首页
/ BERTopic核心挑战攻克指南：6个技术难题的系统化解决方案

BERTopic核心挑战攻克指南：6个技术难题的系统化解决方案

2026-03-31 09:22:33作者：裘旻烁
BERTopic
Leveraging BERT and c-TF-IDF to create easily interpretable topics.
项目地址：https://gitcode.com/gh_mirrors/be/BERTopic

BERTopic作为融合BERT嵌入与c-TF-IDF的主题建模工具，核心价值在于高可解释性、动态主题识别和多模态支持，适用于学术文献分析、客户反馈挖掘和社交媒体趋势追踪等场景。

大规模文档处理时的内存溢出问题如何解决？

问题现象

当处理超过10万篇长文档时，程序常因内存不足崩溃，错误信息通常包含"MemoryError"或"Killed"，尤其在32GB以下内存环境中频繁发生。

底层原理

BERTopic默认会在内存中存储完整的文档嵌入矩阵和概率分布表，这相当于同时打开上千张超高分辨率图片而不释放内存。当文档数量超过内存承载阈值时，系统会触发内存保护机制终止进程。

分级方案

基础版：启用低内存模式

from bertopic import BERTopic

def create_low_memory_model():
    """创建低内存消耗的BERTopic模型
    
    Returns:
        BERTopic: 配置好的低内存模型
    """
    try:
        # 核心参数：启用低内存模式
        topic_model = BERTopic(
            low_memory=True,
            # 禁用概率计算（内存密集型操作）
            calculate_probabilities=False,
            # 限制词汇表大小
            vectorizer_model=CountVectorizer(max_features=10000),
            # 增加最小主题大小减少主题数量
            min_topic_size=15
        )
        return topic_model
    except Exception as e:
        print(f"模型初始化失败: {str(e)}")
        return None

进阶版：文档分块与增量学习

def incremental_topic_modeling(docs, batch_size=5000, save_path="./incremental_model"):
    """增量式主题建模处理超大型文档集
    
    Args:
        docs: 完整文档列表
        batch_size: 每批处理文档数
        save_path: 模型保存路径
        
    Returns:
        tuple: (最终模型, 全部主题分配)
    """
    from bertopic import BERTopic
    import os
    import numpy as np
    
    # 初始化模型
    topic_model = BERTopic(low_memory=True, calculate_probabilities=False)
    all_topics = []
    
    try:
        # 分批次处理文档
        for i in range(0, len(docs), batch_size):
            batch_docs = docs[i:i+batch_size]
            print(f"处理批次 {i//batch_size + 1}/{(len(docs)-1)//batch_size + 1}")
            
            # 首次训练或增量更新
            if i == 0:
                topics, _ = topic_model.fit_transform(batch_docs)
            else:
                topics, _ = topic_model.transform(batch_docs)
                
            all_topics.extend(topics)
            
            # 定期保存中间模型
            if (i//batch_size + 1) % 5 == 0:
                topic_model.save(os.path.join(save_path, f"model_batch_{i//batch_size + 1}"))
                
        # 合并相似主题提高一致性
        topic_model.merge_topics(docs, all_topics, min_similarity=0.7)
        return topic_model, all_topics
        
    except Exception as e:
        print(f"增量处理失败: {str(e)}")
        # 返回已处理的部分结果
        return topic_model, all_topics

效果验证

配置方案 内存占用 处理速度 主题质量 适用场景
默认配置 高（16GB+） 快 优 小型数据集（<10k文档）
低内存模式 中（8GB+） 中 良好 中型数据集（10k-50k文档）
增量学习 低（4GB+） 慢 可接受 超大型数据集（>100k文档）

诊断流程图：

  1. 检查文档数量是否超过50k
  2. 若是，启用低内存模式并观察内存使用
  3. 若仍溢出，实施分块处理（batch_size=5000）
  4. 最终仍有问题，增加min_topic_size至20以上

