[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tf-coreml--tf-coreml":3,"tool-tf-coreml--tf-coreml":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":67,"owner_name":76,"owner_avatar_url":77,"owner_bio":76,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":100,"github_topics":76,"view_count":23,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":101,"updated_at":102,"faqs":103,"releases":141},3169,"tf-coreml\u002Ftf-coreml","tf-coreml","TensorFlow to CoreML Converter","tf-coreml 是一款由苹果官方推出的转换工具，旨在将 TensorFlow 模型转化为 Core ML 格式，以便在 iOS、macOS 等苹果设备上高效运行。它主要解决了机器学习模型从训练环境部署到苹果生态系统时的格式兼容问题，让开发者能够轻松利用现有的 TensorFlow 资源进行移动端开发。\n\n需要注意的是，tf-coreml 目前已停止维护。它仅适用于特定场景：如果你的目标部署设备是 iOS 12 或更早版本，且源模型是 TensorFlow 1.x 生成的冻结 protobuf 文件（.pb 格式），那么 tf-coreml 依然是可行的选择。对于大多数现代开发需求，官方强烈建议转而使用 coremltools 4.0 及以上版本中集成的新统一转换 API，以获取更好的功能支持、错误修复和社区帮助。\n\n这款工具特别适合熟悉 TensorFlow 的移动端开发者和研究人员使用，尤其是那些需要维护旧版 iOS 应用或处理遗留 TF1 模型的技术人员。虽然它不再更新，但在特定的历史技术栈中，tf-coreml 曾扮演过连接谷歌训练框架与苹果推理引擎的关键桥梁角色，其简洁的命","tf-coreml 是一款由苹果官方推出的转换工具，旨在将 TensorFlow 模型转化为 Core ML 格式，以便在 iOS、macOS 等苹果设备上高效运行。它主要解决了机器学习模型从训练环境部署到苹果生态系统时的格式兼容问题，让开发者能够轻松利用现有的 TensorFlow 资源进行移动端开发。\n\n需要注意的是，tf-coreml 目前已停止维护。它仅适用于特定场景：如果你的目标部署设备是 iOS 12 或更早版本，且源模型是 TensorFlow 1.x 生成的冻结 protobuf 文件（.pb 格式），那么 tf-coreml 依然是可行的选择。对于大多数现代开发需求，官方强烈建议转而使用 coremltools 4.0 及以上版本中集成的新统一转换 API，以获取更好的功能支持、错误修复和社区帮助。\n\n这款工具特别适合熟悉 TensorFlow 的移动端开发者和研究人员使用，尤其是那些需要维护旧版 iOS 应用或处理遗留 TF1 模型的技术人员。虽然它不再更新，但在特定的历史技术栈中，tf-coreml 曾扮演过连接谷歌训练框架与苹果推理引擎的关键桥梁角色，其简洁的命令行转换方式在当时极大地降低了跨平台部署的门槛。","[![Build Status](https:\u002F\u002Ftravis-ci.com\u002Fapple\u002Ftfcoreml.svg?branch=master)](#)\n[![PyPI Release](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ftfcoreml.svg)](#)\n[![Python Versions](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Ftfcoreml.svg)](#)\n\nConvert from Tensorflow to CoreML\n=================================\n\n[coremltools](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools) (Recommended approach)\n--------------------\n\n\nFor converting TensorFlow models to CoreML format, the recommended approach is to use TensorFlow converter available through **new** unified conversion API, introduced in`coremltools 4.0` python package.\nPlease read the coremltools documentation on [Tensorflow conversion](https:\u002F\u002Fcoremltools.readme.io\u002Fdocs\u002Ftensorflow-conversion) for example usage.\n\nTo install coremltools package, please follow [these instructions](https:\u002F\u002Fcoremltools.readme.io\u002Fdocs\u002Finstallation) in the coremltools documentation.