[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-thu-ml--ares":3,"tool-thu-ml--ares":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",153609,2,"2026-04-13T11:34:59",[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。",108322,"2026-04-10T11:39:34",[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":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":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":93,"env_deps":95,"category_tags":103,"github_topics":105,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":122,"updated_at":123,"faqs":124,"releases":153},7161,"thu-ml\u002Fares","ares","A Python library for adversarial machine learning focusing on benchmarking adversarial robustness.","ARES 是一款专注于对抗性机器学习的 Python 开源库，旨在为图像分类和目标检测模型提供全面的鲁棒性基准测试。在人工智能安全领域，模型往往容易受到精心设计的“对抗样本”攻击，导致识别错误甚至系统失效。ARES 正是为了解决这一安全隐患而生，它不仅集成了多种主流攻击算法以评估模型的脆弱性，还提供了通过鲁棒训练增强模型防御能力的完整机制。\n\n这款工具特别适合人工智能研究人员、算法工程师以及关注模型安全性的开发者使用。无论是需要复现前沿攻防实验的学术研究者，还是致力于提升工业级模型稳定性的技术团队，都能从中获益。ARES 基于 PyTorch 构建，技术亮点在于其广泛的兼容性：支持针对分类与检测任务的多样化攻击策略，内置了经过验证的鲁棒训练方法及预训练权重，并原生支持分布式训练与测试，大幅提升了大规模实验的效率。作为由清华大学机器学习团队维护的项目，ARES 已成为评估和提升视觉模型安全性的重要基础设施，帮助用户在复杂的对抗环境中构建更可靠的 AI 系统。","\u003Cdiv align=\"center\">\r\n\r\n# 🚀 Welcome to **ARES 2.0** 🚀\r\n\r\n\u003C\u002Fdiv>\r\n\r\n## 🌐 Overview\r\n\r\n🔍 **ARES 2.0** (Adversarial Robustness Evaluation for Safety) is a Python library dedicated to adversarial machine learning research. It aims at benchmarking the adversarial robustness of image classification and object detection models, and introduces mechanisms to defend against adversarial attacks through robust training.\r\n\r\n\r\n## 🌟 Features\r\n\r\n-  Developed on **Pytorch**.\r\n- Supports [various attacks](\u002Fares\u002Fattack\u002F__init__.py) on classification models.\r\n- Employs adversarial attacks on object detection models.\r\n- Provides robust training for enhanced robustness and various trained **checkpoints**.\r\n- Enables distributed training and testing.\r\n\r\n\r\n## 💾 Installation\r\n\r\n1. **Optional**: Initialize a dedicated environment for ARES 2.0.\r\n   \r\n   ```\r\n   conda create -n ares python==3.10.9\r\n   conda activate ares\r\n   ```\r\n2. Clone and set up ARES 2.0 via the following commands:\r\n   \r\n   ```\r\n   git clone https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Fares2.0\r\n   cd ares2.0\r\n   pip install -r requirements.txt\r\n   mim install mmengine==0.8.4\r\n   mim install mmcv==2.0.0 \r\n   mim install mmdet==3.1.0\r\n   pip install -v -e .\r\n   ```\r\n\r\n## 🚀 Getting Started\r\n\r\n- For robustness evaluation of image classification models against adversarial attacks, please refer to [classification](.\u002Fclassification\u002FREADME.md).\r\n- For robustness evaluation of object detection models, please refer to [detection](.\u002Fdetection\u002FREADME.md).\r\n- For methodologies on robust training, please refer to [robust-training](.\u002Frobust_training\u002FREADME.md).\r\n\r\n\r\n## 📘 Documentation\r\n\r\n📚 Access detailed **tutorials** and **API docs** on strategies to attack classification models, object detection models, and robust training [here](https:\u002F\u002Fthu-ml.github.io\u002Fares\u002F).