[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-thunlp--TensorFlow-TransX":3,"tool-thunlp--TensorFlow-TransX":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",151314,2,"2026-04-11T23:32:58",[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":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":99,"env_ram":100,"env_deps":101,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":152},6784,"thunlp\u002FTensorFlow-TransX","TensorFlow-TransX","An implementation of TransE and its extended models for Knowledge Representation Learning on TensorFlow","TensorFlow-TransX 是清华大学开源项目 THU-OpenSK 旗下的子项目，专为知识表示学习（KRL）打造。它基于 TensorFlow 框架，实现了 TransE、TransH、TransR 和 TransD 等经典知识图谱嵌入模型及其扩展版本。\n\n在知识图谱应用中，如何将复杂的实体与关系转化为计算机可计算的向量是一个核心难题。TensorFlow-TransX 通过“翻译”嵌入的方式，将实体和关系映射到低维向量空间，有效解决了知识图谱补全、链接预测等任务中的表示学习问题，帮助机器更好地理解多关系数据。\n\n这款工具主要面向人工智能领域的研究人员和开发者。如果你正在探索知识图谱算法，或需要复现经典的 TransX 系列模型，它提供了一个极佳的起点。其独特的技术亮点在于采用了混合架构：利用 C++ 高效处理数据预处理和负采样等底层操作，同时通过 Python 接口调用 TensorFlow 进行模型训练，从而充分发挥 GPU 的加速优势。此外，代码结构清晰，用户只需修改少量的 Python 类即可轻松定制自己的新模型，非常适合用于算法验证与二次开发。","# TensorFlow-TransX\n\nThis repository is a subproject of THU-OpenSK, and all subprojects of THU-OpenSK are as follows.\n\n- [OpenNE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FOpenNE)\n- [OpenKE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FOpenKE)\n  - [KB2E](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FKB2E)\n  - [TensorFlow-Transx](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FTensorFlow-Transx)\n  - [Fast-TransX](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FFast-TransX)\n- [OpenNRE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FOpenNRE)\n  - [JointNRE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FJointNRE)\n\nThe implementation of TransE [1], TransH [2], TransR [3], TransD [4] for knowledge representation learning (KRL). The overall framework is based on TensorFlow. We use C++ to implement some underlying operations such as data preprocessing and negative sampling. For each specific model, it is implemented by TensorFlow with Python interfaces so that there is a convenient platform to run models on GPUs. \n\nThese codes will be gradually integrated into the new framework [[OpenKE]](https:\u002F\u002Fgithub.com\u002Fthunlp\u002Fopenke).\n\n# Customizing Your Own Model\n\nIf you have a new idea and need to implement its code, you just need to change Python interfaces for your customized model. Read these codes, you will find that to change the class TransXModel will meet your needs.\n\n# Evaluation Results\n\nMore results about models can be found in (\"https:\u002F\u002Fgithub.com\u002Fthunlp\u002FKB2E\").\n\n# Data\n\nDatasets are required in the following format, containing three files:\n\ntriple2id.txt: training file, the first line is the number of triples for training. Then the follow lines are all in the format (e1, e2, rel).