[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-titu1994--DenseNet":3,"tool-titu1994--DenseNet":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",151918,2,"2026-04-12T11:33:05",[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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":147},6955,"titu1994\u002FDenseNet","DenseNet","DenseNet implementation in Keras","DenseNet 是一个基于 Keras 框架实现的开源深度学习工具，专注于构建“密集连接卷积网络”。它旨在解决传统深层神经网络中随着层数增加而出现的梯度消失、特征复用率低以及参数效率不高等问题。\n\n与传统的残差网络（ResNet）不同，DenseNet 采用了独特的密集连接架构：网络中的每一层都会直接接收前面所有层的特征图作为输入，并将自己的特征传递给后续所有层。这种设计不仅极大地促进了特征在层间的流动和复用，还显著减少了模型所需的参数量。特别是其推出的 DenseNet-BC（瓶颈压缩版）变体，在大幅压缩模型体积的同时，依然在 CIFAR-10、CIFAR-100 等权威数据集上刷新了准确率记录，实现了性能与效率的双重突破。\n\n该工具非常适合人工智能研究人员、算法工程师及深度学习开发者使用。用户既可以利用它灵活自定义网络深度、增长率等参数以探索新架构，也能直接调用预训练好的 ImageNet 模型（如 DenseNet-121\u002F161\u002F169）快速落地图像分类任务。对于希望在有限计算资源下追求更高精度的技术团队而言，DenseNet 提供了一个高效且成熟的解决方案。","# Dense Net in Keras\nDenseNet implementation of the paper [Densely Connected Convolutional Networks](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1608.06993v3.pdf) in Keras\n\nNow supports the more efficient DenseNet-BC (DenseNet-Bottleneck-Compressed) networks. Using the DenseNet-BC-190-40 model, \nit obtaines state of the art performance on CIFAR-10 and CIFAR-100\n\n# Architecture\nDenseNet is an extention to Wide Residual Networks. According to the paper: \u003Cbr>\n```\nThe lth layer has l inputs, consisting of the feature maps of all preceding convolutional blocks. \nIts own feature maps are passed on to all L − l subsequent layers. This introduces L(L+1) \u002F 2 connections \nin an L-layer network, instead of just L, as in traditional feed-forward architectures. \nBecause of its dense connectivity pattern, we refer to our approach as Dense Convolutional Network (DenseNet).\n```\n\nIt features several improvements such as :\n\n1. Dense connectivity : Connecting any layer to any other layer.\n2. Growth Rate parameter Which dictates how fast the number of features increase as the network becomes deeper.\n3. Consecutive functions : BatchNorm - Relu - Conv which is from the Wide ResNet paper and improvement from the ResNet paper.\n\nThe Bottleneck - Compressed DenseNets offer further performance benefits, such as reduced number of parameters, with similar or better performance. \n\n- Take into consideration the DenseNet-100-12 model, with nearly 7 million parameters against with the DenseNet-BC-100-12, with just 0.8 million parameters.\nThe BC model achieves 4.51 % error in comparison to the original models' 4.10 % error\n\n- The best original model, DenseNet-100-24 (27.2 million parameters) achieves 3.74 % error, whereas the DenseNet-BC-190-40 (25.6 million parameters) achieves\n3.46 % error which is a new state of the art performance on CIFAR-10.