⚠️ 注意：低内存模式会禁用某些高级可视化功能，增量学习可能导致主题一致性略有下降。

多语言文档混合场景下的主题质量问题如何解决？

问题现象

在包含中英文混合的社交媒体数据或跨国公司客户反馈中，模型常生成无意义主题或过度集中于语言特征而非内容主题，如将所有中文文档聚为单一主题。

底层原理

标准嵌入模型就像单语言翻译官，只能准确理解一种语言。当输入多语言文档时，模型会将语言差异误判为内容差异，或将不同语言表达的相同主题视为不同主题。

分级方案

基础版：使用多语言嵌入模型

def create_multilingual_model():
    """创建支持多语言的BERTopic模型
    
    Returns:
        BERTopic: 多语言主题模型
    """
    from bertopic import BERTopic
    
    try:
        # 选用多语言嵌入模型
        topic_model = BERTopic(
            embedding_model="paraphrase-multilingual-mpnet-base-v2",
            # 增加n_gram范围捕捉多语言特征
            n_gram_range=(1, 3),
            # 提高min_topic_size减少碎片化
            min_topic_size=10
        )
        return topic_model
    except Exception as e:
        print(f"多语言模型创建失败: {str(e)}")
        # 退回到基础多语言模型
        return BERTopic(embedding_model="paraphrase-multilingual-MiniLM-L12-v2")

进阶版：语言感知主题建模

def language_aware_topic_modeling(docs, languages):
    """语言感知的多语言主题建模
    
    Args:
        docs: 文档列表
        languages: 对应文档的语言列表（如['en', 'zh', 'en', ...]）
        
    Returns:
        tuple: (主题模型, 主题分配)
    """
    from bertopic import BERTopic
    from sentence_transformers import SentenceTransformer
    import numpy as np
    
    try:
        # 为每种语言加载专用嵌入模型
        language_models = {
            'en': SentenceTransformer('all-mpnet-base-v2'),
            'zh': SentenceTransformer('shibing624/text2vec-base-chinese'),
            'es': SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2'),
            'fr': SentenceTransformer('paraphrase-multilingual-MiniLM-L12-v2')
        }
        
        # 按语言分组计算嵌入
        embeddings = []
        for doc, lang in zip(docs, languages):
            # 使用对应语言的模型，默认使用多语言模型
            model = language_models.get(lang, language_models['es'])
            embeddings.append(model.encode(doc))
        
        # 使用预计算的嵌入进行主题建模
        topic_model = BERTopic(n_gram_range=(1, 3))
        topics, _ = topic_model.fit_transform(docs, np.array(embeddings))
        
        return topic_model, topics
    except Exception as e:
        print(f"语言感知建模失败: {str(e)}")
        # 回退到基础多语言模型
        return create_multilingual_model().fit_transform(docs)

效果验证

模型配置 语言支持 主题纯度 训练时间 资源需求
单语言模型 单一语言 高 快 低
基础多语言模型 100+语言 中 中 中
语言感知模型 定制语言集 高 慢 高

诊断流程图：

  1. 检查文档是否包含3种以上语言
  2. 若是，使用基础多语言模型
  3. 评估主题纯度，若存在语言混杂主题
  4. 实施语言感知模型并针对性优化低资源语言

多语言主题分布 多语言文档的主题空间分布，不同颜色代表不同语言文档，理想状态下相同主题应聚集在一起

⚠️ 注意：多语言模型通常比单语言模型大2-3倍，需要更多计算资源，建议在GPU环境下运行。

主题标签无意义或重复的问题如何解决？

问题现象

模型生成的主题标签包含大量无意义词汇（如"the"、"and"）或高度相似的主题（如"climate change"和"climate changes"），导致主题解释困难和分析效率低下。

底层原理

主题标签生成就像摘要写作，c-TF-IDF算法可能过度关注高频词汇而非核心概念。当文档质量参差不齐或领域术语不明确时，标签质量会显著下降。

分级方案

基础版：关键词优化与过滤

def optimize_topic_representations(topic_model):
    """优化主题标签表示
    
    Args:
        topic_model: 已训练的BERTopic模型
        
    Returns:
        BERTopic: 优化后的模型
    """
    try:
        # 1. 设置自定义停止词
        custom_stopwords = ["the", "and", "of", "to", "a", "in", "for", "on", "with", "at"]
        
        # 2. 优化主题表示
        topic_model.update_topics(
            docs,
            topics=None,  # 更新所有主题
            n_words=10,   # 每个主题保留10个关键词
            stop_words=custom_stopwords,
            # 增加n_gram捕捉短语
            n_gram_range=(1, 2)
        )
        
        # 3. 合并高度相似的主题
        topic_model.merge_topics(docs, topics=None, min_similarity=0.85)
        
        return topic_model
    except Exception as e:
        print(f"主题优化失败: {str(e)}")
        return topic_model