\n\n\ntfcoreml \n---------\n\n`tfcoreml` package is **no longer maintained**. \n\nConversion API `tfcoreml.convert` should **only be used** if **all** of the following conditions are met:\n 1. Primary deployment target is `iOS 12` or earlier. \n 2. Source model is a TensorFlow 1 `graph_def` object serialized as frozen protobuf format (\".pb\") \n \n \n To install `tfcoreml`, please run:\n\n```shell\npip install --upgrade tfcoreml\n```\n\nPlease read [this usage section](.\u002FUsage.md) which illustrates how to convert models using `tfcoreml`.\n\nFor access to new features, bug fixes, community support and requests, please use [coremltools](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools) github repository.\n\n\n## License\n[Apache License 2.0](LICENSE)\n","[![构建状态](https:\u002F\u002Ftravis-ci.com\u002Fapple\u002Ftfcoreml.svg?branch=master)](#)\n[![PyPI 发布](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Ftfcoreml.svg)](#)\n[![Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Ftfcoreml.svg)](#)\n\n将 TensorFlow 转换为 CoreML\n=========================\n\n[coremltools](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools)（推荐方法）\n--------------------\n\n将 TensorFlow 模型转换为 CoreML 格式的推荐方法是使用通过 **新** 统一转换 API 提供的 TensorFlow 转换器，该 API 已在 `coremltools 4.0` Python 包中引入。有关示例用法，请参阅 coremltools 文档中的 [TensorFlow 转换](https:\u002F\u002Fcoremltools.readme.io\u002Fdocs\u002Ftensorflow-conversion) 部分。\n\n要安装 coremltools 包，请按照 coremltools 文档中的 [这些说明](https:\u002F\u002Fcoremltools.readme.io\u002Fdocs\u002Finstallation) 进行操作。\n\n\ntfcoreml \n---------\n\n`tfcoreml` 包已 **不再维护**。\n\n转换 API `tfcoreml.convert` **仅应在以下所有条件均满足时使用**：\n1. 主要部署目标为 `iOS 12` 或更早版本。\n2. 源模型为以冻结的 Protocol Buffers 格式（“.pb”）序列化的 TensorFlow 1 `graph_def` 对象。\n\n要安装 `tfcoreml`，请运行：\n\n```shell\npip install --upgrade tfcoreml\n```\n\n请阅读 [此使用部分](.\u002FUsage.md)，其中说明了如何使用 `tfcoreml` 转换模型。\n\n如需访问新功能、错误修复、社区支持和请求等功能，请使用 [coremltools](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools) GitHub 仓库。\n\n\n## 许可证\n[Apache License 2.0](LICENSE)","# tf-coreml 快速上手指南\n\n> **重要提示**：`tfcoreml` 包已**不再维护**。仅当您的部署目标为 **iOS 12 或更早版本**，且源模型为冻结的 TensorFlow 1 `.pb` 文件时，才建议使用此工具。对于新开发项目，强烈推荐使用 `coremltools` (4.0+) 的统一转换 API。\n\n## 环境准备\n\n- **操作系统**：macOS（CoreML 主要运行环境），Linux 或 Windows 也可用于转换过程。\n- **Python 版本**：支持 Python 2.7 及 Python 3.x。\n- **前置依赖**：\n  - TensorFlow 1.x（需已安装并能加载 `.pb` 模型文件）。\n  - pip 包管理工具。\n\n## 安装步骤\n\n使用 pip 安装最新版本的 `tfcoreml`。国内开发者可使用清华源加速下载：\n\n```shell\npip install --upgrade tfcoreml -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n或者使用官方源：\n\n```shell\npip install --upgrade tfcoreml\n```\n\n## 基本使用\n\n以下是最简单的转换示例，将冻结的 TensorFlow 模型 (`.pb`) 转换为 CoreML 模型 (`.mlmodel`)。