[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xxradon--PytorchToCaffe":3,"tool-xxradon--PytorchToCaffe":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",159636,2,"2026-04-17T23:33:34",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"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":101,"github_topics":80,"view_count":32,"oss_zip_url":80,"oss_zip_packed_at":80,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":135},8838,"xxradon\u002FPytorchToCaffe","PytorchToCaffe","Pytorch model to caffe model, supported pytorch 0.3, 0.3.1,  0.4,  0.4.1 ,1.0 , 1.0.1 ,  1.2 ,1.3 .notice that only pytorch 1.1 have some bugs","PytorchToCaffe 是一款专为深度学习开发者设计的模型转换与分析工具，核心功能是将 PyTorch 训练好的动态图模型高效转换为 Caffe 框架所需的静态图模型（.caffemodel 和 .prototxt）。它有效解决了因 PyTorch 动态图特性与 Caffe 静态图机制不兼容而导致的部署难题，支持从 PyTorch 0.2 到 1.3 的多个主流版本（注：1.1 版本存在已知缺陷），覆盖了卷积、池化、归一化等常见神经网络层及多种张量操作。\n\n除了模型转换，PytorchToCaffe 还内置了强大的模型分析器。用户只需提供输入尺寸，即可自动统计每一层的计算量（如乘加运算次数）、参数量及输入输出维度，并生成详细的 CSV 报告。这一功能极大地便利了模型在移动端或嵌入式设备上的部署评估与性能优化。\n\n鉴于直接转换可能遇到的复杂性，项目也推荐通过\"PyTorch -> ONNX -> Caffe\"的中转方案以获得更稳定的结果。该工具非常适合需要进行跨框架模型迁移的算法工程师、研究人员以及关注模型落地性能的开发者使用。虽然官方建议优先尝试基于 ONNX 的新方案，但 Py","PytorchToCaffe 是一款专为深度学习开发者设计的模型转换与分析工具，核心功能是将 PyTorch 训练好的动态图模型高效转换为 Caffe 框架所需的静态图模型（.caffemodel 和 .prototxt）。它有效解决了因 PyTorch 动态图特性与 Caffe 静态图机制不兼容而导致的部署难题，支持从 PyTorch 0.2 到 1.3 的多个主流版本（注：1.1 版本存在已知缺陷），覆盖了卷积、池化、归一化等常见神经网络层及多种张量操作。\n\n除了模型转换，PytorchToCaffe 还内置了强大的模型分析器。用户只需提供输入尺寸，即可自动统计每一层的计算量（如乘加运算次数）、参数量及输入输出维度，并生成详细的 CSV 报告。这一功能极大地便利了模型在移动端或嵌入式设备上的部署评估与性能优化。\n\n鉴于直接转换可能遇到的复杂性，项目也推荐通过\"PyTorch -> ONNX -> Caffe\"的中转方案以获得更稳定的结果。该工具非常适合需要进行跨框架模型迁移的算法工程师、研究人员以及关注模型落地性能的开发者使用。虽然官方建议优先尝试基于 ONNX 的新方案，但 PytorchToCaffe 凭借其丰富的层类型支持和便捷的权重操纵工具，依然是处理特定版本 PyTorch 模型转换的实用选择。","#  https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe\n> Since the pytorch models we use are basically dynamic graph structures, the problem with dynamic graphs is that the graph structure cannot be determined once the forward is incomplete, and caffe is a static graph framework, which will cause the model conversion from pytorch to caffe to encounter many problems, and the pytorch version iteration is very fast,so this repo will no longer be recommended.If you want to convert pytorch to caffe,we suggest using pytorch->onnx->caffe by this repo [https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe](https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe \"https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe\").\n\n#### The code is mainly come from [nn_tools](https:\u002F\u002Fgithub.com\u002Fhahnyuan\u002Fnn_tools).Thanks for hahnyuan's contribution.\n# Neural Network Tools: Converter and Analyser\n\n Providing a tool for  neural network frameworks for pytorch and caffe.