\n\nDense Nets have an architecture which can be shown in the following image from the paper: \u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_DenseNet_readme_fb64d5622e37.jpg\">\n\n# Performance\nThe accuracy of DenseNet has been provided in the paper, beating all previous benchmarks in CIFAR 10, CIFAR 100 and SVHN \u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_DenseNet_readme_c189936e05fa.jpg\">\n\n# Usage\n\nImport the `densenet.py` script and use the `DenseNet(...)` method to create a custom DenseNet model with a variety of parameters.\n\nExamples : \n\n```\nimport densenet\n\n# 'th' dim-ordering or 'tf' dim-ordering\nimage_dim = (3, 32, 32) or image_dim = (32, 32, 3)\n\nmodel = densenet.DenseNet(classes=10, input_shape=image_dim, depth=40, growth_rate=12, \n\t\t\t  bottleneck=True, reduction=0.5)\n```\n\nOr, Import a pre-built DenseNet model for ImageNet, with some of these models having pre-trained weights (121, 161 and 169).\n\nExample : \n```\nimport densenet\n\n# 'th' dim-ordering or 'tf' dim-ordering\nimage_dim = (3, 224, 224) or image_dim = (224, 224, 3)\n\nmodel = densenet.DenseNetImageNet121(input_shape=image_dim)\n```\n\nWeights for the DenseNetImageNet121, DenseNetImageNet161 and DenseNetImageNet169 models are provided ([in the release tab](https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Freleases)) and will be automatically downloaded when first called. They have been trained on ImageNet. The weights were ported from the repository https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras.\n\n\n\n# Requirements\n\n- Keras\n- Theano (weights not tested) \u002F Tensorflow (tested) \u002F CNTK (weights not tested)\n- h5Py\n","# Keras 中的 DenseNet\n在 Keras 中实现论文《密集连接卷积网络》（[Densely Connected Convolutional Networks](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1608.06993v3.pdf)）中的 DenseNet。\n\n现支持更高效的 DenseNet-BC（DenseNet-Bottleneck-Compressed）网络。使用 DenseNet-BC-190-40 模型，在 CIFAR-10 和 CIFAR-100 数据集上取得了当前最优性能。\n\n# 架构\nDenseNet 是 Wide Residual Networks 的扩展。根据论文描述：\u003Cbr>\n```\n第 l 层有 l 个输入，由所有前面的卷积块的特征图组成。其自身的特征图会传递给后续的 L−l 层。这使得一个 L 层的网络中存在 L(L+1)\u002F2 条连接，而传统前馈架构中只有 L 条。由于其密集的连接模式，我们将这种方法称为密集卷积网络（DenseNet）。\n```\n\n它具有多项改进，例如：\n\n1. 密集连接：任意两层之间都相互连接。\n2. 增长率参数：用于控制随着网络加深，特征数量增长的速度。\n3. 连续函数序列：BatchNorm - Relu - Conv，这一设计源自 Wide ResNet 论文，并在此基础上对 ResNet 进行了改进。\n\nBottleneck-Compressed 版本的 DenseNet 还能进一步提升性能，例如减少参数量，同时保持相近甚至更好的效果。\n\n- 以 DenseNet-100-12 模型为例，其参数量接近 700 万；而 DenseNet-BC-100-12 模型的参数量仅为 80 万。BC 模型的错误率为 4.51%，而原版模型为 4.10%。\n\n- 最佳的原始模型 DenseNet-100-24（参数量 2720 万）错误率为 3.74%，而 DenseNet-BC-190-40（参数量 2560 万）的错误率为 3.46%，这是 CIFAR-10 数据集上的最新最优性能。\n\nDenseNet 的架构如论文中的以下图片所示：\u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_DenseNet_readme_fb64d5622e37.jpg\">\n\n# 性能\n论文中提供了 DenseNet 的准确率，其在 CIFAR-10、CIFAR-100 和 SVHN 数据集上均超越了此前的所有基准。