\n\n假设您有一个名为 `model.pb` 的冻结模型文件，输入节点名为 `input`，输出节点名为 `output`：\n\n```python\nimport tfcoreml as tf_converter\n\ntf_converter.convert(\n    tf_model_path='model.pb',\n    mlmodel_path='model.mlmodel',\n    input_names=['input'],\n    output_names=['output']\n)\n```\n\n转换完成后，即可在 Xcode 中使用生成的 `model.mlmodel` 文件进行 iOS 应用集成。","某医疗科技团队需要将训练好的 TensorFlow 1 糖尿病视网膜病变筛查模型，部署到仅支持 iOS 12 的旧款 iPad 上供基层医生离线使用。\n\n### 没有 tf-coreml 时\n- **兼容性死结**：由于目标设备停留在 iOS 12，无法使用新版 coremltools 的统一转换接口，导致先进的深度学习模型无法在现有硬件上运行。\n- **手动重构成本高**：开发人员被迫手动重写模型结构或寻找不稳定的中间格式，极易引入误差且耗时数周。\n- **推理性能低下**：若强行通过服务器 API 调用模型，不仅依赖网络环境，还导致图像分析延迟高达数秒，无法满足门诊实时诊断需求。\n- **隐私合规风险**：患者眼底照片需上传云端处理，违反了医疗数据必须本地化存储和计算的严格合规要求。\n\n### 使用 tf-coreml 后\n- **无缝格式桥接**：tf-coreml 直接读取冻结的 `.pb` 文件，将 TensorFlow 1 图定义精准转换为旧版 CoreML 格式，完美适配 iOS 12 系统。\n- **开发效率倍增**：只需一行命令即可完成转换，团队在半天内便完成了模型迁移，无需修改任何底层网络结构。\n- **端侧实时响应**：模型直接在 iPad 神经网络引擎上运行，单张眼底图分析时间缩短至 200 毫秒以内，实现“即拍即测”。\n- **数据绝对安全**：所有计算均在设备本地完成，患者影像数据无需出院，彻底解决了隐私泄露的合规隐患。\n\ntf-coreml 在特定遗留系统约束下，成为了连接经典 TensorFlow 模型与旧版苹果生态的关键桥梁，让高端 AI 能力得以在老旧设备上焕发新生。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftf-coreml_tf-coreml_ec610564.png",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftf-coreml_727bc365.png","https:\u002F\u002Fgithub.com\u002Ftf-coreml",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.2,{"name":85,"color":86,"percentage":87},"Shell","#89e051",0.8,1331,165,"2026-03-15T19:09:33","Apache-2.0",1,"macOS","未说明",{"notes":96,"python":94,"dependencies":97},"tfcoreml 包已不再维护。仅当主要部署目标为 iOS 12 或更早版本，且源模型为冻结 protobuf 格式 (.pb) 的 TensorFlow 1 graph_def 对象时，才应使用 tfcoreml。对于新功能、bug 修复及社区支持，强烈建议使用 coremltools 4.0+ 的统一转换 API。",[98,99],"coremltools>=4.0 (推荐)","tensorflow (用于源模型)",[13],"2026-03-27T02:49:30.150509","2026-04-06T06:51:52.599705",[104,109,114,118,123,128,133,137],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},14598,"转换 DeepLab 等模型时遇到 \"TypeError: Shape Translator missing for OP of type Pad\" 错误怎么办？","虽然 README 中提到支持 `Pad` 操作，但在特定模型（如 DeepLab）中可能会遇到此错误。这通常是因为模型中的某些操作未被完全覆盖或版本问题。建议检查是否使用了最新版本的 tf-coreml。如果问题依旧，可以尝试查看是否有针对该特定模型的自定义层实现，或者考虑使用 TensorFlow Lite 作为替代方案进行 iOS 部署。","https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml\u002Fissues\u002F147",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},14597,"SSD MobileNet 模型转换为 CoreML 后，输出的两个张量（tensors）分别代表什么？如何解析它们？","转换后的 CoreML 模型输出两个 MLMultiArray：\n1. 每个类别的得分（Scores）：名为 `concat_1__0`，形状为 1x1x91x1x1917。其中 91 代表类别索引（0 为背景，例如 18 代表狗），1917 是锚框（anchor boxes）的总数。\n2. 锚框编码坐标（Anchor-encoded Boxes）：名为 `concat__0`，形状为 1x1x4x1x1917。\n\n后处理步骤：\n1. 剪枝：剔除所有得分低于阈值（如 0.01）的框。\n2. 解码：使用剩余的索引计算对应的边界框坐标。\n可以参考此源码了解从 1917 个锚框到最终结果的映射逻辑：https:\u002F\u002Fgithub.com\u002Fvonholst\u002FSSDMobileNet_CoreML","https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml\u002Fissues\u002F107",{"id":115,"question_zh":116,"answer_zh":117,"source_url":108},14599,"CoreML 模型转换后，输入图像和输出掩码（mask）无法完美对齐或校准不正确，如何解决？","这通常是因为 CoreML 模型的像素输入尺寸与实际视图（View）的尺寸不一致导致的。