\n \n The nn_tools is released under the MIT License (refer to the LICENSE file for details).\n\n### features\n\n1. Converting a pytorch model to caffe model.\n2. Some convenient tools of manipulate caffemodel and prototxt quickly(like get or set weights of layers).\n3. Support pytorch version >= 0.2.(Have tested on 0.3,0.3.1, 0.4, 0.4.1 ,1.0, 1.2)\n4. Analysing a model, get the operations number(ops) in every layers.\n\nNoting: pytorch version 1.1 is not supported now\n\n### requirements\n\n- Python2.7 or Python3.x\n- Each functions in this tools requires corresponding neural network python package (pytorch and so on).\n\n# Analyser\n\nThe analyser can analyse all the model layers' [input_size, output_size, multiplication ops, addition ops, \ncomparation ops, tot ops, weight size and so on] given a input tensor size, which is convenint for model deploy analyse.\n\n## Caffe\nBefore you analyse your network, [Netscope](http:\u002F\u002Fethereon.github.io\u002Fnetscope\u002F#\u002Feditor)\nis recommended to visiualize your network.\n\nCommand：`python caffe_analyser.py [-h] prototxt outdir shape`\n- The prototxt is the path of the prototxt file.\n- The outdir is path to save the csv file.\n- The shape is the input shape of the network(split by comma `,`), in caffe image shape should be: \nbatch_size, channel, image_height, image_width.\n\nFor example `python caffe_analyser.py resnet_18_deploy.prototxt analys_result.csv 1,3,224,224`\n\n## Pytorch\nSupporting analyse the inheritors of torch.nn.Moudule class.\n\nCommand：`pytorch_analyser.py [-h] [--out OUT] [--class_args ARGS] path name shape`\n- The path is the python file path which contaning your class.\n- The name is the class name or instance name in your python file.\n- The shape is the input shape of the network(split by comma `,`), in pytorch image shape should be:\nbatch_size, channel, image_height, image_width.\n- The out (optinal) is path to save the csv file, default is '\u002Ftmp\u002Fpytorch_analyse.csv'.\n- The class_args (optional) is the args to init the class in python file, default is empty.\n\nFor example `python pytorch_analyser.py example\u002Fresnet_pytorch_analysis_example.py resnet18 1,3,224,224`\n\n\n\n# Converter\n\n## Pytorch to Caffe\n\nThe new version of pytorch_to_caffe supporting the newest version(from 0.2.0 to 1.2.0) of pytorch.\nNOTICE: The transfer output will be somewhat different with the original model, caused by implementation difference.