\r\n\r\n\r\n## 📝 Citation\r\n\r\nIf you derive value from ARES 2.0 in your endeavors, kindly cite our  paper on adversarial robustness, which encompasses all models, attacks, and defenses incorporated in ARES 2.0:\r\n\r\n```\r\n@inproceedings{dong2020benchmarking,\r\n  title={Benchmarking Adversarial Robustness on Image Classification},\r\n  author={Dong, Yinpeng and Fu, Qi-An and Yang, Xiao and Pang, Tianyu and Su, Hang and Xiao, Zihao and Zhu, Jun},\r\n  booktitle={Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\r\n  pages={321--331},\r\n  year={2020}\r\n}\r\n```\r\n","\u003Cdiv align=\"center\">\r\n\r\n# 🚀 欢迎使用 **ARES 2.0** 🚀\r\n\r\n\u003C\u002Fdiv>\r\n\r\n## 🌐 概述\r\n\r\n🔍 **ARES 2.0**（Adversarial Robustness Evaluation for Safety，安全性的对抗鲁棒性评估）是一个专注于对抗机器学习研究的 Python 库。它旨在对图像分类和目标检测模型的对抗鲁棒性进行基准测试，并引入通过鲁棒训练来防御对抗攻击的机制。\r\n\r\n\r\n## 🌟 特性\r\n\r\n- 基于 **PyTorch** 开发。\r\n- 支持针对分类模型的[多种攻击方法](\u002Fares\u002Fattack\u002F__init__.py)。\r\n- 可对目标检测模型实施对抗攻击。\r\n- 提供鲁棒训练以提升模型鲁棒性，并附带多种训练好的 **检查点**。\r\n- 支持分布式训练和测试。\r\n\r\n\r\n## 💾 安装\r\n\r\n1. **可选**：为 ARES 2.0 初始化一个专用环境。\r\n   \r\n   ```\r\n   conda create -n ares python==3.10.9\r\n   conda activate ares\r\n   ```\r\n2. 通过以下命令克隆并设置 ARES 2.0：\r\n   \r\n   ```\r\n   git clone https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Fares2.0\r\n   cd ares2.0\r\n   pip install -r requirements.txt\r\n   mim install mmengine==0.8.4\r\n   mim install mmcv==2.0.0 \r\n   mim install mmdet==3.1.0\r\n   pip install -v -e .\r\n   ```\r\n\r\n## 🚀 快速入门\r\n\r\n- 如需评估图像分类模型在对抗攻击下的鲁棒性，请参阅 [classification](.\u002Fclassification\u002FREADME.md)。\r\n- 如需评估目标检测模型的鲁棒性，请参阅 [detection](.\u002Fdetection\u002FREADME.md)。\r\n- 如需了解鲁棒训练的方法论，请参阅 [robust-training](.\u002Frobust_training\u002FREADME.md)。\r\n\r\n\r\n## 📘 文档\r\n\r\n📚 在 [这里](https:\u002F\u002Fthu-ml.github.io\u002Fares\u002F) 可以获取关于攻击分类模型、目标检测模型以及鲁棒训练策略的详细 **教程** 和 **API 文档**。\r\n\r\n\r\n## 📝 引用\r\n\r\n如果您在工作中受益于 ARES 2.0，请引用我们关于对抗鲁棒性的论文，该论文涵盖了 ARES 2.0 中包含的所有模型、攻击和防御方法：\r\n\r\n```\r\n@inproceedings{dong2020benchmarking,\r\n  title={Benchmarking Adversarial Robustness on Image Classification},\r\n  author={Dong, Yinpeng and Fu, Qi-An and Yang, Xiao and Pang, Tianyu and Su, Hang and Xiao, Zihao and Zhu, Jun},\r\n  booktitle={Proceedings of the IEEE\u002FCVF Conference on Computer Vision and Pattern Recognition (CVPR)},\r\n  pages={321--331},\r\n  year={2020}\r\n}\r\n```","# ARES 2.0 快速上手指南\n\nARES 2.0 (Adversarial Robustness Evaluation for Safety) 是一个基于 PyTorch 的 Python 库，专注于对抗机器学习研究。它主要用于基准测试图像分类和目标检测模型的对抗鲁棒性，并提供通过鲁棒训练防御对抗攻击的机制。\n\n## 环境准备\n\n- **操作系统**: Linux \u002F macOS \u002F Windows\n- **Python 版本**: 推荐 3.10.9\n- **核心依赖**: PyTorch\n- **其他依赖**: mmengine, mmcv, mmdet (通过 MIM 安装)\n\n建议先创建一个独立的 Conda 环境以避免依赖冲突。\n\n## 安装步骤\n\n### 1. 创建并激活虚拟环境\n```bash\nconda create -n ares python==3.10.9\nconda activate ares\n```\n\n### 2. 克隆代码库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Fares2.0\ncd ares2.0\n```\n\n### 3. 