[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-swuxyj--DeepHash-pytorch":3,"tool-swuxyj--DeepHash-pytorch":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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":73,"owner_company":73,"owner_location":75,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":76,"languages":77,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":10,"env_os":86,"env_gpu":87,"env_ram":86,"env_deps":88,"category_tags":96,"github_topics":97,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":107,"updated_at":108,"faqs":109,"releases":144},6061,"swuxyj\u002FDeepHash-pytorch","DeepHash-pytorch","Implementation of Some Deep Hash Algorithms, Including DPSH、DSH、DHN、HashNet、DSDH、DTSH、DFH、GreedyHash、CSQ.","DeepHash-pytorch 是一个基于 PyTorch 框架的深度学习哈希算法开源实现库，旨在为图像检索任务提供高效的基础模型与演示。它集成了 DPSH、DSH、DHN、HashNet、GreedyHash 等九种主流深度哈希算法，解决了传统方法在大规模图像数据中检索速度慢、精度低的难题，通过将高维图像特征压缩为紧凑的二进制哈希码，实现了毫秒级的相似图片搜索。\n\n该工具主要面向人工智能研究人员和算法开发者。对于希望复现经典论文结果、对比不同哈希算法性能，或需要快速构建图像检索原型的团队来说，DeepHash-pytorch 提供了极大的便利。用户只需简单的命令行指令即可在 CIFAR-10、ImageNet、NUS-WIDE 等标准数据集上完成模型的训练与测试。\n\n其技术亮点在于高度的易用性与完整性：不仅预置了多种数据集的标准划分配置，还附带了基于 Flask 的网页检索演示和精确率 - 召回率（Precision-Recall）曲线绘制工具，帮助用户直观评估模型效果。无论是学术研究还是工程落地验证，DeepHash-pytorch 都是一个值得信赖的起点。","# DeepHash-pytorch\nImplementation of Some Deep Hash Algorithms Baseline and Retrieval Demo.\n\n# How to run\nMy environment is\n```\npython==3.7.0  torchvision==0.5.0  pytorch==1.4.0  \n```\n\nYou can easily train and test any algorithm just by\n```\npython DSH.py  \npython DPSH.py  \npython DHN.py    \npython DSDH.py    \n```\n\nIf you have any problems, feel free to contact me by email(1142732931@qq.com) or raise an issue.  \n\n\n# Dataset\nThere are three different configurations for cifar10  \n- config[\"dataset\"]=\"cifar10\" will use 1000 images (100 images per class) as the query set, 5000 images( 500 images per class) as training set , the remaining 54,000 images are used as database.\n- config[\"dataset\"]=\"cifar10-1\" will use 1000 images (100 images per class) as the query set, the remaining 59,000 images are used as database, 5000 images( 500 images per class) are randomly sampled from the database as training set.  \n- config[\"dataset\"]=\"cifar10-2\" will use 10000 images (1000 images per class) as the query set, 50000 images( 5000 images per class) as training set and database.\n\n\nYou can download   NUS-WIDE [here](https:\u002F\u002Fgithub.com\u002FTreezzZ\u002FDSDH_PyTorch)     \nUse data\u002Fnus-wide\u002Fcode.py to randomly select 100 images per class as the query set (2,100 images in total). The remaining images are\nused as the database set, from which we randomly sample 500 images per class as the training set (10, 500 images\nin total).\n\nYou can download  ImageNet, NUS-WIDE-m and COCO dataset [here](https:\u002F\u002Fgithub.com\u002Fthuml\u002FHashNet\u002Ftree\u002Fmaster\u002Fpytorch) where is the data split  copy from,  or [Baidu Pan(Password: hash)](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_BiOmeCRYx6cVTWeWq-O9g).\n  \nNUS-WIDE-m is different from  NUS-WIDE, so i made a distinction.  \n\n269,648 images in NUS-WIDE , and 195834 images which are associated with 21 most frequent concepts.     \n\nNUS-WIDE-m has 223,496 images,and  NUS-WIDE-m  is used in [HashNet(ICCV2017)](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2017\u002Fpapers\u002FCao_HashNet_Deep_Learning_ICCV_2017_paper.pdf) and code [HashNet caffe and pytorch](https:\u002F\u002Fgithub.com\u002Fthuml\u002FHashNet)    \n\ndownload [mirflickr](https:\u002F\u002Fpress.liacs.nl\u002Fmirflickr\u002Fmirdownload.html) , and use .\u002Fdata\u002Fmirflickr\u002Fcode.py to randomly select 1000 images as the test query set and 4000 images as the train set.\n\n# Demo\n- model imagenet_64bits_0.8824931967229359.zip\n[Baidu Pan(Password: hash)](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_BiOmeCRYx6cVTWeWq-O9g).