\n\n- Supporting layers types: \nconv2d  ->  Convolution, \n_conv_transpose2d ->  Deconvolution, \n_linear -> InnerProduct, \n_split  -> Slice, \nmax_pool2d,_avg_pool2d   -> Pooling,\n_max    -> Eltwise, \n_cat    -> Concat,\ndropout -> Dropout,\n relu   -> ReLU, \n prelu  -> PReLU, \n _leaky_relu -> ReLU,\n _tanh  -> TanH,   \n threshold(only value=0) -> Threshold,ReLU,\n softmax -> Softmax, \n batch_norm -> BatchNorm,Scale, \n instance_norm -> BatchNorm,Scale,\n _interpolate  ->  Upsample\n _hardtanh -> ReLU6\n _permute -> Permute\n _l2Norm -> Normalize\n \n \n- Supporting operations: torch.split, torch.max, torch.cat ,torch.sigmoid, torch.div\n- Supporting tensor Variable operations: var.view, + (add), += (iadd), -(sub), -=(isub)\n \\* (mul) *= (imul), torch.Tensor.contiguous(_contiguous), torch.Tensor.pow(_pow), \n \\* torch.Tensor.sum(_sum), torch.Tensor.sqrt(_sqrt), torch.Tensor.unsqueeze(_unsqueeze)\n \\* torch.Tensor.expand_as(_expand_as),\n\nNeed to be added for caffe in the future:\n- DepthwiseConv\n\nThe supported above can transfer many kinds of nets, \nsuch as AlexNet(tested), VGG(tested), ResNet(fixed the bug in origin repo which mainly caused by ReLu layer function.), Inception_V3(tested).\n\nThe supported layers concluded the most popular layers and operations.\n The other layer types will be added soon, you can ask me to add them in issues.\n\nExample: please see file `example\u002Falexnet_pytorch_to_caffe.py`. Just Run `python3 example\u002Falexnet_pytorch_to_caffe.py`.\n\nAttention:\nthe main difference from convert model is the BN layer,you should pay more attention to the BN parameters like  momentum=0.1, eps=1e-5.\n\n# Deploy verify(Very Important)\nAfter Converter,we should use verify_deploy.py to verify the output of pytorch model and the convertted caffe model.\nIf you want to verify the outputs of caffe and pytorch,you should make caffe and pytorch install in the same environment,anaconda is recommended.\nusing following script,we can install caffe-gpu(master branch). \n```angular2html\nconda install caffe-gpu pytorch cudatoolkit=9.0 -c pytorch \n\n```\nother way,we can use docker,and in https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo,for cuda9\n```\ndocker pull ufoym\u002Fdeepo:all-py36-cu90\n```\nfor cuda10\n```\ndocker pull ufoym\u002Fdeepo:all-py36-cu100\n```\n\nplease see file `example\u002Fverify_deploy.py`,it can verify the output of pytorch model and the convertted caffe model in the same input.\n\n\n# Some common functions\n\n## funcs.py\n\n- **get_iou(box_a, box_b)** intersection over union of two boxes\n- **nms(bboxs,scores,thresh)** Non-maximum suppression\n- **Logger** print some str to a file and stdout with H M S\n\n","#  https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe\n> 由于我们使用的 PyTorch 模型基本上都是动态图结构，而动态图的问题在于前向传播未完成时无法确定图结构，但 Caffe 是一个静态图框架，这会导致从 PyTorch 转换到 Caffe 时遇到许多问题。