进阶版：基于LLM的主题标签重命名

def llm_enhanced_topic_labels(topic_model, docs, model_name="gpt-3.5-turbo"):
    """使用大型语言模型增强主题标签
    
    Args:
        topic_model: 已训练的BERTopic模型
        docs: 原始文档列表
        model_name: LLM模型名称
        
    Returns:
        BERTopic: 优化标签后的模型
    """
    from bertopic.representation import OpenAI
    import os
    
    try:
        # 检查API密钥
        if not os.getenv("OPENAI_API_KEY"):
            raise ValueError("请设置OPENAI_API_KEY环境变量")
            
        # 创建LLM表示模型
        llm_representation = OpenAI(
            model=model_name,
            prompt="请为以下主题关键词生成一个简洁、专业的主题名称，最多5个词: {words}\n主题名称:"
        )
        
        # 更新主题标签
        topic_model.update_topics(
            docs,
            representation_model=llm_representation,
            n_words=5  # 向LLM提供5个关键词
        )
        
        return topic_model
    except Exception as e:
        print(f"LLM标签生成失败: {str(e)}")
        # 回退到关键词优化
        return optimize_topic_representations(topic_model)

效果验证

优化方法 标签质量 计算成本 领域适应性 实施难度
默认配置 基础 低 通用 低
关键词优化 良好 中 需领域知识 中
LLM增强 优秀 高 自适应 高

诊断流程图：

  1. 检查主题标签中是否包含3个以上停止词
  2. 若是，实施基础关键词优化
  3. 检查是否存在重复主题（相似度>0.8）
  4. 对关键主题使用LLM重命名
  5. 人工审核前20个主题标签质量

主题概率分布 优化前后的主题概率分布对比，优质主题标签应有明显区分度和代表性

⚠️ 注意：LLM方法需要API访问权限且存在成本，建议先对困惑度高的主题（通常<10个）进行优化。

动态时序数据的主题演化分析如何实现？

问题现象

在分析新闻报道、社交媒体动态或产品评论随时间变化时，传统静态主题模型无法捕捉主题的诞生、演变和消亡过程，导致错过关键趋势转折点。

底层原理

主题随时间变化就像季节更替，某些主题会随时间增强或减弱。动态主题建模通过在时间维度上追踪主题分布变化，揭示隐藏的发展模式。

分级方案

基础版：时间切片主题分析

def temporal_topic_analysis(docs, timestamps, nr_bins=20):
    """基于时间切片的主题演化分析
    
    Args:
        docs: 文档列表
        timestamps: 对应文档的时间戳列表
        nr_bins: 时间切片数量
        
    Returns:
        tuple: (主题模型, 时间主题分布)
    """
    from bertopic import BERTopic
    import pandas as pd
    
    try:
        # 创建带时间戳的DataFrame
        df = pd.DataFrame({"doc": docs, "timestamp": timestamps})
        # 确保时间戳格式正确
        df["timestamp"] = pd.to_datetime(df["timestamp"])
        df = df.sort_values("timestamp")
        
        # 基础主题模型
        topic_model = BERTopic()
        topics, _ = topic_model.fit_transform(df["doc"])
        
        # 按时间切片分析主题分布
        topics_over_time = topic_model.topics_over_time(
            df["doc"], 
            topics, 
            df["timestamp"], 
            nr_bins=nr_bins
        )
        
        return topic_model, topics_over_time
    except Exception as e:
        print(f"时间主题分析失败: {str(e)}")
        return None, None

进阶版：动态主题建模与预测

def dynamic_topic_modeling(docs, timestamps, forecast_periods=3):
    """动态主题建模与趋势预测
    
    Args:
        docs: 文档列表
        timestamps: 对应文档的时间戳列表
        forecast_periods: 预测周期数
        
    Returns:
        tuple: (主题模型, 时间主题分布, 预测结果)
    """
    from bertopic import BERTopic
    from bertopic.dimensionality import BaseDimensionalityReduction
    from sklearn.linear_model import LinearRegression
    import pandas as pd
    import numpy as np
    
    try:
        # 创建时间序列DataFrame
        df = pd.DataFrame({"doc": docs, "timestamp": pd.to_datetime(timestamps)})
        df = df.sort_values("timestamp")
        