\u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_DenseNet_readme_c189936e05fa.jpg\">\n\n# 使用方法\n\n导入 `densenet.py` 脚本，并使用 `DenseNet(...)` 方法创建自定义的 DenseNet 模型，可设置多种参数。\n\n示例：\n\n```\nimport densenet\n\n# 'th' 维度顺序或 'tf' 维度顺序\nimage_dim = (3, 32, 32) 或 image_dim = (32, 32, 3)\n\nmodel = densenet.DenseNet(classes=10, input_shape=image_dim, depth=40, growth_rate=12, \n\t\t\t  bottleneck=True, reduction=0.5)\n```\n\n或者，直接导入为 ImageNet 预训练的 DenseNet 模型，其中部分模型带有预训练权重（121、161 和 169）。\n\n示例：\n\n```\nimport densenet\n\n# 'th' 维度顺序或 'tf' 维度顺序\nimage_dim = (3, 224, 224) 或 image_dim = (224, 224, 3)\n\nmodel = densenet.DenseNetImageNet121(input_shape=image_dim)\n```\n\nDenseNetImageNet121、DenseNetImageNet161 和 DenseNetImageNet169 模型的权重已提供（[在发布页面](https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Freleases)），首次调用时会自动下载。这些权重是在 ImageNet 数据集上训练得到的，且来自 https:\u002F\u002Fgithub.com\u002Fflyyufelix\u002FDenseNet-Keras 仓库的移植版本。\n\n# 要求\n\n- Keras\n- Theano（未测试权重）\u002F Tensorflow（已测试）\u002F CNTK（未测试权重）\n- h5py","# DenseNet 快速上手指南\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, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **核心依赖**：\n    *   `Keras` (深度学习框架)\n    *   `TensorFlow` (后端引擎，已测试支持；Theano\u002FCNTK 支持但权重未测试)\n    *   `h5py` (用于模型权重存储)\n\n> **国内加速建议**：\n> 推荐使用清华源或阿里源安装 Python 依赖，以提升下载速度：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n\n本项目基于 Keras 实现，您只需通过 `pip` 安装必要的依赖库。如果您尚未安装 TensorFlow 和 Keras，请执行以下命令：\n\n```bash\n# 安装 TensorFlow (作为 Keras 后端)\npip install tensorflow\n\n# 安装 h5py\npip install h5py\n\n# 安装 Keras (如果 TensorFlow 版本较新，通常内置 keras，否则需单独安装)\npip install keras\n```\n\n**获取源码**：\n由于这是一个开源脚本项目，您需要将 `densenet.py` 文件下载到您的项目目录中。可以通过克隆仓库或直接下载单文件：\n\n```bash\n# 方式一：克隆整个仓库\ngit clone https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet.git\ncd DenseNet\n\n# 方式二：仅下载核心脚本 (需自行处理依赖)\n# 请访问 GitHub 页面手动下载 densenet.py 至当前目录\n```\n\n## 基本使用\n\n### 1. 构建自定义 DenseNet 模型\n\n导入 `densenet` 模块，使用 `DenseNet(...)` 方法即可创建模型。您可以灵活调整深度 (`depth`)、增长率 (`growth_rate`) 以及是否启用瓶颈压缩结构 (`bottleneck`)。\n\n```python\nimport densenet\n\n# 设置输入维度 ('th' 顺序或 'tf' 顺序)\n# CIFAR-10 示例: (3, 32, 32) 或 (32, 32, 3)\nimage_dim = (32, 32, 3)\n\n# 创建模型\n# classes: 分类数量\n# depth: 网络深度\n# growth_rate: 特征图增长速率\n# bottleneck: 是否使用瓶颈结构 (True 为 DenseNet-BC)\n# reduction: 压缩率\nmodel = densenet.DenseNet(classes=10, input_shape=image_dim, depth=40, growth_rate=12, \n\t\t\t  bottleneck=True, reduction=0.5)\n\nmodel.summary()\n```\n\n### 2. 加载预训练的 ImageNet 模型\n\n项目提供了针对 ImageNet 数据集预训练的模型（DenseNet-121, 161, 169）。首次调用时，程序会自动从 GitHub Release 页面下载权重文件。\n\n```python\nimport densenet\n\n# 设置输入维度 (ImageNet 标准尺寸)\n# (3, 224, 224) 或 (224, 224, 3)\nimage_dim = (224, 224, 3)\n\n# 加载预训练的 DenseNet-121 模型\nmodel = densenet.DenseNetImageNet121(input_shape=image_dim)\n\n# 模型已包含权重，可直接用于推理或微调\nmodel.summary()\n```\n\n> **注意**：预训练权重托管在 GitHub Releases 页面。