安装依赖\n为了获得更快的下载速度，国内用户建议在 `pip` 和 `mim` 命令中指定国内镜像源（如清华源或阿里源）。\n\n**安装基础 Python 依赖：**\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**安装 OpenMMLab 系列组件 (使用 MIM 工具)：**\n```bash\nmim install mmengine==0.8.4\nmim install mmcv==2.0.0 \nmim install mmdet==3.1.0\n```\n> *注：若 `mim` 下载缓慢，可尝试配置 pip 源或使用 `--extra-index-url` 参数，具体视网络情况而定。*\n\n**安装 ARES 本身：**\n```bash\npip install -v -e .\n```\n\n## 基本使用\n\nARES 2.0 的功能模块较为独立，根据您的需求选择对应的入口：\n\n### 场景一：评估图像分类模型的鲁棒性\n针对分类模型的对抗攻击评估，请参考官方详细文档：\n👉 [classification\u002FREADME.md](.\u002Fclassification\u002FREADME.md)\n\n### 场景二：评估目标检测模型的鲁棒性\n针对检测模型的对抗攻击评估，请参考官方详细文档：\n👉 [detection\u002FREADME.md](.\u002Fdetection\u002FREADME.md)\n\n### 场景三：进行鲁棒训练\n若需使用预训练检查点或进行增强鲁棒性的模型训练，请参考：\n👉 [robust_training\u002FREADME.md](.\u002Frobust_training\u002FREADME.md)\n\n> 💡 **提示**：完整的 API 文档、教程及策略详解请访问 [ARES 官方文档站点](https:\u002F\u002Fthu-ml.github.io\u002Fares\u002F)。","某自动驾驶团队在部署视觉感知模型前，急需验证其面对恶意对抗样本时的安全性与鲁棒性。\n\n### 没有 ares 时\n- **攻击算法复现困难**：研究人员需手动从零编写 FGSM、PGD 等多种对抗攻击代码，耗时且容易因实现细节偏差导致评估结果不可信。\n- **检测模型支持缺失**：现有的开源库多仅支持图像分类任务，缺乏针对目标检测模型的对抗攻击接口，无法评估车辆识别模块的脆弱性。\n- **基准测试不统一**：团队内部缺乏统一的评测标准，不同成员使用的攻击参数和评估指标各异，难以横向对比不同防御策略的效果。\n- **防御训练门槛高**：实施对抗训练以提升模型鲁棒性需要复杂的工程配置，且缺少预训练好的鲁棒检查点作为参考基线。\n\n### 使用 ares 后\n- **开箱即用的攻击库**：直接调用 ares 内置的多种标准化攻击算法，无需重复造轮子，确保了对抗样本生成的准确性与效率。\n- **全覆盖的场景评估**：利用 ares 对目标检测模型的专门支持，轻松构建针对行人和交通标志的对抗样本，填补了感知系统安全测试的空白。\n- **标准化的基准对比**：基于 ares 提供的统一评测框架，团队能够快速量化模型在不同攻击强度下的性能下降曲线，客观筛选最优防御方案。\n- **高效的鲁棒增强**：借助 ares 集成的分布式对抗训练功能和官方提供的预训练检查点，显著缩短了模型加固周期并提升了最终上线模型的安全性。\n\nares 将原本碎片化、高门槛的对抗鲁棒性研究转化为标准化的工程流程，为 AI 系统的安全落地提供了可靠保障。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthu-ml_ares_e17a8734.png","thu-ml","TSAIL group","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fthu-ml_852ca511.jpg","Tsinghua Statistical Artificial Intelligence & Learning Group",null,"https:\u002F\u002Fml.cs.tsinghua.edu.cn","https:\u002F\u002Fgithub.com\u002Fthu-ml",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",99.9,{"name":85,"color":86,"percentage":87},"Shell","#89e051",0.1,525,94,"2026-03-20T11:45:58","Apache-2.0",4,"未说明","未说明（基于 PyTorch 及目标检测任务，通常建议配备 NVIDIA GPU）",{"notes":96,"python":97,"dependencies":98},"建议使用 conda 创建专用环境；安装时需通过 mim 工具特定版本安装 OpenMMLab 系列库（mmengine, mmcv, mmdet）；支持分布式训练和测试。","3.10.9",[99,100,101,102],"torch","mmengine==0.8.4","mmcv==2.0.0","mmdet==3.1.0",[104,14],"其他",[106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121],"adversarial-machine-learning","benchmark-framework","adversarial-attacks","adversarial-robustness","fgsm","bim","mi-fgsm","deepfool","nes","spsa","boundary","evolutionary","mmlda","distillation","hgd","pca","2026-03-27T02:49:30.150509","2026-04-14T00:02:06.559519",[125,130,134,139,143,148],{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},32156,"运行 ImageNet 模型测试脚本（test_imagenet_model.py）速度非常慢，如何优化？","1. 确保安装了 GPU 版本的 TensorFlow：使用 `tensorflow-gpu` 而不是 `tensorflow`，并确认 `tensorflow.test.is_gpu_available()` 返回 TRUE。\n2. 配置 Session 以允许显存动态增长：\n```python\nconfig = tf.ConfigProto()\nconfig.gpu_options.allow_growth = True\nsession = tf.Session(config=config)\n```\n3. 