        # 配置动态主题模型
        topic_model = BERTopic(
            # 使用UMAP进行降维
            umap_model=BaseDimensionalityReduction(),
            # 增加主题稳定性
            min_topic_size=15,
            # 减少主题数量波动
            nr_topics="auto"
        )
        
        # 训练模型
        topics, probs = topic_model.fit_transform(df["doc"])
        
        # 分析主题随时间变化
        topics_over_time = topic_model.topics_over_time(
            df["doc"], topics, df["timestamp"], nr_bins=24
        )
        
        # 预测主题趋势
        topic_trends = {}
        topic_ids = topics_over_time.Topic.unique()
        
        for topic_id in topic_ids:
            if topic_id == -1:  # 跳过异常值
                continue
                
            # 提取特定主题的时间序列数据
            topic_data = topics_over_time[topics_over_time.Topic == topic_id]
            
            # 创建时间特征（使用时间戳的数值表示）
            X = np.array((topic_data.Timestamp - topic_data.Timestamp.min()).dt.days).reshape(-1, 1)
            y = topic_data.Frequency.values
            
            # 训练简单线性回归模型预测趋势
            model = LinearRegression()
            model.fit(X, y)
            
            # 预测未来趋势
            future_dates = pd.date_range(
                start=df["timestamp"].max(), 
                periods=forecast_periods+1, 
                freq="M"
            )[1:]  # 排除当前月份
            
            future_X = np.array((future_dates - topic_data.Timestamp.min()).days).reshape(-1, 1)
            future_y = model.predict(future_X)
            
            topic_trends[topic_id] = {
                "topic_name": topic_model.get_topic_info().loc[topic_model.get_topic_info().Topic == topic_id, "Name"].values[0],
                "historical_data": topic_data,
                "future_dates": future_dates,
                "predictions": future_y
            }
            
        return topic_model, topics_over_time, topic_trends
    except Exception as e:
        print(f"动态主题建模失败: {str(e)}")
        return None, None, None

效果验证

分析方法 时间分辨率 趋势识别 预测能力 计算复杂度
静态主题模型 无 无 无 低
时间切片分析 中 有 基础 中
动态预测模型 高 强 有 高

诊断流程图：

  1. 检查时间戳分布是否覆盖至少6个月
  2. 若是，执行基础时间切片分析
  3. 检查主题是否有明显季节性或趋势性
  4. 对关键主题实施趋势预测
  5. 使用滑动窗口验证预测准确性

主题演化可视化 主题间距离随时间变化的动态可视化，展示主题的诞生、演变和合并过程

⚠️ 注意：时间粒度过细（如小时级）会导致主题不稳定，建议根据数据量选择合适的时间切片数量（通常12-24个）。

主题数量过多难以管理的问题如何解决？

问题现象

处理大型文本语料库时，模型生成数百个主题，其中许多主题高度相似或仅包含少量文档，导致主题管理困难和分析效率低下。

问题现象

处理大型文本语料库时，模型生成数百个主题，其中许多主题高度相似或仅包含少量文档，导致主题管理困难和分析效率低下。

底层原理

主题数量就像树木密度，过于密集会难以识别主要模式。BERTopic默认参数倾向于生成较多细分主题，需要通过主动控制和合并策略创建更有意义的主题结构。

分级方案

基础版：主题数量控制与合并

def control_topic_number(docs, target_nr_topics=50):
    """控制主题数量并合并相似主题
    
    Args:
        docs: 文档列表
        target_nr_topics: 目标主题数量
        
    Returns:
        BERTopic: 优化后的主题模型
    """
    from bertopic import BERTopic
    
    try:
        # 1. 初始训练时控制主题数量
        topic_model = BERTopic(
            min_topic_size=20,  # 增加最小主题大小
            nr_topics=target_nr_topics,  # 指定期望主题数量
            # 调整UMAP参数减少过度分割
            umap_model=UMAP(n_neighbors=15, n_components=5, min_dist=0.1)
        )
        
        topics, _ = topic_model.fit_transform(docs)
        
        # 2. 合并高度相似主题
        if len(topic_model.get_topic_info()) > target_nr_topics * 1.2:
            topic_model.reduce_topics(docs, topics, nr_topics=target_nr_topics)
            
        return topic_model
    except Exception as e:
        print(f"主题数量控制失败: {str(e)}")
        return BERTopic().fit(docs)