如果自动下载失败（受网络影响），您可以手动从 [Release 标签页](https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Freleases) 下载对应的 `.h5` 文件，并放置在脚本运行的当前目录下。","某医疗影像初创团队正在开发一套自动识别肺部结节 CT 扫描的辅助诊断系统，需要在有限的算力资源下实现极高的分类准确率。\n\n### 没有 DenseNet 时\n- **模型性能遭遇瓶颈**：使用传统的残差网络（ResNet）时，随着网络层数加深，梯度消失问题导致准确率停滞在 92%，难以区分微小的早期病变特征。\n- **参数量过大导致部署困难**：为了提升精度强行增加网络宽度，导致模型参数激增至数千万，无法在医院的边缘计算设备上流畅运行。\n- **特征复用效率低**：传统架构中每一层仅接收前一层的输出，浅层的细节纹理信息在深层传递中逐渐丢失，影响对微小结节的判断。\n- **训练收敛缓慢**：由于连接稀疏，网络需要更多的迭代次数和数据进行训练，延长了研发周期。\n\n### 使用 DenseNet 后\n- **刷新准确率纪录**：利用 DenseNet 的密集连接特性，第 l 层能直接获取所有前序层的特征图，成功将结节识别准确率提升至 96.5%，达到行业领先水平。\n- **大幅压缩模型体积**：采用 DenseNet-BC（瓶颈压缩版）架构，在保持甚至超越原有精度的前提下，将参数量从 2700 万锐减至约 800 万，轻松部署于边缘端。\n- **最大化特征复用**：通过“生长率”参数控制特征图增长，确保浅层的边缘纹理与深层的语义信息充分融合，显著提升了对微小病灶的敏感度。\n- **训练效率显著优化**：密集的短路连接缓解了梯度消失问题，模型收敛速度加快，仅需更少的训练轮次即可达到最佳状态。\n\nDenseNet 通过革命性的密集连接架构，在保证顶尖识别精度的同时大幅降低了计算成本，让高精度 AI 诊断真正落地成为可能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_DenseNet_79f08275.png","titu1994","Somshubra Majumdar","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftitu1994_8b4ca043.jpg","Interested in Machine Learning, Deep Learning and Data Science in general","NVIDIA","San Jose, CA","titu1994@gmail.com",null,"http:\u002F\u002Ftitu1994.github.io\u002F","https:\u002F\u002Fgithub.com\u002Ftitu1994",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,709,292,"2026-04-08T08:41:35","MIT","","未说明（依赖后端框架，TensorFlow 后端通常建议使用 GPU 加速）","未说明",{"notes":95,"python":93,"dependencies":96},"该工具是基于 Keras 的 DenseNet 实现。支持多种后端（Theano, TensorFlow, CNTK），但仅明确说明在 TensorFlow 后端上测试过权重。ImageNet 预训练模型（如 DenseNet-121\u002F161\u002F169）在首次运行时会自动下载。代码示例中展示了支持 'th' (Theano) 和 'tf' (TensorFlow) 两种数据维度顺序。",[97,98,99,100,101],"Keras","Theano (权重未经测试)","TensorFlow (已测试)","CNTK (权重未经测试)","h5Py",[14],[104,105,106,107,108,109],"densenet","densenet-model","paper","bottleneck","deep-learning","keras","2026-03-27T02:49:30.150509","2026-04-13T04:24:05.163930",[113,118,123,128,133,137,142],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},31343,"为什么我在 CIFAR-10\u002F100 数据集上训练的准确率远低于论文或 README 中提到的结果？","准确率差异通常由以下因素导致：\n1. **数据预处理不同**：原论文使用均值 - 标准差缩放（mean-std scaling）、随机裁剪和水平翻转；而默认代码可能使用了简单的最小 - 最大缩放（0-1），且未启用随机裁剪或水平翻转。\n2. **优化器与学习率策略**：原论文使用带动量的 SGD（Nesterov Accelerated Gradient）并配合较高的初始学习率（0.1）及特定 epoch（如 150 和 225）的学习率衰减；默认代码可能使用 Adam 优化器及线性衰减策略。\n3. **Keras 版本差异**：Keras 1.0 和 2.0 的 API 及底层实现差异可能导致结果不同。\n建议严格按照原论文的预处理步骤和学习率调度策略进行调整，或尝试使用维护者提供的预训练模型作为基准。","https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Fissues\u002F12",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},31344,"如何复现维护者提到的高准确率（如 CIFAR-10 94%+）？具体的学习率设置是什么？","维护者通过手动分阶段调整 Adam 优化器的学习率达到了高分：\n1. 