\n- matplotlib demo\n```\ncd demo\npython demo.py   \n```\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswuxyj_DeepHash-pytorch_readme_23f64382628c.png\"  alt=\"Matplotlib Demo\"\u002F>\u003Cbr\u002F>  \n\n- Flask demo\n```\ncd demo\u002Fwww\npython app.py   \n```\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswuxyj_DeepHash-pytorch_readme_f8af5cbec573.png\"  alt=\"Flask Demo\"\u002F>\u003Cbr\u002F>  \n# Precision Recall Curve\nI add some code in DSH.py:\n```\n        config[\"pr_curve_path\"] = f\"log\u002Falexnet\u002FDSH_{config['dataset']}_{bit}.json\"\n```\nTo get the Precision Recall Curve, you should copy the json path `    \"DSH\": \"..\u002Flog\u002Falexnet\u002FDSH_cifar10-1_48.json\",` to precision_recall_curve.py  and run this file.  \n```\ncd utils\npython precision_recall_curve.py   \n```\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswuxyj_DeepHash-pytorch_readme_ef086b8d9dd6.png\"  alt=\"Precision Recall Curve\"\u002F>\u003Cbr\u002F>  \n\n \n# Paper And Code\nIt is difficult to implement all by myself, so I made some modifications based on these codes  \nDSH(CVPR2016)  \npaper [Deep Supervised Hashing for Fast Image Retrieval](https:\u002F\u002Fwww.cv-foundation.org\u002Fopenaccess\u002Fcontent_cvpr_2016\u002Fpapers\u002FLiu_Deep_Supervised_Hashing_CVPR_2016_paper.pdf)  \ncode [DSH-pytorch](https:\u002F\u002Fgithub.com\u002Fweixu000\u002FDSH-pytorch)\n\nDPSH(IJCAI2016)  \npaper [Feature Learning based Deep Supervised Hashing with Pairwise Labels](https:\u002F\u002Fcs.nju.edu.cn\u002Flwj\u002Fpaper\u002FIJCAI16_DPSH.pdf)   \ncode [DPSH-pytorch](https:\u002F\u002Fgithub.com\u002Fjiangqy\u002FDPSH-pytorch)\n\nDHN(AAAI2016)  \npaper [Deep Hashing Network for Efficient Similarity Retrieval](http:\u002F\u002Fise.thss.tsinghua.edu.cn\u002F~mlong\u002Fdoc\u002Fdeep-hashing-network-aaai16.pdf)  \ncode [DeepHash-tensorflow](https:\u002F\u002Fgithub.com\u002Fthulab\u002FDeepHash)\n\nDTSH(ACCV2016)  \npaper [Deep Supervised Hashing with Triplet Labels](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.03900)  \ncode [DTSH](https:\u002F\u002Fgithub.com\u002FMinione\u002FDTSH)  \n\nHashNet(ICCV2017)  \npaper [HashNet: Deep Learning to Hash by Continuation](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2017\u002Fpapers\u002FCao_HashNet_Deep_Learning_ICCV_2017_paper.pdf)  \ncode [HashNet caffe and pytorch](https:\u002F\u002Fgithub.com\u002Fthuml\u002FHashNet)\n\nGreedyHash(NIPS2018)  \npaper [Greedy Hash: Towards Fast Optimization for Accurate Hash Coding in CNN](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F7360-greedy-hash-towards-fast-optimization-for-accurate-hash-coding-in-cnn.pdf)  \ncode [GreedyHash](https:\u002F\u002Fgithub.com\u002Fssppp\u002FGreedyHash) \n\nDSDH(NIPS2017)  \npaper [Deep Supervised Discrete Hashing](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F6842-deep-supervised-discrete-hashing.pdf)  \ncode [DSDH_PyTorch](https:\u002F\u002Fgithub.com\u002FTreezzZ\u002FDSDH_PyTorch)\n\nDFH(BMVC2019)  \npaper [Push for Quantization: Deep Fisher Hashing](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.00206)  \ncode [Push-for-Quantization-Deep-Fisher-Hashing](https:\u002F\u002Fgithub.com\u002Fliyunqianggyn\u002FPush-for-Quantization-Deep-Fisher-Hashing)\n\n\nISDH(arxiv2018)  \npaper [Instance Similarity Deep Hashing for Multi-Label Image Retrieval](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.02987v1)  \ncode [ISDH-Tensorflow](https:\u002F\u002Fgithub.com\u002Fpectinid16\u002FISDH-Tensorflow)\n\nIDHN(TMM2019)  \npaper [Improved Deep Hashing with Soft Pairwise Similarity for Multi-label Image Retrieval](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.02987)  \ncode [IDHN-Tensorflow](https:\u002F\u002Fgithub.com\u002Fpectinid16\u002FIDHN)\n\nDBDH(Neurocomputing2020)  \npaper [Deep balanced discrete hashing for image retrieval](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0925231220306032)\n\nADSH(AAAI2018)  \npaper [Asymmetric Deep Supervised Hashing](https:\u002F\u002Fcs.nju.edu.cn\u002Flwj\u002Fpaper\u002FAAAI18_ADSH.pdf)  \ncode1 [ADSH matlab + pytorch](https:\u002F\u002Fgithub.com\u002Fjiangqy\u002FADSH-AAAI2018)  \ncode2 [ADSH_pytorch](https:\u002F\u002Fgithub.com\u002FTreezzZ\u002FADSH_PyTorch)\n\nDAGH(ICCV2019, not implement here)  \npaper [Deep Supervised Hashing with Anchor Graph](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2019\u002Fpapers\u002FChen_Deep_Supervised_Hashing_With_Anchor_Graph_ICCV_2019_paper.pdf)  \ncode [DAGH-Matlab](http:\u002F\u002Fwww.scholat.com\u002FpersonalPaperList.html?Entry=laizhihui&selectType=allPaper)\n\nDAPH(ACMMM2017, not completely implement here)  \npaper [Deep Asymmetric Pairwise Hashing](http:\u002F\u002Fcfm.uestc.edu.cn\u002F~fshen\u002FDAPH.pdf)\n\nLCDSH(IJCAI2017)  \npaper [Locality-Constrained Deep Supervised Hashing for Image Retrieval](https:\u002F\u002Fwww.ijcai.org\u002FProceedings\u002F2017\u002F0499.pdf)\n\nDSHSD(IEEE ACCESS 2019)  \npaper [Deep Supervised Hashing Based on Stable Distribution](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8648432\u002F)\n\nCSQ(CVPR2020)  \npaper [Central Similarity Quantization for Efficient Image and Video Retrieval](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_CVPR_2020\u002Fpapers\u002FYuan_Central_Similarity_Quantization_for_Efficient_Image_and_Video_Retrieval_CVPR_2020_paper.pdf)  \ncode [CSQ-pytorch](https:\u002F\u002Fgithub.com\u002Fyuanli2333\u002FHadamard-Matrix-for-hashing)  \n\nDeep Unsupervised Image Hashing by Maximizing Bit Entropy(AAAI2021)  \npaper [Deep Unsupervised Image Hashing by Maximizing Bit Entropy](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.12334.pdf)  \ncode [Deep-Unsupervised-Image-Hashing](https:\u002F\u002Fgithub.com\u002Fliyunqianggyn\u002FDeep-Unsupervised-Image-Hashing)\n\n# Mean Average Precision,48 bits[AlexNet].\n\n\n\u003Ctable>\n    \u003Ctr>\n        \u003Ctd>Algorithms\u003C\u002Ftd>\u003Ctd>dataset\u003C\u002Ftd>\u003Ctd>this impl.\u003C\u002Ftd>\u003Ctd>paper\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DSH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.800\u003C\u002Ftd> \u003Ctd >0.6755\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.798\u003C\u002Ftd> \u003Ctd >0.5621\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.655\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.576\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.735\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DPSH\u003C\u002Ftd>\u003Ctd >cifar10\u003C\u002Ftd> \u003Ctd >0.775\u003C\u002Ftd> \u003Ctd >0.757\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.844\u003C\u002Ftd> \u003Ctd >0.851(0.812*)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.502\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.711\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >voc2012\u003C\u002Ftd> \u003Ctd >0.608\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.781\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >HashNet\u003C\u002Ftd>\u003Ctd >cifar10\u003C\u002Ftd> \u003Ctd >0.782\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus wide81 m\u003C\u002Ftd> \u003Ctd >0.764\u003C\u002Ftd> \u003Ctd >0.7114\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.830\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.644\u003C\u002Ftd> \u003Ctd >0.6633\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.724\u003C\u002Ftd> \u003Ctd >0.7301\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DHN\u003C\u002Ftd>\u003Ctd >cifar10\u003C\u002Ftd> \u003Ctd >0.781\u003C\u002Ftd> \u003Ctd >0.621\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.841\u003C\u002Ftd> \u003Ctd >0.758\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.486\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.712\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.775\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DSDH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.790\u003C\u002Ftd> \u003Ctd >0.820\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.833\u003C\u002Ftd> \u003Ctd >0.829\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.300\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.681\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.765\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DTSH\u003C\u002Ftd>\u003Ctd >cifar 10\u003C\u002Ftd> \u003Ctd >0.800\u003C\u002Ftd> \u003Ctd >0.774\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.829\u003C\u002Ftd> \u003Ctd >0.824\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.760\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.631\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.753\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DFH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.801\u003C\u002Ftd> \u003Ctd >0.844\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.837\u003C\u002Ftd> \u003Ctd >0.842\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.717\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.519\u003C\u002Ftd> \u003Ctd >0.747\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.766\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >GreedyHash\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.817\u003C\u002Ftd> \u003Ctd >0.822\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >cifar10-2\u003C\u002Ftd> \u003Ctd >0.932\u003C\u002Ftd> \u003Ctd >0.944\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.678\u003C\u002Ftd> \u003Ctd >0.688\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.728\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nuswide_21\u003C\u002Ftd> \u003Ctd >0.793\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >ADSH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.921\u003C\u002Ftd> \u003Ctd >0.9390\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nuswide_21\u003C\u002Ftd> \u003Ctd >0.622\u003C\u002Ftd> \u003Ctd >0.9055\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >CSQ(ResNet50,64bit)\u003C\u002Ftd>\u003Ctd >coco\u003C\u002Ftd> \u003Ctd >0.883\u003C\u002Ftd> \u003Ctd >0.861\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.881\u003C\u002Ftd> \u003Ctd >0.873\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nuswide_21_m\u003C\u002Ftd> \u003Ctd >0.844\u003C\u002Ftd> \u003Ctd >0.839\u003C\u002Ftd>\n    \u003C\u002Ftr>\n\u003C\u002Ftable>\nDue to time constraints, I can't test many hyper-parameters  \n\n","# DeepHash-pytorch\n一些深度哈希算法的实现、基线及检索演示。\n\n# 如何运行\n我的环境是：\n```\npython==3.7.0  torchvision==0.5.0  pytorch==1.4.0  \n```\n\n你可以通过以下命令轻松训练和测试任何算法：\n```\npython DSH.py  \npython DPSH.py  \npython DHN.py    \npython DSDH.py    \n```\n\n如果你遇到任何问题，欢迎随时通过邮箱（1142732931@qq.com）联系我，或提交 issue。\n\n\n# 数据集\n对于 cifar10，有三种不同的配置：\n- config[\"dataset\"]=\"cifar10\" 将使用 1000 张图片（每类 100 张）作为查询集，5000 张图片（每类 500 张）作为训练集，剩余的 54,000 张图片则用作数据库。\n- config[\"dataset\"]=\"cifar10-1\" 将使用 1000 张图片（每类 100 张）作为查询集，剩余的 59,000 张图片用作数据库，再从数据库中随机抽取 5000 张图片（每类 500 张）作为训练集。\n- config[\"dataset\"]=\"cifar10-2\" 将使用 10,000 张图片（每类 1000 张）作为查询集，50,000 张图片（每类 5000 张）同时作为训练集和数据库。\n\n\n你可以从 [这里](https:\u002F\u002Fgithub.com\u002FTreezzZ\u002FDSDH_PyTorch) 下载 NUS-WIDE 数据集。  \n使用 data\u002Fnus-wide\u002Fcode.py 随机选取每类 100 张图片作为查询集（共 2,100 张）。其余图片则用作数据库集，从中再随机抽取每类 500 张图片作为训练集（共 10,500 张）。\n\n\n你还可以从 [这里](https:\u002F\u002Fgithub.com\u002Fthuml\u002FHashNet\u002Ftree\u002Fmaster\u002Fpytorch) 或 [百度网盘（密码：hash）](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_BiOmeCRYx6cVTWeWq-O9g) 下载 ImageNet、NUS-WIDE-m 和 COCO 数据集，这些数据集的划分方式均来自该处。  \n\nNUS-WIDE-m 与 NUS-WIDE 不同，因此我特意加以区分。  \n\nNUS-WIDE 包含 269,648 张图片，其中 195,834 张与 21 个最频繁的概念相关联。  \n\n而 NUS-WIDE-m 则包含 223,496 张图片，它被用于 [HashNet（ICCV2017）](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2017\u002Fpapers\u002FCao_HashNet_Deep_Learning_ICCV_2017_paper.pdf) 及其代码 [HashNet caffe 和 pytorch](https:\u002F\u002Fgithub.com\u002Fthuml\u002FHashNet) 中。  \n\n下载 [mirflickr](https:\u002F\u002Fpress.liacs.nl\u002Fmirflickr\u002Fmirdownload.html)，并使用 .\u002Fdata\u002Fmirflickr\u002Fcode.py 随机选取 1000 张图片作为测试查询集，4000 张图片作为训练集。\n\n# 演示\n- model imagenet_64bits_0.8824931967229359.zip\n[百度网盘（密码：hash）](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_BiOmeCRYx6cVTWeWq-O9g)。\n- matplotlib 演示\n```\ncd demo\npython demo.py   \n```\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswuxyj_DeepHash-pytorch_readme_23f64382628c.png\"  alt=\"Matplotlib 演示\"\u002F>\u003Cbr\u002F>  \n\n- Flask 演示\n```\ncd demo\u002Fwww\npython app.py   \n```\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswuxyj_DeepHash-pytorch_readme_f8af5cbec573.png\"  alt=\"Flask 演示\"\u002F>\u003Cbr\u002F>  \n# 精确率-召回率曲线\n我在 DSH.py 中添加了如下代码：\n```\n        config[\"pr_curve_path\"] = f\"log\u002Falexnet\u002FDSH_{config['dataset']}_{bit}.json\"\n```\n要获取精确率-召回率曲线，你需要将 JSON 路径 `    \"DSH\": \"..