此外，PyTorch 的版本迭代非常迅速，因此本仓库将不再推荐使用。如果您希望将 PyTorch 模型转换为 Caffe 模型，建议通过该仓库提供的流程：PyTorch -> ONNX -> Caffe [https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe](https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe \"https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe\")。\n\n#### 代码主要来源于 [nn_tools](https:\u002F\u002Fgithub.com\u002Fhahnyuan\u002Fnn_tools)。感谢 hahnyuan 的贡献。\n# 神经网络工具：转换器与分析器\n\n为 PyTorch 和 Caffe 提供神经网络框架工具。\n\nnn_tools 采用 MIT 许可证发布（详情请参阅 LICENSE 文件）。\n\n### 特性\n\n1. 将 PyTorch 模型转换为 Caffe 模型。\n2. 提供一些便捷的工具，用于快速操作 caffemodel 和 prototxt 文件（例如获取或设置层的权重）。\n3. 支持 PyTorch 版本 ≥ 0.2。（已在 0.3、0.3.1、0.4、0.4.1、1.0、1.2 等版本上测试过）\n4. 分析模型，获取每一层的操作次数（ops）。\n\n注意：目前不支持 PyTorch 1.1 版本。\n\n### 需求\n\n- Python 2.7 或 Python 3.x\n- 此工具中的每个功能都需要相应的神经网络 Python 库（如 PyTorch 等）。\n\n# 分析器\n\n分析器可以根据输入张量的尺寸，分析模型所有层的 [输入大小、输出大小、乘法操作数、加法操作数、比较操作数、总操作数、权重大小等]，这对于模型部署分析非常方便。\n\n## Caffe\n在分析您的网络之前，建议使用 [Netscope](http:\u002F\u002Fethereon.github.io\u002Fnetscope\u002F#\u002Feditor) 来可视化您的网络。\n\n命令：`python caffe_analyser.py [-h] prototxt outdir shape`\n- prototxt 是 prototxt 文件的路径。\n- outdir 是保存 CSV 文件的路径。\n- shape 是网络的输入形状（用逗号 `,` 分隔），在 Caffe 中图像形状应为：batch_size、channel、image_height、image_width。\n\n例如：`python caffe_analyser.py resnet_18_deploy.prototxt analys_result.csv 1,3,224,224`\n\n## PyTorch\n支持分析 torch.nn.Module 类的子类。\n\n命令：`pytorch_analyser.py [-h] [--out OUT] [--class_args ARGS] path name shape`\n- path 是包含您类的 Python 文件路径。\n- name 是您 Python 文件中类名或实例名。\n- shape 是网络的输入形状（用逗号 `,` 分隔），在 PyTorch 中图像形状应为：batch_size、channel、image_height、image_width。\n- out（可选）是保存 CSV 文件的路径，默认为 `\u002Ftmp\u002Fpytorch_analyse.csv`。\n- class_args（可选）是初始化 Python 文件中类的参数，默认为空。\n\n例如：`python pytorch_analyser.py example\u002Fresnet_pytorch_analysis_example.py resnet18 1,3,224,224`\n\n\n\n# 转换器\n\n## PyTorch 到 Caffe\n\n新版 pytorch_to_caffe 支持最新版本的 PyTorch（从 0.2.0 到 1.2.0）。注意：由于实现差异，转换后的输出可能会与原始模型略有不同。\n\n- 支持的层类型：\nconv2d  ->  Convolution, \n_conv_transpose2d ->  Deconvolution, \n_linear -> InnerProduct, \n_split  -> Slice, \nmax_pool2d,_avg_pool2d   -> Pooling,\n_max    -> Eltwise, \n_cat    -> Concat,\ndropout -> Dropout,\n relu   -> ReLU, \n prelu  -> PReLU, \n _leaky_relu -> ReLU,\n _tanh  -> TanH,   \n threshold(only value=0) -> Threshold,ReLU,\n softmax -> Softmax, \n batch_norm -> BatchNorm,Scale, \n instance_norm -> BatchNorm,Scale,\n _interpolate  ->  Upsample\n _hardtanh -> ReLU6\n _permute -> Permute\n _l2Norm -> Normalize\n \n \n- 支持的操作：torch.split、torch.max、torch.cat、torch.sigmoid、torch.div。\n- 支持 tensor Variable 操作：var.view、+（add）、+=（iadd）、-（sub）、-=（isub）、\\*（mul）、*=（imul）、torch.Tensor.contiguous（_contiguous）、torch.Tensor.pow（_pow）、\\* torch.Tensor.sum（_sum）、torch.Tensor.sqrt（_sqrt）、torch.Tensor.unsqueeze（_unsqueeze）、\\* torch.Tensor.expand_as（_expand_as）。