前 50 个迭代：学习率设为 1e-3\n2. 接下来 100 个迭代：学习率设为 1e-4\n3. 最后 100 个迭代：学习率设为 1e-5\n对于 SGD 优化器，建议使用 Keras 的回调函数（Callback）设置类似的学习率调度器。注意，由于神经网络权重初始化和自适应梯度的随机性，完全复现论文分数是非常困难的，预训练模型的准确率也可能略低于论文报告值。","https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Fissues\u002F3",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},31345,"遇到 `ImportError: cannot import name '_obtain_input_shape'` 错误怎么办？","该错误通常出现在升级到较新版本的 Keras（如 2.2.2）时，因为内部 API 发生了变化。维护者确认代码已兼容 Keras 2.2.2 版本。请确保你使用的是仓库中最新版本的代码，如果问题依旧，尝试重新安装或更新 DenseNet 库以匹配当前的 Keras 版本。","https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Fissues\u002F45",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},31346,"代码中的预处理缩放因子 `0.017` 是如何计算的？代表什么含义？","该缩放因子用于将像素值从 [0, 255] 范围转换到适合网络输入的较小范围。虽然直觉上可能是 1\u002F128 (约 0.0078)，但 `0.017` 是该项目特定的经验值或基于特定归一化策略（接近 1\u002F60 左右，具体取决于原始实现的统计特性）。这是为了匹配原论文或特定预训练权重的输入分布。如果自行训练，可以尝试调整为标准的 1\u002F255 或根据数据集均值方差进行标准化，但若加载预训练权重，必须保持此缩放因子一致。","https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Fissues\u002F26",{"id":134,"question_zh":135,"answer_zh":136,"source_url":117},31347,"CIFAR-100 的基线准确率大概是多少？为什么比 CIFAR-10 低很多？","CIFAR-100 的分类难度远大于 CIFAR-10（100 类 vs 10 类），因此准确率自然较低。在该实现中，CIFAR-10 可以达到 90% 以上的准确率，而 CIFAR-100 的 State-of-the-art (SOTA) 水平大约在 80% 左右。如果你得到的结果在 60%-70% 之间，通常是因为未采用正确的数据增强（如随机裁剪、翻转）或学习率策略不当，而非模型本身的缺陷。",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},31348,"是否支持内存高效版（Memory-Efficient）的 DenseNet 实现？","社区已经提出了关于实现《Memory-Efficient Implementation of DenseNets》论文的需求。维护者计划添加一个单独的文件（如 `densenet_efficient.py`），该文件将主要使用 TensorFlow 原生函数来实现内存优化版本，因为标准的 Keras 后端可能在某些操作上存在限制。用户可以关注仓库更新以获取该功能的正式支持，或参考相关 PR 贡献。","https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Fissues\u002F29",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},31349,"ImageNet 预训练模型是否可用？不同型号（如 DenseNet-121, 169 等）的支持情况如何？","维护者已将权重从 Caffe 移植到 Keras。目前支持带有权重的预训练模型包括：DenseNetImageNet121, 161, 169。对于 DenseNet-201 和 269，由于维护者环境限制（Windows 下无法移植 Caffe 权重），暂时可能没有官方预训练权重。此外，代码中新增了 `subsample_initial_block` 标志，用于控制初始卷积块的步长和池化操作，以适应 CIFAR 和 ImageNet 不同分辨率的输入需求（CIFAR 默认为 False，ImageNet 通常为 True）。","https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FDenseNet\u002Fissues\u002F20",[148,153,158],{"id":149,"version":150,"summary_zh":151,"released_at":152},231068,"v3.0","包含DenseNet-ImageNet-121、DenseNet-ImageNet-161和DenseNet-ImageNet-169的权重。","2017-09-06T02:33:22",{"id":154,"version":155,"summary_zh":156,"released_at":157},231069,"v2.0","包含在 CIFAR-10 数据集上训练的 DenseNet-40-12 模型的权重。","2017-02-12T07:26:47",{"id":159,"version":160,"summary_zh":161,"released_at":162},231070,"v1.0","包含在 CIFAR-10 数据集上训练的 DenseNet-40-12 模型的权重。\n\n如果您要在提供的脚本中使用这些权重，请选择相应的 zip 文件并解压。如果您只需要权重文件，请选择正确的 h5 文件。\n\n注意：共有 4 种不同的权重文件，请根据所使用的后端（Theano 或 TensorFlow）以及数据维度顺序（th 或 tf）选择正确的权重文件。\n","2017-02-03T22:25:57"]