[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tata1661--FSL-Mate":3,"tool-tata1661--FSL-Mate":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",140436,2,"2026-04-05T23:32:43",[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。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[14,35],{"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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":76,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":151},4247,"tata1661\u002FFSL-Mate","FSL-Mate","FSL-Mate: A collection of resources for few-shot learning (FSL).","FSL-Mate 是一个专为小样本学习（Few-Shot Learning, FSL）打造的开源资源集合，旨在降低该领域的研究与开发门槛。面对小样本学习中数据稀缺、算法迭代快且文献分散的痛点，FSL-Mate 提供了两大核心支持：一是\"FewShotPapers\"，这是一个持续更新的论文清单，系统追踪了从 CVPR、NeurIPS 到 ACL 等顶级会议的最新研究成果，帮助研究者快速把握前沿动态；二是\"PaddleFSL\"，一个基于百度飞桨（PaddlePaddle）框架的 Python 库，为算法实现提供了便捷的代码基础。\n\n该项目特别适合人工智能研究人员、算法工程师以及对小样本学习感兴趣的学生使用。无论是需要调研最新学术进展的学者，还是希望快速复现或开发相关模型的开发者，都能从中获益。FSL-Mate 的独特亮点在于其“一站式”的资源整合能力与极高的时效性，团队致力于持续收录包括 2024 至 2025 年各大顶会在内的最新论文，确保用户获取的信息始终处于行业前沿。通过汇聚理论与实战工具，FSL-Mate 正努力让小样本学习变得更加简单高效，是进入这一细分领域不可或缺的得力助手。","\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftata1661_FSL-Mate_readme_f5759829f20d.png\" alt=\"logo\" width=\"400px\" \u002F>\u003C\u002Fp>\n\n\n---\n\n**FSL-Mate** is a collection of resources for few-shot learning (FSL).  \n\nIn particular, FSL-Mate currently contains\n\n- [**FewShotPapers**](https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Ftree\u002Fmaster\u002FFewShotPapers): a paper list which tracks the research advances on FSL\n- [**PaddleFSL**](https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Ftree\u002Fmaster\u002FPaddleFSL): a PaddlePaddle-based python library for FSL \n\nWe are endeavored to constantly update FSL-Mate. Hopefully, it can make FSL easier. \n\n## News🔥 \n- [2025-10-14] Add FSL papers published in CVPR 2025, ACL 2025 and IJCAI 2025.\n\n- [2025-07-17] Add FSL papers published in CVPR 2024, ICML 2024, IJCAI 2024, ACL 2024, NeurIPS 2024, EMNLP 2024, ICCV 2024, ICLR 2025, WWW 2024-2025, KDD 2024-2025, AAAI 2024-2025, NAACL 2024-2025, SIGIR 2024-2025.\n\n\n## Cite Us\n\nPlease cite our [paper](https:\u002F\u002Fdl.acm.org\u002Fdoi\u002F10.1145\u002F3386252?cid=99659542534) if you find it helpful.\n```\n@article{wang2020generalizing,\n  title={Generalizing from a few examples: A survey on few-shot learning},\n  author={Wang, Yaqing and Yao, Quanming and Kwok, James T and Ni, Lionel M},\n  journal={ACM Computing Surveys},\n  volume={53},\n  number={3},\n  pages={1--34},\n  year={2020},\n  publisher={ACM New York, NY, USA}\n}\n```\n\n## Contact\nWe welcome advices and feedbacks for FSL-Mate. Please feel free to open an issue or contact [Yaqing Wang](mailto:wangyaqing@bimsa.cn). \n\n\n\n","\u003Cp align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftata1661_FSL-Mate_readme_f5759829f20d.png\" alt=\"logo\" width=\"400px\" \u002F>\u003C\u002Fp>\n\n\n---\n\n**FSL-Mate** 是一个用于小样本学习（FSL）的资源集合。  \n\n具体来说，FSL-Mate 目前包含：\n\n- [**FewShotPapers**](https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Ftree\u002Fmaster\u002FFewShotPapers)：一个跟踪小样本学习研究进展的论文列表。