\u002Flog\u002Falexnet\u002FDSH_cifar10-1_48.json\",` 复制到 precision_recall_curve.py 文件中，并运行该文件。  \n```\ncd utils\npython precision_recall_curve.py   \n```\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswuxyj_DeepHash-pytorch_readme_ef086b8d9dd6.png\"  alt=\"精确率-召回率曲线\"\u002F>\u003Cbr\u002F>\n\n# 论文与代码\n由于全部由自己实现较为困难，因此我在这些代码的基础上进行了一些修改。\n\nDSH（CVPR2016）  \n论文：[用于快速图像检索的深度监督哈希](https:\u002F\u002Fwww.cv-foundation.org\u002Fopenaccess\u002Fcontent_cvpr_2016\u002Fpapers\u002FLiu_Deep_Supervised_Hashing_CVPR_2016_paper.pdf)  \n代码：[DSH-pytorch](https:\u002F\u002Fgithub.com\u002Fweixu000\u002FDSH-pytorch)\n\nDPSH（IJCAI2016）  \n论文：[基于特征学习的带成对标签的深度监督哈希](https:\u002F\u002Fcs.nju.edu.cn\u002Flwj\u002Fpaper\u002FIJCAI16_DPSH.pdf)  \n代码：[DPSH-pytorch](https:\u002F\u002Fgithub.com\u002Fjiangqy\u002FDPSH-pytorch)\n\nDHN（AAAI2016）  \n论文：[用于高效相似性检索的深度哈希网络](http:\u002F\u002Fise.thss.tsinghua.edu.cn\u002F~mlong\u002Fdoc\u002Fdeep-hashing-network-aaai16.pdf)  \n代码：[DeepHash-tensorflow](https:\u002F\u002Fgithub.com\u002Fthulab\u002FDeepHash)\n\nDTSH（ACCV2016）  \n论文：[带有三元组标签的深度监督哈希](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.03900)  \n代码：[DTSH](https:\u002F\u002Fgithub.com\u002FMinione\u002FDTSH)\n\nHashNet（ICCV2017）  \n论文：[HashNet：通过延续法进行深度学习哈希](http:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2017\u002Fpapers\u002FCao_HashNet_Deep_Learning_ICCV_2017_paper.pdf)  \n代码：[HashNet caffe和pytorch](https:\u002F\u002Fgithub.com\u002Fthuml\u002FHashNet)\n\nGreedyHash（NIPS2018）  \n论文：[Greedy Hash：迈向CNN中精确哈希编码的快速优化](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F7360-greedy-hash-towards-fast-optimization-for-accurate-hash-coding-in-cnn.pdf)  \n代码：[GreedyHash](https:\u002F\u002Fgithub.com\u002Fssppp\u002FGreedyHash)\n\nDSDH（NIPS2017）  \n论文：[深度监督离散哈希](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F6842-deep-supervised-discrete-hashing.pdf)  \n代码：[DSDH_PyTorch](https:\u002F\u002Fgithub.com\u002FTreezzZ\u002FDSDH_PyTorch)\n\nDFH（BMVC2019）  \n论文：[量化推进：深度费舍尔哈希](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.00206)  \n代码：[Push-for-Quantization-Deep-Fisher-Hashing](https:\u002F\u002Fgithub.com\u002Fliyunqianggyn\u002FPush-for-Quantization-Deep-Fisher-Hashing)\n\nISDH（arxiv2018）  \n论文：[用于多标签图像检索的实例相似度深度哈希](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.02987v1)  \n代码：[ISDH-Tensorflow](https:\u002F\u002Fgithub.com\u002Fpectinid16\u002FISDH-Tensorflow)\n\nIDHN（TMM2019）  \n论文：[改进的带软成对相似性的深度哈希用于多标签图像检索](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.02987)  \n代码：[IDHN-Tensorflow](https:\u002F\u002Fgithub.com\u002Fpectinid16\u002FIDHN)\n\nDBDH（Neurocomputing2020）  \n论文：[用于图像检索的深度平衡离散哈希](https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS0925231220306032)\n\nADSH（AAAI2018）  \n论文：[非对称深度监督哈希](https:\u002F\u002Fcs.nju.edu.cn\u002Flwj\u002Fpaper\u002FAAAI18_ADSH.pdf)  \n代码1：[ADSH matlab + pytorch](https:\u002F\u002Fgithub.com\u002Fjiangqy\u002FADSH-AAAI2018)  \n代码2：[ADSH_pytorch](https:\u002F\u002Fgithub.com\u002FTreezzZ\u002FADSH_PyTorch)\n\nDAGH（ICCV2019，此处未实现）  \n论文：[基于锚图的深度监督哈希](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_ICCV_2019\u002Fpapers\u002FChen_Deep_Supervised_Hashing_With_Anchor_Graph_ICCV_2019_paper.pdf)  \n代码：[DAGH-Matlab](http:\u002F\u002Fwww.scholat.com\u002FpersonalPaperList.html?Entry=laizhihui&selectType=allPaper)\n\nDAPH（ACMMM2017，此处未完全实现）  \n论文：[深度非对称成对哈希](http:\u002F\u002Fcfm.uestc.edu.cn\u002F~fshen\u002FDAPH.pdf)\n\nLCDSH（IJCAI2017）  \n论文：[用于图像检索的局部约束深度监督哈希](https:\u002F\u002Fwww.ijcai.org\u002FProceedings\u002F2017\u002F0499.pdf)\n\nDSHSD（IEEE ACCESS 2019）  \n论文：[基于稳定分布的深度监督哈希](https:\u002F\u002Fieeexplore.ieee.org\u002Fdocument\u002F8648432\u002F)\n\nCSQ（CVPR2020）  \n论文：[用于高效图像和视频检索的中心相似度量化](https:\u002F\u002Fopenaccess.thecvf.com\u002Fcontent_CVPR_2020\u002Fpapers\u002FYuan_Central_Similarity_Quantization_for_Efficient_Image_and_Video_Retrieval_CVPR_2020_paper.pdf)  \n代码：[CSQ-pytorch](https:\u002F\u002Fgithub.com\u002Fyuanli2333\u002FHadamard-Matrix-for-hashing)\n\n通过最大化比特熵的深度无监督图像哈希（AAAI2021）  \n论文：[通过最大化比特熵的深度无监督图像哈希](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2012.12334.pdf)  \n代码：[Deep-Unsupervised-Image-Hashing](https:\u002F\u002Fgithub.com\u002Fliyunqianggyn\u002FDeep-Unsupervised-Image-Hashing)\n\n# 平均精度均值，48位[AlexNet]。