\n\n未来计划添加到 Caffe 的内容：\n- DepthwiseConv\n\n上述支持的内容可以转换多种网络，例如 AlexNet（已测试）、VGG（已测试）、ResNet（修复了原仓库中主要由 ReLU 层函数引起的错误）、Inception_V3（已测试）。\n\n所支持的层涵盖了最常用的层和操作。其他类型的层也将很快加入，您可以在 issues 中提出需求。\n\n示例：请参阅文件 `example\u002Falexnet_pytorch_to_caffe.py`。只需运行 `python3 example\u002Falexnet_pytorch_to_caffe.py` 即可。\n\n注意：\n模型转换的主要区别在于 BN 层，您需要特别注意 BN 参数，例如 momentum=0.1、eps=1e-5。\n\n# 部署验证（非常重要）\n转换完成后，应使用 verify_deploy.py 验证 PyTorch 模型和转换后的 Caffe 模型的输出。若要验证 Caffe 和 PyTorch 的输出，需在同一环境中安装 Caffe 和 PyTorch，推荐使用 Anaconda。\n\n使用以下脚本可以安装 Caffe-GPU（master 分支）：\n```angular2html\nconda install caffe-gpu pytorch cudatoolkit=9.0 -c pytorch \n\n```\n另一种方法是使用 Docker，在 https:\u002F\u002Fgithub.com\u002Fufoym\u002Fdeepo 上，针对 CUDA 9：\n```\ndocker pull ufoym\u002Fdeepo:all-py36-cu90\n```\n针对 CUDA 10：\n```\ndocker pull ufoym\u002Fdeepo:all-py36-cu100\n```\n\n请参阅文件 `example\u002Fverify_deploy.py`，它可以在相同输入下验证 PyTorch 模型和转换后的 Caffe 模型的输出。\n\n# 常用函数\n\n## funcs.py\n\n- **get_iou(box_a, box_b)** 两个框的交并比\n- **nms(bboxs,scores,thresh)** 非极大值抑制\n- **Logger** 将字符串打印到文件和标准输出，并显示时分秒","# PytorchToCaffe 快速上手指南\n\n> **重要提示**：由于 PyTorch 动态图特性与 Caffe 静态图架构的差异，直接转换存在诸多限制且 PyTorch 版本迭代迅速，本项目已不再推荐作为首选方案。\n> **推荐方案**：请优先使用 **PyTorch -> ONNX -> Caffe** 的转换路径，推荐使用工具：[ONNXToCaffe](https:\u002F\u002Fgithub.com\u002Fxxradon\u002FONNXToCaffe)。\n\n若您仍需使用本工具进行模型转换或分析，请参考以下指南。\n\n## 1. 环境准备\n\n### 系统要求\n- **操作系统**：Linux \u002F macOS (Windows 需自行配置环境)\n- **Python 版本**：Python 2.7 或 Python 3.x\n- **PyTorch 版本**：支持 >= 0.2 (已测试 0.3, 0.3.1, 0.4, 0.4.1, 1.0, 1.2)\n  - **注意**：暂不支持 PyTorch 1.1 版本。\n\n### 前置依赖\n确保已安装对应的深度学习框架：\n- `pytorch`\n- `caffe` (用于验证和部署分析)\n\n**推荐环境配置方式**：\n为了保证 PyTorch 和 Caffe 在同一环境中运行以便进行输出验证，推荐使用 Conda 或 Docker。\n\n*方案 A: 使用 Conda (推荐)*\n```bash\nconda install caffe-gpu pytorch cudatoolkit=9.0 -c pytorch\n```\n\n*方案 B: 使用 Docker (国内加速)*\n对于 CUDA 9.0:\n```bash\ndocker pull ufoym\u002Fdeepo:all-py36-cu90\n```\n对于 CUDA 10.0:\n```bash\ndocker pull ufoym\u002Fdeepo:all-py36-cu100\n```\n\n## 2. 安装步骤\n\n本工具主要基于源码运行，无需复杂的 pip 安装过程。\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fxxradon\u002FPytorchToCaffe.git\n   cd PytorchToCaffe\n   ```\n   *(注：原项目地址可能已归档，若无法访问请检查相关 Fork 版本或参考 README 中提到的 `nn_tools`)*\n\n2. **验证依赖**\n   确保在终端中可以正常导入 pytorch 和 caffe：\n   ```bash\n   python -c \"import torch; import caffe; print('Environment OK')\"\n   ```\n\n## 3. 基本使用\n\n本工具主要提供两大功能：**模型分析 (Analyser)** 和 **模型转换 (Converter)**。\n\n### 3.1 模型分析 (Analyser)\n\n用于统计网络各层的输入输出尺寸、运算量 (Ops) 及参数量，便于部署评估。