\n\nentity2id.txt: all entities and corresponding ids, one per line. The first line is the number of entities.\n\nrelation2id.txt: all relations and corresponding ids, one per line. The first line is the number of relations.\n\nYou can download FB15K and WN18 from [[Download]](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FFast-TransX\u002Ftree\u002Fmaster\u002Fdata), and the more datasets can also be found in (\"https:\u002F\u002Fgithub.com\u002Fthunlp\u002FKB2E\").\n\n# Compile\n\nbash make.sh\n\n# Train\n\nTo train models based on random initialization:\n\n1. Change class Config in transX.py\n\n\t\tclass Config(object):\n\t\t\n\t\t\tdef __init__(self):\n\t\t\t\t...\n\t\t\t\tlib.setInPath(\"your training data path...\")\n\t\t\t\tself.testFlag = False\n\t\t\t\tself.loadFromData = False\n\t\t\t\t...\n\n2. python transX.py\n\nTo train models based on pretrained results:\n\n1. Change class Config in transX.py\n\n\t\tclass Config(object):\n\t\t\n\t\t\tdef __init__(self):\n\t\t\t\t...\n\t\t\t\tlib.setInPath(\"your training data path...\")\n\t\t\t\tself.testFlag = False\n\t\t\t\tself.loadFromData = True\n\t\t\t\t...\n\n2. python transX.py\n\n# Test\n\nTo test your models:\n\n1. Change class Config in transX.py\n\t\n\t\tclass Config(object):\n\t\t\n\t\t\tdef __init__(self):\n\t\t\t\t...\n\t\t\t\ttest_lib.setInPath(\"your testing data path...\")\n\t\t\t\tself.testFlag = True\n\t\t\t\tself.loadFromData = True\n\t\t\t\t...\n\n2. python transX.py\n\n\n\n# Citation\n\nIf you use the code, please kindly cite the papers listed in our reference.\n\n# Reference\n\n[1] Bordes, Antoine, et al. Translating embeddings for modeling multi-relational data. Proceedings of NIPS, 2013.\n\n[2]\tZhen Wang, Jianwen Zhang, et al. Knowledge Graph Embedding by Translating on Hyperplanes. Proceedings of AAAI, 2014.\n\n[3] Yankai Lin, Zhiyuan Liu, et al. Learning Entity and Relation Embeddings for Knowledge Graph Completion. Proceedings of AAAI, 2015.\n\n[4] Guoliang Ji, Shizhu He, et al. Knowledge Graph Embedding via Dynamic Mapping Matrix. Proceedings of ACL, 2015.\n","# TensorFlow-TransX\n\n本仓库是 THU-OpenSK 的一个子项目，THU-OpenSK 的所有子项目如下：\n\n- [OpenNE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FOpenNE)\n- [OpenKE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FOpenKE)\n  - [KB2E](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FKB2E)\n  - [TensorFlow-Transx](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FTensorFlow-Transx)\n  - [Fast-TransX](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FFast-TransX)\n- [OpenNRE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FOpenNRE)\n  - [JointNRE](https:\u002F\u002Fwww.github.com\u002Fthunlp\u002FJointNRE)\n\n本项目实现了用于知识表示学习（KRL）的 TransE [1]、TransH [2]、TransR [3] 和 TransD [4]。整体框架基于 TensorFlow 构建。我们使用 C++ 实现了一些底层操作，如数据预处理和负采样。对于每个具体模型，则通过 TensorFlow 结合 Python 接口进行实现，从而提供了一个便于在 GPU 上运行模型的平台。\n\n这些代码将逐步整合到新的框架 [[OpenKE]](https:\u002F\u002Fgithub.com\u002Fthunlp\u002Fopenke) 中。