解决方法是在 iOS 应用的 Storyboard 或代码中调整视图布局，确保输入图像的显示区域与模型预期的输入尺寸严格对齐。此外，检查是否在转换过程中将双线性上采样（bilinear-upsample）替换为了普通上采样，这也可能导致边缘不匹配。",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},14600,"tf-coreml 不支持带有循环（cycles）的 TensorFlow 图吗？有什么替代方案？","tf-coreml 目前不支持转换包含循环（cycles）的 TensorFlow 图。如果遇到此类模型无法转换的情况，推荐的替代方案是使用 TensorFlow Lite。您可以尝试将模型转换为 `.tflite` 格式，然后在 iOS 上使用 TensorFlow Lite 运行时进行部署，而不是使用 `.mlmodel` 格式。","https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml\u002Fissues\u002F80",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},14601,"转换过程中遇到 \"Unsupported Ops of type: Dilation2D\" 错误，如何添加自定义层或解决？","遇到不支持的操作（如 `Dilation2D`）时，首先尝试从源代码安装最新版本的 tf-coreml，因为新版本可能已经修复了对该操作的支持或提供了更好的兼容性。\n安装命令参考：\n1. 克隆仓库：`git clone https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml.git`\n2. 进入目录并从源安装：`pip install -e .`\n如果仍然不支持，则需要参考自定义层示例（custom_layer_examples）来手动实现该操作的转换逻辑。","https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml\u002Fissues\u002F241",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},14602,"如何使用 inspect_pb.py 确定 convertor.py 中需要的 output_feature_names 参数？","运行 `inspect_pb.py` 脚本会生成一个文本文件，列出模型中的所有操作（Ops）。`output_feature_names` 应该是您希望模型输出的那个节点的名称。通常它是模型最后几个操作之一的名称（例如 `mul_16:0` 或 `preds:0`）。\n确定方法：\n1. 查看生成的 txt 文件末尾部分，找到代表最终计算结果的节点名称。\n2. 如果您不确定哪个是输出节点，可以结合原 TensorFlow 模型的构建代码，找到最终返回的 tensor 名称。\n3. 在 `convert` 函数中将该名称填入 `output_feature_names` 列表，例如：`output_feature_names = ['preds:0']`。","https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml\u002Fissues\u002F285",{"id":134,"question_zh":135,"answer_zh":136,"source_url":132},14603,"转换后的 mlmodel 在 Xcode 中显示输入\u002F输出类型为 Multiarray 而不是 Image，如何修改？","默认情况下，tf-coreml 可能将输入输出识别为通用的 Multiarray 类型。要在 Xcode 中将其正确识别为图像类型（Image Input\u002FOutput），需要在转换脚本中明确指定图像输入名称。\n解决方法：\n1. 确保在 `tf_converter.convert` 函数中使用了 `image_input_names` 参数，并将其值设置为您的输入占位符名称（去掉 ':0' 后缀，例如 `['input']` 而不是 `['input:0']`）。\n2. 示例代码：\n```python\ntf_converter.convert(\n    tf_model_path='frozen1.pb',\n    mlmodel_path='Frozen1.mlmodel',\n    output_feature_names=['preds:0'],\n    input_name_shape_dict={'input:0':[1,600,800,3]},\n    image_input_names=['input'] # 关键参数，指定为图像输入\n)\n```\n重新运行转换脚本后，生成的 mlmodel 在 Xcode 中就会显示为图像输入。",{"id":138,"question_zh":139,"answer_zh":140,"source_url":132},14604,"遇到各种奇怪的转换错误或行为异常，第一步应该做什么？","大多数转换问题是由于使用了过时的 tf-coreml 版本导致的。标准的排查步骤是：\n1. 执行 fresh clone 或拉取最新的 master 分支：`git pull origin master`。\n2. 从源代码重新安装转换器，以确保拥有最新的修复和功能：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml.git\n   cd tf-coreml\n   pip install -e .\n   ```\n3. 再次运行转换脚本。