\n\n#### 分析 Caffe 模型\n命令格式：`python caffe_analyser.py [-h] prototxt outdir shape`\n\n**示例**：分析 ResNet-18 部署文件，输入尺寸为 1x3x224x224\n```bash\npython caffe_analyser.py resnet_18_deploy.prototxt analys_result.csv 1,3,224,224\n```\n- `resnet_18_deploy.prototxt`: 模型结构文件路径\n- `analys_result.csv`: 结果保存路径\n- `1,3,224,224`: 输入形状 (batch_size, channel, height, width)\n\n#### 分析 PyTorch 模型\n命令格式：`python pytorch_analyser.py [-h] [--out OUT] [--class_args ARGS] path name shape`\n\n**示例**：分析当前目录下 `example` 文件夹中的 ResNet-18 类\n```bash\npython pytorch_analyser.py example\u002Fresnet_pytorch_analysis_example.py resnet18 1,3,224,224\n```\n- `path`: 包含模型类定义的 Python 文件路径\n- `name`: 类名或实例名\n- `shape`: 输入形状\n\n### 3.2 模型转换 (Pytorch to Caffe)\n\n将 PyTorch 模型转换为 Caffe 的 `.prototxt` 和 `.caffemodel` 文件。\n\n**支持的操作层**：\n涵盖常用层如 Conv2d, Linear, Pooling, ReLU, BatchNorm, Softmax, Concat, Slice 等，以及部分 Tensor 操作 (view, add, mul, sum 等)。\n*注意：BatchNorm 层转换时需特别注意 `momentum` (默认 0.1) 和 `eps` (默认 1e-5) 参数的一致性。*\n\n**使用示例**：\n参考官方提供的 AlexNet 转换示例：\n```bash\npython3 example\u002Falexnet_pytorch_to_caffe.py\n```\n*您需要编写类似的脚本，加载您的 PyTorch 模型，调用转换接口，并保存生成的 Caffe 文件。*\n\n### 3.3 部署验证 (Deploy Verify)\n\n**非常重要**：转换完成后，必须验证 PyTorch 模型与转换后的 Caffe 模型在相同输入下的输出是否一致。\n\n使用提供的验证脚本：\n```bash\npython example\u002Fverify_deploy.py\n```\n该脚本会在同一环境下加载两种模型，输入相同数据并对比输出差异。由于实现细节差异，输出可能存在微小偏差，需在可接受范围内。","某嵌入式视觉团队需要将基于 PyTorch 研发的轻量级人脸检测模型，部署到仅支持 Caffe 框架的老旧边缘计算盒子上。\n\n### 没有 PytorchToCaffe 时\n- **手动重写成本高昂**：工程师必须逐层对照 PyTorch 代码，在 Caffe 的 prototxt 文件中手工重新定义网络结构，极易因参数对齐错误导致推理结果偏差。\n- **动态图转换困难**：PyTorch 的动态图特性使得包含条件分支或动态尺寸的操作难以直接映射为 Caffe 的静态图，往往需要修改原始算法逻辑以适配框架限制。\n- **性能评估缺失**：在缺乏自动分析工具的情况下，团队无法快速获知各层算子数量（Ops）和显存占用，难以判断模型是否满足边缘设备的算力约束。\n- **版本兼容风险**：面对 PyTorch 频繁的版本迭代，手动迁移方案难以复用，每次升级模型都意味着新一轮繁琐的人工移植工作。\n\n### 使用 PytorchToCaffe 后\n- **一键自动化转换**：利用 PytorchToCaffe 直接加载训练好的 PyTorch 模型，即可自动生成对应的 Caffe prototxt 和 caffemodel 文件，将数天的工作量缩短至分钟级。\n- **无缝支持复杂算子**：工具内置了对 Conv2d、BatchNorm、Interpolate 等常用层的自动映射规则，甚至支持 Split、Cat 等张量操作，完美解决了动态图到静态图的转换难题。\n- **量化部署分析**：通过集成的 Analyser 功能，输入预设图像尺寸即可输出详细的 CSV 报告，清晰展示每一层的计算量和权重大小，辅助团队精准优化模型。\n- **多版本广泛兼容**：支持从 PyTorch 0.3 到 1.3 的多个主流版本，确保了不同时期研发的模型都能顺利迁移，无需担心框架版本差异带来的阻碍。\n\nPytorchToCaffe 通过自动化转换与深度分析能力，彻底消除了异构框架间的部署壁垒，让算法模型能高效落地于资源受限的边缘端设备。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxxradon_PytorchToCaffe_e9b8aef6.png","xxradon","WangDong","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxxradon_d80a0e21.jpg","Interested in Deep Learning,Computer Vision","BST","Wuhan,China","wangdong_cn@qq.com",null,"https:\u002F\u002Fblog.csdn.net\u002Fxxradon","https:\u002F\u002Fgithub.com\u002Fxxradon",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,783,226,"2026-01-19T08:14:56","MIT",4,"未说明","非必需，但验证部署时推荐 NVIDIA GPU。示例中提及 CUDA 9.0 (cudatoolkit=9.0) 和 CUDA 10.0。",{"notes":96,"python":97,"dependencies":98},"1. 