进阶版：主题层次结构构建

def build_topic_hierarchy(docs, min_cluster_size=15):
    """构建主题层次结构，实现主题的多级别组织
    
    Args:
        docs: 文档列表
        min_cluster_size: 最小聚类大小
        
    Returns:
        tuple: (主题模型, 层次结构)
    """
    from bertopic import BERTopic
    from bertopic.hierarchical import HierarchicalTopicModel
    import pandas as pd
    
    try:
        # 1. 训练基础主题模型
        base_model = BERTopic(
            min_topic_size=min_cluster_size,
            calculate_probabilities=False
        )
        topics, _ = base_model.fit_transform(docs)
        
        # 2. 构建层次结构
        hierarchical_model = HierarchicalTopicModel.load("hierarchical_model")
        # 或训练新的层次模型
        # hierarchical_model = HierarchicalTopicModel(base_model)
        # hierarchical_model.fit(docs)
        
        # 3. 获取层次结构数据
        hierarchy = hierarchical_model.get_hierarchy()
        
        # 4. 生成主题树状结构
        topic_tree = hierarchical_model.get_topic_tree()
        
        return base_model, hierarchical_model, topic_tree
    except Exception as e:
        print(f"层次主题构建失败: {str(e)}")
        # 回退到简单合并策略
        return control_topic_number(docs), None, None

效果验证

管理策略 主题数量 可解释性 层次结构 实施难度
默认配置 多（100+） 低 无 低
数量控制 中（50-100） 中 无 中
层次结构 可控（多级别） 高 有 高

诊断流程图：

  1. 检查主题总数是否超过100或小于10
  2. 若是，调整min_topic_size参数
  3. 计算主题相似度矩阵，识别高度相似主题
  4. 对大型主题实施拆分，对小型主题实施合并
  5. 构建层次结构实现多级别主题组织

零样本与聚类主题对比 不同主题数量控制策略的效果对比，左侧为零样本主题（数量可控），右侧为聚类主题（数量较多）

⚠️ 注意：主题数量并非越少越好，建议保留能解释80%文档的主题数量，通常在30-80个之间较为理想。

主题模型结果的可视化与解释性如何提升？

问题现象

模型生成的主题结果缺乏直观展示，利益相关者难以理解主题含义和关系，导致模型 insights 难以转化为实际决策。

底层原理

主题模型可视化就像地图绘制，好的可视化能清晰展示主题的分布、关系和重要性，帮助非技术人员理解复杂的文本分析结果。

分级方案

基础版：核心可视化套件

def basic_topic_visualizations(topic_model, docs, output_dir="./visualizations"):
    """生成基础主题可视化结果
    
    Args:
        topic_model: 已训练的BERTopic模型
        docs: 文档列表
        output_dir: 可视化结果保存目录
        
    Returns:
        dict: 可视化文件路径
    """
    import os
    os.makedirs(output_dir, exist_ok=True)
    visualization_paths = {}
    
    try:
        # 1. 主题词云
        wordcloud_path = os.path.join(output_dir, "topic_wordcloud.html")
        fig = topic_model.visualize_topics()
        fig.write_html(wordcloud_path)
        visualization_paths["wordcloud"] = wordcloud_path
        
        # 2. 主题条形图
        barchart_path = os.path.join(output_dir, "topic_barchart.html")
        fig = topic_model.visualize_barchart(top_n_topics=20)
        fig.write_html(barchart_path)
        visualization_paths["barchart"] = barchart_path
        
        # 3. 主题相似度热图
        heatmap_path = os.path.join(output_dir, "topic_heatmap.html")
        fig = topic_model.visualize_heatmap()
        fig.write_html(heatmap_path)
        visualization_paths["heatmap"] = heatmap_path
        
        return visualization_paths
    except Exception as e:
        print(f"基础可视化生成失败: {str(e)}")
        return visualization_paths

进阶版：交互式与定制化可视化

def advanced_topic_visualizations(topic_model, docs, topics, timestamps=None, output_dir="./advanced_visualizations"):
    """生成高级主题可视化结果
    
    Args:
        topic_model: 已训练的BERTopic模型
        docs: 文档列表
        topics: 主题分配结果
        timestamps: 时间戳列表（用于动态可视化）
        output_dir: 可视化结果保存目录
        