检查数据预处理逻辑：如果在张量转换和占位符填充之前进行了大量的图像裁剪或调整大小操作（特别是在 Python 层面而非 TensorFlow 图内），可能会显著降低速度。建议将此类操作尽可能放入 TensorFlow 计算图中执行。","https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Fares\u002Fissues\u002F6",{"id":131,"question_zh":132,"answer_zh":133,"source_url":129},32157,"使用管道符（| tee）运行脚本时输出被阻塞或无法实时显示日志，如何解决？","当 Python 与管道一起使用时，默认会启用 stdout 和 stderr 的缓冲输出，导致日志不实时显示。解决方法是使用 `-u` 参数运行 Python，以禁用缓冲行为：\n```bash\npython -u test_imagenet_models.py | tee debug.log\n```",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},32158,"RealSafe 是否提供基于 Keras 或高版本 TensorFlow 的对抗训练防御模型？","RealSafe 仅提供第三方预训练对抗训练模型的包装器（wrappers），这些底层代码通常基于 TensorFlow 1.x 或 PyTorch。\n1. 如果你需要在 TensorFlow 2.x 中使用这些 TF 1.x 的代码，可以参考官方升级指南：https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fupgrade。\n2. 原始代码仓库的链接可以在 `example\u002F` 文件夹下各个包装器文件的头部找到。\n3. RealSafe 本身不提供独立的对抗训练模块供直接调用，但你可以利用 RealSafe 中的攻击算法在你自己的代码中进行对抗训练。","https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Fares\u002Fissues\u002F3",{"id":140,"question_zh":141,"answer_zh":142,"source_url":129},32159,"推荐的 TensorFlow 版本范围是多少？","官方建议在 `README.md` 中指定的版本范围为 `tensorflow>=1.13`。对于涉及 GPU 加速的场景，请确保安装对应的 `tensorflow-gpu` 版本。",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},32160,"如何将其他模型（如 TensorFlow Hub 模型）集成到 RealSafe 中以生成对抗样本？","你需要创建一个继承自 `ClassifierWithLogits` 的类，并实现 `_logits_and_labels` 方法。以下是集成 TensorFlow Hub 模型的示例代码：\n```python\nimport tensorflow as tf\nimport tensorflow_hub as hub\nfrom realsafe.model.base import ClassifierWithLogits\n\nclass VGGDEEP(ClassifierWithLogits):\n    def __init__(self):\n        ClassifierWithLogits.__init__(self,\n                                      x_min=0.0, x_max=1.0, x_shape=(32, 32, 3,), x_dtype=tf.float32,\n                                      y_dtype=tf.int32, n_class=10)\n        # 加载 Hub 模型\n        self.model = hub.Module(\"https:\u002F\u002Fhub.tensorflow.google.cn\u002Fdeepmind\u002Fganeval-cifar10-convnet\u002F1\")\n\n    def _logits_and_labels(self, xs_ph):\n        logits = self.model(xs_ph)\n        predicts = tf.nn.softmax(logits)\n        predicted_labels = tf.argmax(predicts, 1, output_type=tf.int32)\n        return logits, predicted_labels\n\n    def load(self, session):\n        # 初始化变量\n        session.run(tf.variables_initializer(tf.global_variables()))\n\ndef load(session):\n    model = VGGDEEP()\n    model.load(session)\n    return model\n```","https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Fares\u002Fissues\u002F8",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},32161,"更新子模块（submodules）时出现 'fatal: 引用不是一个树' 或无法检出的错误，如何解决？","这通常是由于网络不稳定或 GitHub 服务波动导致大文件下载中断，且 git clone 不支持断点续传。请按以下步骤尝试：\n1. 使用以下标准命令重新克隆并更新（添加 `--depth 1` 以减少下载量）：\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Frealsafe\ncd realsafe\u002F\ngit submodule init\ngit submodule update --depth 1\n```\n2. 如果上述方法仍失败，且只有特定子模块报错，可以尝试重置到特定 commit 作为变通方案：\n```shell\ngit clone \u003Crepo_url>\ncd \u003Crepo_dir>\ngit reset --hard \u003Ccommit_hash>\n```\n3. 多次重试，并确保网络连接稳定。","https:\u002F\u002Fgithub.com\u002Fthu-ml\u002Fares\u002Fissues\u002F2",[]]