\n- [**PaddleFSL**](https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Ftree\u002Fmaster\u002FPaddleFSL)：一个基于飞桨的 Python 小样本学习库。\n\n我们致力于不断更新 FSL-Mate，希望它能让小样本学习变得更加容易。  \n\n## 最新动态🔥  \n- [2025-10-14] 新增 CVPR 2025、ACL 2025 和 IJCAI 2025 上发表的小样本学习论文。\n- [2025-07-17] 新增 CVPR 2024、ICML 2024、IJCAI 2024、ACL 2024、NeurIPS 2024、EMNLP 2024、ICCV 2024、ICLR 2025、WWW 2024-2025、KDD 2024-2025、AAAI 2024-2025、NAACL 2024-2025、SIGIR 2024-2025 上发表的小样本学习论文。\n\n## 引用我们\n\n如果您觉得我们的工作有所帮助，请引用我们的论文：\n```\n@article{wang2020generalizing,\n  title={从少量样本中泛化：小样本学习综述},\n  author={Wang, Yaqing and Yao, Quanming and Kwok, James T and Ni, Lionel M},\n  journal={ACM 计算机科学综述},\n  volume={53},\n  number={3},\n  pages={1--34},\n  year={2020},\n  publisher={ACM 纽约, 美国}\n}\n```\n\n## 联系我们\n我们欢迎对 FSL-Mate 的建议和反馈。请随时提交问题或联系 [Yaqing Wang](mailto:wangyaqing@bimsa.cn)。","# FSL-Mate 快速上手指南\n\nFSL-Mate 是一个专注于小样本学习（Few-Shot Learning, FSL）的资源集合，包含最新的论文追踪列表 **FewShotPapers** 和基于 PaddlePaddle 的开发库 **PaddleFSL**。本指南将帮助您快速搭建环境并开始使用。\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 (推荐 Ubuntu 18.04+), macOS 或 Windows (需配置 WSL)。\n*   **Python 版本**：Python 3.7 - 3.9。\n*   **深度学习框架**：PaddlePaddle (飞桨) 2.0+。\n*   **依赖管理**：pip 或 conda。\n\n> **国内加速建议**：\n> 推荐使用清华源或百度源安装 PaddlePaddle 以获取更快的下载速度。\n\n## 安装步骤\n\n### 1. 安装 PaddlePaddle\n根据您的 CUDA 版本选择对应的安装命令。若无 GPU，可安装 CPU 版本。\n\n**CPU 版本：**\n```bash\npython -m pip install paddlepaddle -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**GPU 版本 (以 CUDA 11.2 为例)：**\n```bash\npython -m pip install paddlepaddle-gpu==2.5.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n*(注：具体版本号请参考 [PaddlePaddle 官网安装指南](https:\u002F\u002Fwww.paddlepaddle.org.cn\u002Finstall\u002Fquick) 以匹配您的显卡驱动)*\n\n### 2. 克隆 FSL-Mate 仓库\n获取最新代码资源：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate.git\ncd FSL-Mate\n```\n\n### 3. 安装 PaddleFSL 依赖\n进入 PaddleFSL 目录并安装所需 Python 包：\n\n```bash\ncd PaddleFSL\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n安装完成后，您可以直接使用 `PaddleFSL` 库构建小样本学习模型。以下是一个最简单的元训练（Meta-Training）示例，演示如何加载一个经典的 Prototypical Networks 模型并进行初始化。\n\n```python\nimport paddle\nfrom paddlefsl.model_zoo import prototypical\n\n# 1. 定义模型\n# 创建一个用于小样本分类的原型网络模型\nmodel = prototypical.Prototypical(encoder='conv4', way=5, shot=1)\n\n# 2. 查看模型结构\nprint(model)\n\n# 3. 准备优化器\noptimizer = paddle.optimizer.Adam(learning_rate=0.001, parameters=model.parameters())\n\n# 4. 模拟一次前向传播 (此处仅为示例，实际使用需配合 Dataset 和 Task Sampler)\n# 假设输入数据形状为 [batch, way * shot, channels, height, width]\ndummy_input = paddle.rand([4, 5, 3, 28, 28]) \ndummy_labels = paddle.randint(0, 5, shape=[4, 5])\n\n# 执行前向计算\nloss = model(dummy_input, dummy_labels)\n\nprint(f\"Initial Loss: {loss.numpy()}\")\n```\n\n**进阶资源：**\n*   **论文追踪**：查看 `FewShotPapers` 目录获取 CVPR、ICML 等顶会的最新 FSL 论文列表。\n*   **更多示例**：参考 `PaddleFSL\u002Fexamples` 目录下的完整训练脚本。","某医疗 AI 初创团队正致力于开发一种罕见皮肤病诊断模型，但面临每种病症仅能收集到 5-10 张标注图像的数据极度匮乏困境。\n\n### 没有 FSL-Mate 时\n- **文献调研低效**：团队成员需手动在 arXiv、Google Scholar 等多个平台检索“小样本学习”相关论文，难以系统追踪 CVPR、ICML 等顶会的最新进展，极易遗漏关键算法。\n- **复现门槛极高**：找到的开源代码往往基于不同框架（如 PyTorch 或 TensorFlow），缺乏统一标准，且缺少针对医学图像的预处理模块，导致环境配置和代码迁移耗时数周。