\n\n# 自定义你的模型\n\n如果你有一个新的想法并需要实现其代码，只需修改自定义模型的 Python 接口即可。阅读这些代码后，你会发现只需更改 TransXModel 类就能满足需求。\n\n# 评估结果\n\n更多关于各模型的结果可以在 (\"https:\u002F\u002Fgithub.com\u002Fthunlp\u002FKB2E\") 中找到。\n\n# 数据\n\n数据集需采用以下格式，包含三个文件：\n\ntriple2id.txt：训练文件，第一行为训练三元组的数量，随后每行格式为 (e1, e2, rel)。\n\nentity2id.txt：所有实体及其对应的 ID，每行一个，第一行为实体总数。\n\nrelation2id.txt：所有关系及其对应的 ID，每行一个，第一行为关系总数。\n\n你可以从 [[Download]](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FFast-TransX\u002Ftree\u002Fmaster\u002Fdata) 下载 FB15K 和 WN18 数据集，更多数据集也可在 (\"https:\u002F\u002Fgithub.com\u002Fthunlp\u002FKB2E\") 中找到。\n\n# 编译\n\nbash make.sh\n\n# 训练\n\n基于随机初始化训练模型：\n\n1. 修改 transX.py 中的 Config 类：\n\n\t\tclass Config(object):\n\t\t\n\t\t\tdef __init__(self):\n\t\t\t\t...\n\t\t\t\tlib.setInPath(\"你的训练数据路径...\")\n\t\t\t\tself.testFlag = False\n\t\t\t\tself.loadFromData = False\n\t\t\t\t...\n\n2. python transX.py\n\n基于预训练结果训练模型：\n\n1. 修改 transX.py 中的 Config 类：\n\n\t\tclass Config(object):\n\t\t\n\t\t\tdef __init__(self):\n\t\t\t\t...\n\t\t\t\tlib.setInPath(\"你的训练数据路径...\")\n\t\t\t\tself.testFlag = False\n\t\t\t\tself.loadFromData = True\n\t\t\t\t...\n\n2. python transX.py\n\n# 测试\n\n测试你的模型：\n\n1. 修改 transX.py 中的 Config 类：\n\n\t\tclass Config(object):\n\t\t\n\t\t\tdef __init__(self):\n\t\t\t\t...\n\t\t\t\ttest_lib.setInPath(\"你的测试数据路径...\")\n\t\t\t\tself.testFlag = True\n\t\t\t\tself.loadFromData = True\n\t\t\t\t...\n\n2. python transX.py\n\n\n\n# 引用\n\n如果你使用了这些代码，请务必引用我们参考文献中列出的相关论文。\n\n# 参考文献\n\n[1] Bordes, Antoine, 等. 通过平移嵌入建模多关系数据. NIPS 会议论文, 2013.\n\n[2] Zhen Wang, Jianwen Zhang, 等. 基于超平面平移的知识图谱嵌入. AAAI 会议论文, 2014.\n\n[3] Yankai Lin, Zhiyuan Liu, 等. 学习实体与关系嵌入以完成知识图谱. AAAI 会议论文, 2015.\n\n[4] Guoliang Ji, Shizhu He, 等. 通过动态映射矩阵进行知识图谱嵌入. ACL 会议论文, 2015.","# TensorFlow-TransX 快速上手指南\n\nTensorFlow-TransX 是清华大学知识工程小组（THU-KE）开发的基于 TensorFlow 的知识表示学习框架，支持 TransE、TransH、TransR 和 TransD 等经典模型。底层数据预处理和负采样采用 C++ 实现，模型训练通过 Python 接口调用 TensorFlow，支持 GPU 加速。\n\n## 环境准备\n\n*   **操作系统**：Linux (推荐) 或 macOS\n*   **编程语言**：Python 2.7 或 Python 3.x\n*   **核心依赖**：\n    *   TensorFlow (支持 GPU 版本更佳)\n    *   C++ 编译器 (g++)\n    *   Make\n*   **前置检查**：确保已安装 `gcc`、`make` 以及对应的 Python TensorFlow 库。\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-Transx.git\n    cd TensorFlow-Transx\n    ```\n\n2.  **编译底层 C++ 模块**\n    执行官方提供的脚本进行编译，生成必要的动态链接库。\n    ```bash\n    bash make.sh\n    ```\n    *注：若编译过程中出现权限问题，请确保当前用户有执行权限；若缺少头文件，请检查是否安装了 python-dev 或 python3-dev。*\n\n3.  **准备数据集**\n    项目需要特定格式的数据文件（`triple2id.txt`, `entity2id.txt`, `relation2id.txt`）。\n    *   **下载地址**：可从 [Fast-TransX data](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FFast-TransX\u002Ftree\u002Fmaster\u002Fdata) 或 [KB2E](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FKB2E) 获取 FB15K 和 WN18 等标准数据集。\n    *   **国内加速**：若 GitHub 下载缓慢，建议通过国内镜像站（如 Gitee 镜像）或迅雷等工具下载后解压至项目目录。\n\n## 基本使用\n\n以下以训练一个基于随机初始化的模型为例（以 TransE 为例，具体模型可在代码中选择）。