\n\n\n\u003Ctable>\n    \u003Ctr>\n        \u003Ctd>算法\u003C\u002Ftd>\u003Ctd>数据集\u003C\u002Ftd>\u003Ctd>本实现\u003C\u002Ftd>\u003Ctd>论文\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DSH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.800\u003C\u002Ftd> \u003Ctd >0.6755\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.798\u003C\u002Ftd> \u003Ctd >0.5621\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.655\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.576\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.735\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DPSH\u003C\u002Ftd>\u003Ctd >cifar10\u003C\u002Ftd> \u003Ctd >0.775\u003C\u002Ftd> \u003Ctd >0.757\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.844\u003C\u002Ftd> \u003Ctd >0.851(0.812*)\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.502\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.711\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >voc2012\u003C\u002Ftd> \u003Ctd >0.608\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.781\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >HashNet\u003C\u002Ftd>\u003Ctd >cifar10\u003C\u002Ftd> \u003Ctd >0.782\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus wide81 m\u003C\u002Ftd> \u003Ctd >0.764\u003C\u002Ftd> \u003Ctd >0.7114\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.830\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.644\u003C\u002Ftd> \u003Ctd >0.6633\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.724\u003C\u002Ftd> \u003Ctd >0.7301\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DHN\u003C\u002Ftd>\u003Ctd >cifar10\u003C\u002Ftd> \u003Ctd >0.781\u003C\u002Ftd> \u003Ctd >0.621\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.841\u003C\u002Ftd> \u003Ctd >0.758\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.486\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.712\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.775\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DSDH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.790\u003C\u002Ftd> \u003Ctd >0.820\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.833\u003C\u002Ftd> \u003Ctd >0.829\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.300\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.681\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.765\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DTSH\u003C\u002Ftd>\u003Ctd >cifar 10\u003C\u002Ftd> \u003Ctd >0.800\u003C\u002Ftd> \u003Ctd >0.774\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.829\u003C\u002Ftd> \u003Ctd >0.824\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.760\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.631\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.753\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >DFH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.801\u003C\u002Ftd> \u003Ctd >0.844\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nus_wide_21\u003C\u002Ftd> \u003Ctd >0.837\u003C\u002Ftd> \u003Ctd >0.842\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.717\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.519\u003C\u002Ftd> \u003Ctd >0.747\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >mirflickr\u003C\u002Ftd> \u003Ctd >0.766\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >GreedyHash\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.817\u003C\u002Ftd> \u003Ctd >0.822\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >cifar10-2\u003C\u002Ftd> \u003Ctd >0.932\u003C\u002Ftd> \u003Ctd >0.944\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.678\u003C\u002Ftd> \u003Ctd >0.688\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >ms coco\u003C\u002Ftd> \u003Ctd >0.728\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nuswide_21\u003C\u002Ftd> \u003Ctd >0.793\u003C\u002Ftd> \u003Ctd >-\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >ADSH\u003C\u002Ftd>\u003Ctd >cifar10-1\u003C\u002Ftd> \u003Ctd >0.921\u003C\u002Ftd> \u003Ctd >0.9390\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nuswide_21\u003C\u002Ftd> \u003Ctd >0.622\u003C\u002Ftd> \u003Ctd >0.9055\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >CSQ(ResNet50,64bit)\u003C\u002Ftd>\u003Ctd >coco\u003C\u002Ftd> \u003Ctd >0.883\u003C\u002Ftd> \u003Ctd >0.861\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >imagenet\u003C\u002Ftd> \u003Ctd >0.881\u003C\u002Ftd> \u003Ctd >0.873\u003C\u002Ftd>\n    \u003C\u002Ftr>\n    \u003Ctr>\n        \u003Ctd >\u003C\u002Ftd>\u003Ctd >nuswide_21_m\u003C\u002Ftd> \u003Ctd >0.844\u003C\u002Ftd> \u003Ctd >0.839\u003C\u002Ftd>\n    \u003C\u002Ftr>\n\u003C\u002Ftable>\n由于时间限制，我无法测试许多超参数。","# DeepHash-pytorch 快速上手指南\n\nDeepHash-pytorch 是一个基于 PyTorch 实现的深度学习哈希算法集合，包含多种主流基线模型（如 DSH, DPSH, HashNet 等）及图像检索演示。\n\n## 环境准备\n\n本项目依赖以下特定版本的 Python 和深度学习框架，建议创建独立的虚拟环境以避免冲突。\n\n*   **操作系统**: Linux \u002F macOS \u002F Windows\n*   **Python**: 3.7.0\n*   **PyTorch**: 1.4.0\n*   **Torchvision**: 0.5.0\n\n> **提示**：国内用户安装 PyTorch 时，推荐使用清华或中科大镜像源加速下载。\n> 例如：`pip install torch==1.4.0 torchvision==0.5.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n其他依赖库（如 `matplotlib`, `flask` 等）可通过常规 `pip install` 安装。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch.git\n    cd DeepHash-pytorch\n    ```\n\n2.  **安装依赖**\n    确保已安装上述指定版本的 PyTorch。若需安装其他辅助库：\n    ```bash\n    pip install matplotlib flask scipy numpy\n    ```\n\n3.  **准备数据集**\n    项目支持 CIFAR-10, NUS-WIDE, ImageNet, COCO, MIRFLICKR 等数据集。\n    *   **CIFAR-10**: 代码通常会自动下载或需在配置中指定路径。\n    *   **NUS-WIDE \u002F ImageNet \u002F COCO**: \n        *   可从 [HashNet 仓库](https:\u002F\u002Fgithub.com\u002Fthuml\u002FHashNet\u002Ftree\u002Fmaster\u002Fpytorch) 下载划分好的数据。\n        *   **国内加速下载**：作者提供了百度网盘链接（提取码：`hash`）：[点击下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1_BiOmeCRYx6cVTWeWq-O9g)。\n    *   下载后请根据 `data\u002F` 目录下的脚本（如 `code.py`）进行查询集、训练集和数据库集的划分。\n\n## 基本使用\n\n### 1. 训练与测试模型\n无需复杂配置，直接运行对应的算法脚本即可启动训练和测试流程。支持的主要算法包括 DSH, DPSH, DHN, DSDH 等。\n\n```bash\n# 运行 DSH 算法\npython DSH.py\n\n# 运行 DPSH 算法\npython DPSH.py\n\n# 运行 DHN 算法\npython DHN.py\n\n# 运行 DSDH 算法\npython DSDH.py\n```\n\n> **注意**：默认配置针对 CIFAR-10 数据集。若需切换数据集或调整参数（如哈希码长度），请修改对应 `.py` 文件中的 `config` 字典。\n> *   `config[\"dataset\"] = \"cifar10\"`: 标准划分。\n> *   `config[\"dataset\"] = \"cifar10-1\"`: 随机采样训练集划分。\n> *   `config[\"dataset\"] = \"nus_wide_21\"`: NUS-WIDE 21 类子集。\n\n### 2. 可视化演示\n\n#### 绘制精度 - 召回率曲线 (Precision-Recall Curve)\n部分算法（如 DSH）运行后会生成 JSON 日志。生成曲线步骤如下：\n\n1.  确保算法运行完毕，生成了类似 `log\u002Falexnet\u002FDSH_cifar10-1_48.json` 的文件。\n2.  编辑 `utils\u002Fprecision_recall_curve.py`，将结果路径填入配置：\n    ```python\n    \"DSH\": \"..\u002Flog\u002Falexnet\u002FDSH_cifar10-1_48.json\",\n    ```\n3.  执行绘图脚本：\n    ```bash\n    cd utils\n    python precision_recall_curve.py\n    ```\n\n#### Flask Web 检索演示\n项目提供了一个简单的 Web 界面用于展示检索效果：\n\n```bash\ncd demo\u002Fwww\npython app.py\n```\n启动后在浏览器访问 `http:\u002F\u002F127.0.0.1:5000` 即可体验图像检索功能。\n\n#### Matplotlib 静态演示\n查看静态检索结果示例：\n```bash\ncd demo\npython demo.py\n```","某电商平台的算法团队需要为百万级商品图库构建高效的“以图搜图”功能，以便用户能快速找到相似款式的商品。\n\n### 没有 DeepHash-pytorch 时\n- **研发周期漫长**：团队需从零复现 DPSH、HashNet 等复杂学术论文代码，环境配置与调试往往耗费数周时间。\n- **算法对比困难**：缺乏统一的基准框架，难以在相同数据集（如 CIFAR-10 或 NUS-WIDE）下公平评估不同哈希算法的性能差异。\n- **检索效率低下**：传统特征匹配方法在处理大规模数据库时延迟高，无法满足线上实时查询的毫秒级响应需求。\n- **可视化缺失**：缺少内置的精度 - 召回率（Precision-Recall）曲线生成工具，模型效果评估依赖手动编写脚本，过程繁琐且易出错。\n\n### 使用 DeepHash-pytorch 后\n- **快速落地验证**：只需修改配置文件并运行 `python DSH.py` 等单行命令，即可在标准环境下快速训练和测试多种主流深度哈希算法。\n- **统一评测体系**：直接复用内置的 CIFAR-10 及 ImageNet 数据划分策略，轻松在同一基准下对比 DHN、GreedyHash 等算法的优劣。\n- **高性能检索**：利用生成的紧凑哈希码替代高维特征，将亿级图像的相似度计算转化为位运算，显著提升检索速度并降低存储成本。\n- **直观效果分析**：调用自带的 `precision_recall_curve.py` 脚本，一键生成专业的评估图表，辅助团队迅速锁定最优模型参数。\n\nDeepHash-pytorch 通过提供标准化的算法实现与评测流程，将图像检索系统的研发门槛从“论文复现级”降低至“工程调用级”，极大加速了大规模视觉搜索应用的落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fswuxyj_DeepHash-pytorch_5418a602.png","swuxyj",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fswuxyj_6e924fbe.jpg","深圳","https:\u002F\u002Fgithub.com\u002Fswuxyj",[78],{"name":79,"color":80,"percentage":81},"Python","#3572A5",100,547,112,"2026-04-02T08:07:54","MIT","未说明","需要 NVIDIA GPU (隐含，因使用 PyTorch 进行深度学习训练)，具体型号和显存大小未说明，CUDA 版本未说明",{"notes":89,"python":90,"dependencies":91},"该项目实现了多种深度哈希算法基线。运行不同算法需执行对应的 Python 脚本（如 DSH.py, DPSH.py 等）。