很多已知问题（如不支持的 Op 或形状推断错误）在最新版中已被修复。",[142,147,152,157,162],{"id":143,"version":144,"summary_zh":145,"released_at":146},81507,"v2.0.0","### 变更\n\n- `minimum_ios_deployment_target` 现在只能取 `['12', '11.2']` 中的一个值。\n\n- 已弃用对 TensorFlow 2 的转换支持。`tfcoreml` 现在仅接受以冻结的 `graph_def` 对象序列化保存的 TensorFlow 1 模型。\n\n对于 TensorFlow 2 的转换，或者当最低部署目标为 `iOS13` 或更高版本时，请使用在 `coremltools 4.0` Python 包中引入的[统一转换 API](https:\u002F\u002Fcoremltools.readme.io\u002Fdocs\u002Funified-conversion-api)。","2020-07-01T16:48:19",{"id":148,"version":149,"summary_zh":150,"released_at":151},81508,"1.1.0","### 变更：\n\n- 增加对 TensorFlow 2.x 文件格式（.h5、SavedModel 和具体函数）的支持。\n- 增加对若干新算子的支持，例如适用于 iOS 13 及以上版本的 `AddV2` 和 `FusedBatchNormV3`。\n- 修复了 TensorFlow 转换器中算子融合图传递过程中的错误。\n- 新增 `minimum_ios_deployment_target` 标志（取代此前容易引起混淆的 `target_ios`）。该标志可用于设置目标 iOS 的**最低版本**，例如使用 `minimum_ios_deployment_target='12'` 转换的模型将支持 iOS 12、iOS 13 及更高版本。\n\n### 已知问题：\n\n- `tf.keras` 模型的转换仅支持 TensorFlow 2。\n- 目前，在 Python 2.x 环境中调用 TensorFlow 2.x 模型转换时存在问题。\n- 目前，转换包含循环层的 `tf.keras` 图时仍存在问题。","2019-11-01T22:54:35",{"id":153,"version":154,"summary_zh":155,"released_at":156},81509,"1.0.0","本次发布重点新增了大量层和算子，详情请参见[此处](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools\u002Fblob\u002F2a08445ade3c0da81fb2b25cf6de9f88c993be0c\u002Fcoremltools\u002Fconverters\u002Fnnssa\u002Fcoreml\u002Fssa_converter.py#L330)。coremltools 3.0 版本的发布信息可查阅[这里](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools\u002Freleases)。\n\n[模型转换示例及控制流使用方法](https:\u002F\u002Fgithub.com\u002Ftf-coreml\u002Ftf-coreml\u002Ftree\u002Fmaster\u002Fexamples)\n\n* 新增了 `target_ios` 参数，用于选择转换器生成的 Core ML 规范版本。将 `target_ios='13'` 设置为该参数值，即可使转换器使用 Core ML 3 中新增的所有层。\n* 新增了 `custom_conversion_function` 选项，用户可提供自定义的转换函数，用法与这些[示例](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools\u002Fblob\u002Fmaster\u002Fcoremltools\u002Fconverters\u002Ftensorflow\u002Ftest\u002Ftest_custom_layer.py)类似，以满足自定义转换场景的需求。\n\n支持目标 iOS 13 及更高版本的新模型规范版本 4。Core ML 模型规范可在[proto 文件](https:\u002F\u002Fgithub.com\u002Fapple\u002Fcoremltools\u002Fblob\u002Fc6e7d15e3aef676a60247fea235da58aedbfcfd7\u002Fmlmodel\u002Fformat\u002FNeuralNetwork.proto#L535)或[文档](https:\u002F\u002Fapple.github.io\u002Fcoremltools\u002Fcoremlspecification\u002Fsections\u002FNeuralNetwork.html)中找到。\n\n如有关于此版本的任何疑问或顾虑，欢迎提交问题，团队将予以审核。我们诚挚欢迎所有反馈，并将据此改进现有文档。","2019-10-08T22:03:04",{"id":158,"version":159,"summary_zh":160,"released_at":161},81510,"0.3.0","* 增加了对 resizeBilinear 和 cropAndResize 操作的支持\n* 增加了对 8 位量化 Conv2D、量化 MatMul 操作的支持\n* 修复了一些 bug","2018-10-22T23:12:14",{"id":163,"version":164,"summary_zh":165,"released_at":166},81511,"0.2.0","- 增加对 Python 3 的支持\n- 增加自定义层支持\n- 其他错误修复","2018-05-22T07:01:27"]