\n\n### 1. 配置参数\n打开 `transX.py` 文件，找到 `Config` 类，修改数据路径并设置训练模式。\n\n```python\nclass Config(object):\n\n    def __init__(self):\n        # ... 其他配置 ...\n        \n        # 设置你的训练数据路径 (指向包含三个 txt 文件的文件夹)\n        lib.setInPath(\"your training data path...\")\n        \n        # 设置为 False 表示从头训练 (随机初始化)\n        self.testFlag = False\n        self.loadFromData = False\n        \n        # ... 其他配置 ...\n```\n\n### 2. 开始训练\n在终端运行以下命令启动训练过程：\n\n```bash\npython transX.py\n```\n\n### 3. 模型测试 (可选)\n若需评估已训练好的模型，修改 `transX.py` 中的配置如下：\n\n```python\nclass Config(object):\n\n    def __init__(self):\n        # 设置测试数据路径\n        test_lib.setInPath(\"your testing data path...\")\n        \n        # 开启测试模式并加载已有数据\n        self.testFlag = True\n        self.loadFromData = True\n```\n\n然后再次运行：\n```bash\npython transX.py\n```\n\n### 自定义模型\n如需实现新的变体模型，只需在 `transX.py` 中继承并修改 `TransXModel` 类即可，框架已预留好便捷的 Python 接口。","某医疗科技公司的算法团队正致力于构建智能问诊系统，需要将分散的医学文献转化为可推理的知识图谱，以辅助医生进行疾病诊断。\n\n### 没有 TensorFlow-TransX 时\n- **模型复现成本高**：团队需从零编写 TransE、TransH 等复杂模型的底层数学公式，耗费数周时间调试代码且容易出错。\n- **训练效率低下**：纯 Python 实现的数据预处理和负采样过程严重占用 CPU 资源，无法利用 GPU 加速，导致在大规模医学实体数据上训练极慢。\n- **扩展性差**：若想尝试改进算法（如动态映射矩阵），必须深入修改核心架构，缺乏灵活的接口支持快速验证新想法。\n- **数据格式混乱**：缺乏统一的标准数据加载流程，每次处理新的医学数据集都需要重新编写解析脚本。\n\n### 使用 TensorFlow-TransX 后\n- **开箱即用主流模型**：直接调用内置的 TransE、TransR 等成熟模型实现，将研发周期从数周缩短至几天，让团队专注于业务逻辑。\n- **高性能混合计算**：利用其 C++ 底层处理数据预处理和负采样，结合 TensorFlow 的 Python 接口在 GPU 上进行并行训练，大幅提升迭代速度。\n- **灵活定制开发**：只需继承并修改 `TransXModel` 类即可实现自定义算法，轻松验证针对医疗领域特性的创新嵌入方法。\n- **标准化数据流**：遵循统一的三元组文件格式规范，快速接入 FB15K 或自建的医学知识图谱数据，无缝启动训练与测试流程。\n\nTensorFlow-TransX 通过高效的混合架构与灵活的扩展接口，将知识图谱表示学习从繁琐的底层实现中解放出来，显著加速了垂直领域智能应用的落地进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthunlp_TensorFlow-TransX_c22129c2.png","thunlp","THUNLP","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fthunlp_13da7b2e.png","Natural Language Processing Lab at Tsinghua University",null,"thunlp@gmail.com","http:\u002F\u002Fnlp.csai.tsinghua.edu.cn","https:\u002F\u002Fgithub.com\u002Fthunlp",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",62,{"name":86,"color":87,"percentage":88},"C++","#f34b7d",37.8,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0.2,513,195,"2025-11-05T13:12:29","MIT",4,"Linux","需要 NVIDIA GPU（用于加速训练），具体型号、显存大小及 CUDA 版本未说明","未说明",{"notes":102,"python":103,"dependencies":104},"该项目使用 C++ 实现底层操作（如数据预处理和负采样），需运行 'bash make.sh' 进行编译。核心模型通过 Python 接口调用 TensorFlow 实现，以便在 GPU 上运行。数据集需特定格式（triple2id.txt, entity2id.txt, relation2id.txt）。代码已逐渐整合至 OpenKE 框架。","未说明（需支持 TensorFlow 的 Python 版本）",[105,106],"TensorFlow","C++ 编译器 (g++)",[14],[109],"knowledge-embedding","2026-03-27T02:49:30.150509","2026-04-12T09:05:35.351800",[113,118,123,128,133,138,143,148],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},30584,"运行时报错 'Segmentation Fault' (SIGSEGV) 或 'Input Files path' 错误怎么办？","这通常是由数据文件格式不正确或文件路径问题引起的。请确保输入数据（如 triple2id.txt）符合项目要求的格式。