该工具已不再推荐直接使用，建议通过 ONNX 中转 (PyTorch -> ONNX -> Caffe)。2. 支持的 PyTorch 版本范围为 0.2 至 1.2（明确不支持 1.1 及更高版本如 2.0+）。3. 转换后的模型输出可能与原模型存在细微差异，主要源于 BN 层参数（如 momentum=0.1, eps=1e-5）的实现差异。4. 强烈建议使用 verify_deploy.py 在同一环境中对比 PyTorch 和 Caffe 的输出以验证转换结果。5. 可通过 conda 或 Docker (ufoym\u002Fdeepo) 快速搭建包含 Caffe 和 PyTorch 的验证环境。","Python 2.7 或 Python 3.x",[99,100],"pytorch (>=0.2, \u003C=1.2, 不支持 1.1)","caffe",[14],"2026-03-27T02:49:30.150509","2026-04-18T14:13:36.162835",[105,110,115,120,125,130],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},39643,"模型从 PyTorch 转换到 Caffe 后，精度（mAP）大幅下降怎么办？","这通常是由 Batch Normalization (BN) 层中 eps 参数的差异引起的。此外，需要确认你使用的 Caffe 版本：Intel 版的 Caffe 将 BN 作为单独的一层，而官方版 Caffe 则是 BN+Scale 组合。请检查并统一两边的 eps 设置，并根据 Caffe 版本调整网络结构定义。","https:\u002F\u002Fgithub.com\u002Fxxradon\u002FPytorchToCaffe\u002Fissues\u002F47",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},39644,"如何处理 PyTorch 中特征图与标量（如 1.5）的乘法或加法操作（例如 x * 1.5）的转换？","需要修改 pytorch_to_caffe.py 中的 _mul 函数，添加对 int 或 float 类型参数的判断，并使用 Caffe 的 Scale 层来实现。关键代码逻辑是：如果是乘法，设置 `layer.scale_param(scale=scale, bias=None)`，其中 scale 需转换为与特征图通道数相同的 ndarray；如果是加减法，将 scale 设为 1，bias 设为具体数值。另一种思路是将标量 expand 为相同维度的 blob 后使用 Eltwise 层，但使用 Scale 层更为高效。","https:\u002F\u002Fgithub.com\u002Fxxradon\u002FPytorchToCaffe\u002Fissues\u002F48",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},39645,"运行时报错 \"AttributeError: 'module' object has no attribute 'walk_stack'\" 如何解决？","该错误是因为 Python 版本不兼容导致的（traceback.walk_stack 仅在 Python 3.4+ 可用）。解决方法是在 Python 3 环境下重新编译和运行 Caffe 及转换脚本。请确保你的虚拟环境使用的是 Python 3。","https:\u002F\u002Fgithub.com\u002Fxxradon\u002FPytorchToCaffe\u002Fissues\u002F21",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},39646,"转换 ResNet 等模型时出现 \"output shape miss match\" 警告及后续权重形状不匹配错误怎么办？","这是由于 Caffe 和 PyTorch 在池化层（Pooling）的 ceil\u002Ffloor 模式实现不同导致的尺寸差异。解决方法是手动修改生成的 .prototxt 文件头部的输入尺寸。例如，将 input_dim 调整为稍微大一点的值（如从 224 改为 222），以补偿尺寸差异，使后续全连接层的权重形状能够匹配。","https:\u002F\u002Fgithub.com\u002Fxxradon\u002FPytorchToCaffe\u002Fissues\u002F4",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},39647,"转换过程中遇到 \"KeyError: [数字]\" 且无法定位具体出错层，如何快速排查？","出现 KeyError 的根本原因通常是当前层的上一层没有成功转换，导致对应的 blob 没有被添加到列表中。排查时，应重点检查报错层的前一层操作是否被工具支持，或者是否有自定义算子未被重载。可以通过调试 _cat、_add 等具体操作函数来定位是哪一层的输出缺失。","https:\u002F\u002Fgithub.com\u002Fxxradon\u002FPytorchToCaffe\u002Fissues\u002F102",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},39648,"使用此工具转换模型前，是否必须预先安装并编译好 Caffe？","是的，使用该工具前必须已经成功安装并编译好 Caffe 框架（包括 Python 接口）。工具本身只是进行模型结构的解析和 Prototxt\u002FCaffemodel 的生成，依赖底层的 Caffe 环境进行验证和运行。如果未安装 Caffe，转换后的模型无法验证或使用。","https:\u002F\u002Fgithub.com\u002Fxxradon\u002FPytorchToCaffe\u002Fissues\u002F15",[]]