PyTorch Sphinx 主题配置指南
主题概述
PyTorch Sphinx 主题是一个专为技术文档设计的现代化主题,它提供了清晰的导航结构和优雅的视觉呈现。本文将详细介绍如何配置这个主题,使其完美适配您的项目需求。
全局配置选项
全局配置通过项目的conf.py文件中的html_theme_options字典进行设置。这些设置会影响整个文档站点的外观和行为。
基础配置选项
-
规范URL设置 (
canonical_url)- 类型:字符串
- 作用:指定文档的规范URL,帮助搜索引擎识别文档的最新版本
- 注意:URL必须以斜杠结尾
-
谷歌分析ID (
analytics_id)- 类型:字符串
- 作用:设置谷歌分析跟踪ID,用于收集文档访问数据
-
版本显示控制 (
display_version)- 类型:布尔值
- 默认:True
- 作用:控制是否在侧边栏顶部显示版本号
-
导航按钮位置 (
prev_next_buttons_location)- 类型:字符串
- 可选值:'bottom'、'top'、'both'或None
- 作用:控制"上一页"和"下一页"按钮的显示位置
-
外部链接样式 (
style_external_links)- 类型:布尔值
- 默认:False
- 作用:是否在外部链接旁添加特殊图标
目录树(TOC)配置选项
-
折叠导航 (
collapse_navigation)- 类型:布尔值
- 作用:控制是否显示可折叠的导航部分
- 注意:禁用此选项会增加HTML文件大小和编译时间
-
固定导航 (
sticky_navigation)- 类型:布尔值
- 默认:True
- 作用:使侧边栏随页面内容滚动
-
导航深度 (
navigation_depth)- 类型:整数
- 默认:4
- 作用:控制侧边栏显示的目录层级深度
- 特殊值:-1表示不限制深度
-
包含隐藏项 (
includehidden)- 类型:布尔值
- 默认:True
- 作用:是否显示标记为隐藏的目录项
-
仅显示标题 (
titles_only)- 类型:布尔值
- 作用:如果为True,则侧边栏只显示页面标题,不显示内部小节
页面级配置
除了全局配置外,还可以在每个页面中添加特定的元数据来控制主题的渲染方式:
- 编辑链接设置:可以指定GitHub、Bitbucket或GitLab的编辑URL
- 这些设置会覆盖主题的默认行为
- 格式为
:platform_url:后跟完整URL
目录构建机制
主题的左侧菜单基于index.rst文件中定义的toctree构建,默认显示两级深度。需要注意以下几点:
-
一致性要求:所有文档的reStructuredText标题必须保持一致的样式,否则可能导致目录构建错误
-
隐藏目录处理:默认情况下,即使目录被标记为隐藏(
:hidden:),也会被包含在导航中 -
固定导航限制:当目录内容过长时,固定导航会自动失效,恢复为静态定位
最佳实践建议
-
性能考虑:对于大型文档项目,建议启用
collapse_navigation并合理设置navigation_depth,以避免生成过大的HTML文件 -
SEO优化:合理设置
canonical_url有助于提升文档在搜索引擎中的排名 -
用户体验:根据文档结构选择合适的导航深度,平衡易用性和简洁性
通过合理配置这些选项,您可以打造出既美观又实用的技术文档站点,为用户提供最佳的阅读体验。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
unified-cache-managementUnified Cache Manager(推理记忆数据管理器),是一款以KV Cache为中心的推理加速套件,其融合了多类型缓存加速算法工具,分级管理并持久化推理过程中产生的KV Cache记忆数据,扩大推理上下文窗口,以实现高吞吐、低时延的推理体验,降低每Token推理成本。Python03
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
Spark-Prover-X1-7BSpark-Prover-X1-7B is a 7B-parameter large language model developed by iFLYTEK for automated theorem proving in Lean4. It generates complete formal proofs for mathematical theorems using a three-stage training framework combining pre-training, supervised fine-tuning, and reinforcement learning. The model achieves strong formal reasoning performance and state-of-the-art results across multiple theorem-proving benchmarksPython00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer-X1-7B is a 7B-parameter large language model by iFLYTEK for mathematical auto-formalization. It translates natural-language math problems into precise Lean4 formal statements, achieving high accuracy and logical consistency. The model is trained with a two-stage strategy combining large-scale pre-training and supervised fine-tuning for robust formal reasoning.Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile015
Spark-Scilit-X1-13B科大讯飞Spark Scilit-X1-13B基于最新一代科大讯飞基础模型,并针对源自科学文献的多项核心任务进行了训练。作为一款专为学术研究场景打造的大型语言模型,它在论文辅助阅读、学术翻译、英语润色和评论生成等方面均表现出色,旨在为研究人员、教师和学生提供高效、精准的智能辅助。Python00- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00