\n- **基线对比困难**：由于缺乏权威的论文列表和标准化实现，团队难以快速建立可靠的性能基线，无法判断自研模型是否真正超越了当前业界水平。\n- **试错成本高昂**：在没有成熟库支持的情况下，研究人员需从零编写元训练（Meta-training）和度量学习模块，大量精力浪费在基础架构搭建而非核心算法创新上。\n\n### 使用 FSL-Mate 后\n- **前沿动态一手掌握**：利用 FSL-Mate 中的 FewShotPapers 清单，团队迅速锁定了 2024-2025 年发表于 CVPR 和 MICCAI 等会议的最新小样本医学影像论文，精准定位可借鉴思路。\n- **开箱即用的算法库**：直接调用基于 PaddlePaddle 的 PaddleFSL 库，内置了多种经典小样本学习算法及统一的数据加载接口，将模型原型开发周期从数周缩短至几天。\n- **标准化性能评估**：借助库中预置的基准任务和评估脚本，团队能在同一公平环境下快速复现 SOTA 模型，确立了清晰的优化目标和对比参照。\n- **聚焦核心业务逻辑**：得益于成熟的基础设施支持，算法工程师得以将 90% 的精力投入到针对皮肤纹理特征的元学习策略改进上，显著提升了模型在极少样本下的泛化能力。\n\nFSL-Mate 通过整合前沿文献与标准化代码库，将小样本学习从“高门槛科研探索”转化为“高效工程落地”，极大加速了数据稀缺场景下的 AI 模型迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftata1661_FSL-Mate_d7ee38cf.png","tata1661","Yaqing Wang","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftata1661_84ccdc34.jpg","I am an associate professor at BIMSA. \r\n\r\n\r\n",null,"https:\u002F\u002Fwangyaqing.github.io\u002F","https:\u002F\u002Fgithub.com\u002Ftata1661",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.9,{"name":85,"color":86,"percentage":87},"Shell","#89e051",0.1,1766,288,"2026-04-02T05:35:17","","未说明",{"notes":94,"python":92,"dependencies":95},"该项目主要包含少样本学习（FSL）的论文列表和基于 PaddlePaddle 的 Python 库（PaddleFSL）。README 中未提供具体的操作系统、GPU、内存或 Python 版本要求。由于核心库 PaddleFSL 基于百度飞桨（PaddlePaddle）框架，用户需自行参考 PaddlePaddle 的官方文档以获取详细的运行环境配置（如支持的 CUDA 版本等）。",[96],"PaddlePaddle",[14],[99,100,101,102,103,104,105,106,107,108,109],"few-shot-learning","one-shot-learning","meta-learning","low-shot","deep-learning","papers","few-shot-paper","few-shot-papers","paper","paddlepaddle","few-shot","2026-03-27T02:49:30.150509","2026-04-06T15:02:57.400520",[113,118,123,128,133,138,143,147],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},19352,"安装时遇到 'ModuleNotFoundError: No module named pahelix' 错误怎么办？","这是缺少依赖包 paddlehelix 导致的。请按照以下步骤安装：\n1. 设置环境变量（Linux\u002FMac）：export SKLEARN_ALLOW_DEPRECATED_SKLEARN_PACKAGE_INSTALL=True\n   （Windows 用户使用：set SKLEARN_ALLOW_DEPRECATED_SKLEARN_PACKAGE_INSTALL=True）\n2. 依次执行以下命令：\npip install rdkit-pypi\npip install pgl\npip install paddlehelix\n如果仍然失败，可以尝试安装版本 1.0.0 或参考 PaddleHelix 官方文档排查问题。","https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Fissues\u002F25",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},19353,"PaddleFSL 的完整安装步骤是什么？","推荐安装步骤如下：\n1. 创建 conda 环境：conda create -n paddleFSL python=3.7 -y\n2. 激活环境：source activate paddleFSL (Windows 使用 conda activate paddleFSL)\n3. 安装 GPU 版 PaddlePaddle：python -m pip install paddlepaddle-gpu==2.4.2 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n4. 验证 Paddle 安装：python -c \"import paddle;print(paddle.utils.run_check())\"\n5. 安装依赖：\npip install rdkit-pypi\npip install pgl\npip install paddlehelix (若失败需先设置环境变量 SKLEARN_ALLOW_DEPRECATED_SKLEARN_PACKAGE_INSTALL=True)\npip install scikit-learn\npython -m pip install ujson\n6. 安装 PaddleFSL：推荐使用 python setup.py install 或 pip install paddlefsl\n7. 验证安装：python -c \"import paddlefsl;print(paddlefsl.__version__)\"","https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Fissues\u002F43",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},19354,"如何使用自定义数据集进行训练和评估？","需要完成以下两步：\n1. 