此外，不同 Python 版本（特别是 Python 3）在向 C 代码传递字符串路径时可能存在差异，导致路径解析失败（例如多出空格）。建议在 C 代码（如 init.cpp 的 setInPath 函数）中添加路径输出以调试，并重新编译。如果是 Python 3 用户，可能需要修改代码以兼容路径传递。","https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-TransX\u002Fissues\u002F23",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},30585,"如何获取训练后的实体和关系向量文件？找不到输出文件怎么办？","对于 TensorFlow-TransX 版本，模型保存为 'model.vec' 文件，需要使用 `tf.train.Saver().restore()` 来读取具体向量信息。对于 C 版本 (Fast-TransX)，默认输出路径为 '.\u002Fout\u002Frelation2vec.vec' 和 '.\u002Fout\u002Fentity2vec.vec'。如果当前目录下没有 'out' 文件夹，C 语言的 `fopen` 无法自动创建文件夹从而导致失败。解决方法是手动创建 'out' 文件夹，或者将代码中的 outPath 修改为已存在的路径（如 '.\u002F'）。","https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-TransX\u002Fissues\u002F1",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},30586,"遇到 'Ambiguous dimension' 错误或 batch_size 计算出现小数（如 4831.42）如何解决？","这是 Python 2 和 Python 3 除法运算差异导致的。在 Python 2 中整数相除结果为整数，而 Python 3 中为浮点数。解决方法是将代码适配为 Python 3，显式使用整除运算符 `\u002F\u002F`（例如 `batch_size = total_triples \u002F\u002F 100`）。此外，如果在调用 C 函数时遇到 OverflowError，需要引入 `from ctypes import *`，并将传递给 C 函数的指针地址转换为 `c_int64` 类型（例如：`ph_addr = c_int64(ph.__array_interface__['data'][0])`）。","https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-TransX\u002Fissues\u002F11",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},30587,"测试集 (test.txt) 和验证集 (valid.txt) 中的数据是正样本还是负样本？","valid.txt 和 test.txt 文件中包含的都是正样本三元组（positive triples）。它们用于评估模型在已知正确事实上的表现，而不是包含错误或不存在的关系。","https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-TransX\u002Fissues\u002F14",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},30588,"模型是否利用了知识图谱中的领域（Domain）和类型（Type）约束信息？","当前的 TransX 模型实现中并未使用领域和类型约束信息。虽然学术界有一些方法利用这些信息，但本项目为了加速训练过程，暂未加入范数约束（norm constraint）或类型限制。实验表明，在不加约束的情况下，只要设置合适的维度（如 100）和足够的训练轮数（如 1000 轮），也能取得与带约束版本相当的结果。","https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-TransX\u002Fissues\u002F10",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},30589,"训练过程中 res=0 或 getTripleTotal() 返回 0 是什么原因？","这通常是因为文件路径传递出现问题，导致 C 代码无法正确读取数据文件。特别是在 Python 3 环境下，传递给 C 代码 `setInPath` 函数的字符串可能包含多余的空格或格式差异。建议在 C 代码中添加打印语句输出接收到的路径进行排查，确认路径是否正确指向数据文件，并检查数据文件是否存在且格式正确。","https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-TransX\u002Fissues\u002F43",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},30590,"为什么 TensorFlow-TransX 的效果比 Fast-TransX 差？是否缺少正则化？","早期版本为了加速训练，未在 TensorFlow-TransX 中加入实体和关系嵌入的范数约束（norm constraint）。维护者已在后续更新中添加了必要的归一化处理。如果直接运行旧代码，建议设置嵌入维度为 100 并训练 1000 个 epoch，通常能获得与 Fast-TransX 可比的结果。如果需要更严格的约束，可以使用更新后的代码版本。","https:\u002F\u002Fgithub.com\u002Fthunlp\u002FTensorFlow-TransX\u002Fissues\u002F18",{"id":149,"question_zh":150,"answer_zh":151,"source_url":127},30591,"编译或使用过程中遇到 'TabError: inconsistent use of tabs and spaces' 怎么办？","这是由于代码中混用了制表符（Tab）和空格进行缩进导致的。可以使用 IDE（如 PyCharm）的代码格式化功能统一修复缩进风格。此外，确保使用正确的 Python 版本（项目主要基于 Python 2.x 开发，若在 Python 3.x 运行需自行调整部分除法运算和类型转换代码）。",[]]