    Returns:
        dict: 可视化文件路径
    """
    import os
    import pandas as pd
    os.makedirs(output_dir, exist_ok=True)
    visualization_paths = {}
    
    try:
        # 1. 交互式主题地图
        topic_map_path = os.path.join(output_dir, "interactive_topic_map.html")
        fig = topic_model.visualize_documents(docs, topics=topics, hide_annotations=False)
        fig.write_html(topic_map_path)
        visualization_paths["topic_map"] = topic_map_path
        
        # 2. 主题时间演化图（如果提供时间戳）
        if timestamps is not None:
            df = pd.DataFrame({"doc": docs, "timestamp": pd.to_datetime(timestamps)})
            topics_over_time = topic_model.topics_over_time(docs, topics, df["timestamp"])
            
            trends_path = os.path.join(output_dir, "topic_trends.html")
            fig = topic_model.visualize_topics_over_time(topics_over_time)
            fig.write_html(trends_path)
            visualization_paths["trends"] = trends_path
        
        # 3. 主题层次结构图
        try:
            hierarchy_path = os.path.join(output_dir, "topic_hierarchy.html")
            fig = topic_model.visualize_hierarchy()
            fig.write_html(hierarchy_path)
            visualization_paths["hierarchy"] = hierarchy_path
        except:
            # 如果没有层次结构模型，跳过此步骤
            pass
            
        # 4. 自定义主题网络关系图
        network_path = os.path.join(output_dir, "topic_network.html")
        fig = topic_model.visualize_topics_network()
        fig.write_html(network_path)
        visualization_paths["network"] = network_path
        
        return visualization_paths
    except Exception as e:
        print(f"高级可视化生成失败: {str(e)}")
        return visualization_paths

效果验证

可视化类型 信息量 交互性 技术难度 受众适配
基础静态图表 低 无 低 技术人员
交互式HTML 中 有 中 分析师
高级定制可视化 高 强 高 管理层

诊断流程图：

  1. 确定可视化受众（技术/非技术）
  2. 为技术受众生成详细统计图表
  3. 为非技术受众创建交互式可视化
  4. 重点主题添加详细文档示例
  5. 生成可视化报告并收集反馈迭代

主题数据地图 高级文档-主题数据地图，展示文档在主题空间中的分布和聚类情况

⚠️ 注意：可视化应聚焦关键发现而非展示所有主题，建议突出展示前20个最重要主题并提供交互式探索功能。

问题-方案-复杂度三维速查表

问题场景 核心解决方案 实现复杂度 效果评级 资源需求
大规模文档内存溢出 增量学习+低内存模式 中 ★★★★☆ 低
多语言文档主题质量 语言感知嵌入+多语言模型 高 ★★★★☆ 中
主题标签无意义/重复 LLM增强标签+关键词优化 中 ★★★★★ 中高
动态时序主题演化 时间切片+趋势预测模型 高 ★★★★☆ 高
主题数量过多难以管理 层次主题结构+智能合并 中 ★★★☆☆ 中
模型结果可视化与解释 交互式可视化套件 低 ★★★★★ 低

通过系统化解决上述六个核心问题，BERTopic能够在保持高可解释性的同时，有效处理大规模、多语言、动态演化的复杂文本数据，为从非结构化文本中提取有价值 insights 提供强大支持。建议根据具体数据特征和业务需求，选择合适的技术方案并进行迭代优化。

BERTopic
Leveraging BERT and c-TF-IDF to create easily interpretable topics.
项目地址：https://gitcode.com/gh_mirrors/be/BERTopic
登录后查看全文
热门项目推荐
相关项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
28
15
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
660
4.26 K
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot，Spring Security，JWT，Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.54 K
894
pytorchpytorch
Ascend Extension for PyTorch
Python
505
610
kernelkernel
openEuler内核是openEuler操作系统的核心，既是系统性能与稳定性的基石，也是连接处理器、设备与服务的桥梁。
C
392
289
flutter_flutterflutter_flutter
暂无简介
Dart
909
219
leetcodeleetcode
🔥LeetCode solutions in any programming language | 多种编程语言实现 LeetCode、《剑指 Offer（第 2 版）》、《程序员面试金典（第 6 版）》题解
Java
69
21
MindSpeed-LLMMindSpeed-LLM
昇腾LLM分布式训练框架
Python
142
168
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库，实现网络在NPU上加速计算。
C++
940
867
cherry-studiocherry-studio
🍒 Cherry Studio 是一款支持多个 LLM 提供商的桌面客户端
TypeScript
1.33 K
108