初始卷积层。这种设计是为了适应特定任务（如分割和分类）的需求。若需使用 ImageNet 预训练模型，建议使用标准 ResNet 实现。","https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Fissues\u002F38",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},5612,"如何支持多 GPU 测试？","当前工具箱不支持多 GPU 测试。用户可自行实现多 GPU 支持功能。有用户提供了初步的多 GPU 测试脚本，但需要谨慎使用并进行验证，具体代码可参考：https:\u002F\u002Fwww.dropbox.com\u002Fs\u002Fryf1f4507z4a5w4\u002Fevaluate_multigpu.py?dl=0。","https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Fissues\u002F22",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},5613,"模型中是否使用了 ReLU 激活函数？","是的，模型中使用了 ReLU 激活函数，但未使用 in-place 操作。ReLU 是不可逆的，这可能会影响某些特定的训练过程。","https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Fissues\u002F20",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},5614,"如何解决运行时报错 'No such file or directory'？","此错误通常与内存不足或文件路径问题相关。若使用 V100 GPU，可能需要至少 4 块 12GB 显存的 GPU，或者降低 batch size 来缓解内存压力。此外，确保加载的模型文件路径正确且存在。","https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Fissues\u002F7",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},5615,"如何解决 CUDA 链接错误 'undefined symbol: __cudaPopCallConfiguration'？","此错误可能是由于 CUDA 版本与 PyTorch 版本不兼容导致的。建议尝试使用 PyTorch 提供的标准 BN+ReLU 层替代自定义模块，以避免此类链接错误。如果必须使用自定义模块，请确保 CUDA 和 PyTorch 的版本匹配。","https:\u002F\u002Fgithub.com\u002Fspeedinghzl\u002Fpytorch-segmentation-toolbox\u002Fissues\u002F3",[]]