自定义数据预处理类：参照 \u002Fpaddlefsl\u002Fdatasets 目录下的实现（如 fc100），创建自己的数据集类。如果是自定义数据集，可以将文件校验部分改为 pass。\n2. 自定义训练脚本：参照 examples 中的示例（如 examples\u002Fimage_classification\u002Frelationnet_image_classification.py），将代码中的 TRAIN_DATASET = paddlefsl.datasets.FC100 替换为你自定义的数据集类实例。\n例如：\nTRAIN_DATASET = MyCustomDataset(mode='train')\nVALID_DATASET = MyCustomDataset(mode='valid')\nTEST_DATASET = MyCustomDataset(mode='test')","https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Fissues\u002F41",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},19355,"如何修改数据存放的 root 路径或使用当前文件夹下的 raw_data？","修改 raw_data 目录的方法：\n编辑 utils\u002Fio.py 文件，找到 DATA_HOME 变量并修改为你的目标路径。\n链接参考：https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSLMate\u002Fblob\u002Fd7c504a679086583f81d03f13c071995d6413812\u002FPaddleFSL\u002Fpaddlefsl\u002Futils\u002Fio.py#L31\n\n如果在 Windows 下想使用当前文件夹的 py 文件而非安装包中的文件，有三种方法：\n方法 1（命令行临时设置）：set PYTHONPATH=你的项目路径;%PYTHONPATH%\n方法 2（系统永久设置）：右键“此电脑”->属性->高级系统设置->环境变量->新建\u002F编辑 PYTHONPATH 变量，添加项目路径。\n方法 3（直接拷贝）：将项目中的 build、dist、paddlefsl、raw_data 等文件夹直接拷贝到 examples 对应的示例文件夹中。\n注意：设置环境变量后需关闭所有 Python 窗口重新打开生效。","https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Fissues\u002F45",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},19356,"项目的依赖列表（requirements.txt）在哪里？","该项目没有独立的 requirements.txt 文件，依赖信息定义在 setup.py 中。\n主要依赖包括：numpy, requests, tqdm。\n查看位置：https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Fblob\u002Fmaster\u002FPaddleFSL\u002Fsetup.py\n其他可选依赖（如生物信息相关）可能需要额外安装，如 rdkit-pypi, pgl, paddlehelix 等。","https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Fissues\u002F22",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},19357,"运行示例代码时报错 '(InvalidArgument) Tensor holds the wrong type, it holds int, but desires to be int64_t' 如何解决？","该错误通常是由于数据类型不匹配导致的。PaddlePaddle 某些操作要求张量类型为 int64，但输入的是 int32。\n解决方法：\n1. 检查代码中涉及索引、标签或形状的操作，确保相关 numpy 数组或张量显式转换为 int64 类型。\n2. 在创建张量时指定 dtype，例如：paddle.to_tensor(data, dtype='int64')\n3. 如果是从 numpy 转换，确保 numpy 数组类型为 np.int64：data.astype(np.int64)\n4. 检查数据集加载部分，确保 label 或 index 字段没有被默认读为 int32。","https:\u002F\u002Fgithub.com\u002Ftata1661\u002FFSL-Mate\u002Fissues\u002F16",{"id":144,"question_zh":145,"answer_zh":146,"source_url":117},19358,"是否支持按需安装（例如不使用 gin 模块时不安装 paddlehelix）？","目前官方尚未正式支持可选依赖安装（如 pip install paddlefsl[bio]），但社区已提出该需求。\n临时解决方案：\n- 如果你不需要使用 gin 或其他依赖 paddlehelix 的模块，可以跳过安装 paddlehelix 及其相关依赖（rdkit-pypi, pgl）。\n- 在代码中避免导入依赖这些包的模块（如 from pahelix...）。\n未来版本可能会支持通过 extras_require 实现按需安装，建议关注项目更新或贡献 PR 推动该功能。",{"id":148,"question_zh":149,"answer_zh":150,"source_url":132},19359,"如何在 Windows 上设置环境变量以解决 paddlehelix 安装或路径问题？","Windows 用户设置环境变量的方法：\n1. 临时设置（当前命令行窗口有效）：\n   set SKLEARN_ALLOW_DEPRECATED_SKLEARN_PACKAGE_INSTALL=True\n   set PYTHONPATH=你的项目路径;%PYTHONPATH%\n2. 永久设置（系统级）：\n   a. 右键点击“此电脑”，选择“属性”\n   b. 点击“高级系统设置”\n   c. 点击“环境变量”按钮\n   d. 在“用户变量”或“系统变量”中找到或新建 PYTHONPATH 或 SKLEARN_ALLOW_DEPRECATED_SKLEARN_PACKAGE_INSTALL\n   e. 添加对应值\n   f. 确定保存\n注意：设置完成后需关闭所有 Python\u002F命令行窗口，重新打开才能生效。",[]]