支持 CIFAR10、NUS-WIDE、ImageNet、COCO 和 MIRFLICKR 等多种数据集，但需按照 README 指示手动下载并配置数据划分。部分演示功能（如 Flask Web 演示和精度召回曲线绘制）需要额外运行特定目录下的脚本。由于代码基于较旧的 PyTorch 1.4.0 版本，建议在兼容的环境中运行或尝试升级依赖时注意兼容性。","3.7.0",[92,93,94,95],"torch==1.4.0","torchvision==0.5.0","matplotlib","Flask",[14],[98,99,100,101,102,103,104,105,106],"hashnet","dhn","dpsh","pytorch","dtsh","dsdh","dfh","dsh","deep-hashing","2026-03-27T02:49:30.150509","2026-04-10T10:32:08.392861",[110,115,119,124,129,134,139],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},27446,"如何为自定义图像分类数据集生成检索所需的 train.txt、test.txt 和 database.txt 文件？","你可以参考项目中提供的脚本来划分数据集并生成这些文件。具体代码示例可以参考：\n1. MIRFlickr 数据集处理代码：https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fblob\u002Fmaster\u002Fdata\u002Fmirflickr\u002Fcode.py\n2. VOC2012 数据集处理代码：https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fblob\u002Fmaster\u002Fdata\u002Fvoc2012\u002Fcode.py\n3. NUS-WIDE 数据集处理代码：https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fblob\u002Fmaster\u002Fdata\u002Fnuswide_21\u002Fcode.py\n此外，也可以直接修改 dataloader 来适配自己的数据集，但通常建议先生成上述文本文件以符合项目规范。","https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fissues\u002F24",{"id":116,"question_zh":117,"answer_zh":118,"source_url":114},27447,"在训练过程中，database.txt 的作用是什么？训练时是否使用了它？","在训练网络阶段（training），只使用了 train_loader（即 train.txt 对应的数据）。\ndatabase.txt 和 test.txt 主要用于计算 mAP（平均精度均值）评估阶段。具体流程是：\n1. 使用 test_loader 计算测试集的二值哈希码和标签。\n2. 使用 dataset_loader（对应 database.txt）计算数据库集的二值哈希码和标签。\n3. 调用 CalcTopMap 函数，利用数据库集和测试集的哈希码及标签计算 mAP。\n相关代码逻辑如下：\n```python\ntst_binary, tst_label = compute_result(test_loader, net, device=device)\ntrn_binary, trn_label = compute_result(dataset_loader, net, device=device)\nmAP = CalcTopMap(trn_binary.numpy(), tst_binary.numpy(), trn_label.numpy(), tst_label.numpy(), config[\"topK\"])\n```",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},27448,"图像检索搜索时，是在整个数据库中搜索还是仅在当前类别中搜索？","搜索是在整个数据库（whole database）中进行的，而不是先确定类别再在类别内搜索。检索过程会计算查询图像与数据库中所有图像的哈希距离，然后返回相似度最高的 Top-K 图像。关于如何展示 Top-K 结果，可以参考项目中的 demo 笔记本：https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fblob\u002Ffa5df9497bca40e694c3d471e76acee995715325\u002Fdemo.ipynb","https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fissues\u002F11",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},27449,"为什么 CIFAR-10 数据集不需要手动提供图片文件，而其他数据集需要？找不到 txt 文件怎么办？","CIFAR-10 数据集可以通过 `torchvision.datasets` 直接下载和加载，因此代码中不需要像其他数据集那样手动读取本地图片文件夹，这也是它被单独处理的原因。\n如果你找不到 `train.txt`、`test.txt` 和 `database.txt` 文件，是因为它们需要根据具体的实验设置动态生成或从 `torchvision` 加载后划分。你可以：\n1. 直接使用代码中基于 `torchvision.datasets` 的加载方式。\n2. 如果想手动管理，可以参考 `data\u002Fmirflickr\u002Fcode.py` 的逻辑，将下载的图片转为 PNG 存到本地，并手动生成对应的 txt 索引文件。","https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fissues\u002F44",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},27450,"CSQ 方法在类别数量非常大（如超过 40,000 类的人重识别任务）时运行极慢，有什么建议吗？","CSQ 算法中生成哈希目标中心（hash target center）的代码在类别数极大时确实非常耗时，因为它需要计算类间的成对距离以确保哈希码的区分度。对于 64 位哈希码，理论上很难为 40,000+ 个类别生成完全不冲突的中心，且计算复杂度随类别数平方级增长。\n维护者表示目前没有特别合适的建议能直接解决此问题。如果遇到这种情况，建议尝试其他更适合大规模类别数据集的 DeepHash 方法，或者优化哈希中心的生成策略（例如使用近似最近邻搜索代替全量计算，但这需要自行修改代码）。","https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fissues\u002F21",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},27451,"在 ImageNet 或 NUS-WIDE 数据集上复现 CSQ 等方法时，MAP 远低于论文报告值（如只有 0.3-0.5 或 0.74），可能的原因和参考参数是什么？","性能差异通常源于超参数设置或骨干网络的不同。维护者提供了在 NUS-WIDE 数据集上使用 AlexNet 骨干网络的参考结果供对比：\n- 16 bit: MAP ≈ 0.784\n- 32 bit: MAP ≈ 0.821\n- 64 bit: MAP ≈ 0.834\n如果你在 64 bit 下只能达到 0.74 左右，请检查：\n1. 骨干网络是否与论文一致（论文可能使用特定网络，而默认代码可能是 AlexNet 或 ResNet）。\n2. 学习率策略：有用户反馈在某些细粒度任务中去掉学习率衰减反而效果更好，但在标准数据集上通常需要使用原文的学习率衰减策略。\n3. 确保数据预处理（如裁剪大小、归一化方式）与原文一致。","https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fissues\u002F6",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},27452,"无监督方法 BiHalf 和 GreedyHash 的复现效果如何？是否有测试日志？","关于 BiHalf 无监督方法，维护者曾指出早期复现时由于未仔细对照原文导致 MAP 较低，修正后的最新配置和日志如下：\n- 数据集：cifar10-2\n- 批次大小 (batch_size): 64\n- 学习率 (lr): 0.0001 (SGD optimizer, momentum 0.9, weight_decay 0.0005)\n- 训练轮数 (epoch): 200\n- 哈希位 (bit): 64\n- 关键参数 gamma: 6\n修正后算法能正常收敛。如果在复现时发现效果不佳，请检查是否应用了最新的参数修正，特别是 gamma 值和优化器设置。","https:\u002F\u002Fgithub.com\u002Fswuxyj\u002FDeepHash-pytorch\u002Fissues\u002F18",[]]