Kornia 迁移片段解读半精度网格坐标一致性、Boxes 非批量容器与 Adoption 依赖页面【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址: https://gitcode.com/GitHub_Trending/ko/kornia本文基于 Kornia 仓库changelog.d/migration-020.*三份迁移片段逐条拆解该变更集背后的问题根因、修复实现与配套工具链。读完你将掌握半精度下create_meshgrid与torch.compile数值分叉的成因与修复思路、Boxes.pad/unpad/clamp对非批量(N, 4, 2)容器的支持细节以及 Kornia 文档站点依赖生态Adoption页面的数据抓取与渲染流程。文档背景changelog.d 迁移片段机制Kornia 使用 Towncrier 下新增一个changelog.d/PR.type.md文件发布时由工具合并进CHANGELOG.md避免多人同时编辑同一段落的合并冲突详见 changelog.d/README.md。文件类型分三类added新功能与面向用户的文档、fixed行为修正、breaking不兼容变更需同时描述新旧行为。本批migration-020三个片段正是这套机制的存量迁移部分——前缀是 Towncrier 的 orphan 前缀用于避免重复生成 PR 链接文件名保留到下一个版本发布时被消费。片段类型变更主题关联 PRmigration-020.added.mdaddedAdoption 文档页面#4155migration-020.breaking.mdbreaking半精度网格坐标一致性#4231migration-020.fixed.mdfixedBoxes.pad/unpad/clamp非批量容器#4372预览与发布命令定义在 pixi.toml 中工具被隔离在独立的 uv 环境中运行不污染 Kornia 运行时依赖pixi run changelog-preview # 预览待发布条目不修改文件 pixi run changelog-build --version X.Y.Z # 组装发布说明并消费片段半精度网格坐标一致性修复breakingPR #4231这是本批变更中技术含量最高的一条create_meshgrid与create_meshgrid3d在float16/bfloat16下返回的归一化坐标会因模型是否被torch.compile包裹而产生不同结果且最大偏差可达 0.01170.0156。它关联 issue #4030属于数值语义的 breaking 变更。问题根因eager 与编译路径的舍入次数不同旧实现对归一化公式(xs / (size - 1) - 0.5) * 2在 eager 模式下按三个独立的半精度算子依次执行每步都舍入一次同时 eager 路径会先把半精度 ramp 完整物化出来再由 graph-capture 分支将其加宽。而torch.compileInductor把整条链在float32下计算、仅存储时舍入一次并折叠掉先收窄再加宽的往返——于是当尺寸超过2 ** pp 为尾数位数即 bfloat16 的 8 位、float16 的 11 位时两条路径除法的分子都不一致了。数值后果示例[-1, 1]归一化区间bfloat16、宽度 300偏差最大约0.0117bfloat16、宽度 6000偏差最大约0.0156。也就是说半精度网格在模型被套上torch.compile的那一刻就会悄然变化且变化量与图像宽度相关——宽度越大坐标数值越大两条路径的舍入分歧越明显。修复方案float32 构建、末尾收窄一次修复思路是让所有执行路径的算术完全一致半精度归一化网格改为全程在float32下构建与归一化最后只收窄一次。这样 eager、traced、compiled 三条路径的中间计算完全相同仅剩最终的舍入差异eager 结果也移动到正确舍入一侧这正是数值变化本身。从源码看核心实现位于 kornia/geometry/grid.pyramp_dtype dtype if dtype is not None else torch.empty(0, devicedevice).dtype widened normalized_coordinates and ramp_dtype in (torch.float16, torch.bfloat16) work_dtype torch.float32 if widened else ramp_dtype xs torch.arange(width, devicedevice, dtypework_dtype) ys torch.arange(height, devicedevice, dtypework_dtype) # ... 归一化计算align_corners 分支... if widened: # The single rounding, after the whole normalization. xs xs.to(ramp_dtype) ys ys.to(ramp_dtype)值得注意的源码细节为什么用arange而非linspace源码注释kornia/geometry/grid.py指出linspace先把端点舍入到坐标 dtype 再反向填充上半段只有当size - 1能被精确表示size 2 ** p 1时步长才恰好为 1否则会偏离正确舍入的列索引约一个 ulp而 Inductor 对linspace的降级实现按索引逐点计算反而舍入正确导致 eager 与编译结果不一致。改用arange后两种模式一致且保留了导出export场景下符号长度的动态性。ramp dtype 的读取方式通过torch.empty(0, devicedevice).dtype读取而非torch.get_default_dtype()因为 TorchScript 没有该内置函数空张量带上device参数使读取依赖实参避免 no-input 工厂调用被 TorchScript 的常量折叠冻结为首次运行时的默认 dtype。缩放系数用张量形式graph-capture 分支使用torch.scalar_tensor保持符号尺寸动态并保留align_corners两种约定角点对齐(xs / (w - 1) - 0.5) * 2与半像素映射(2x 1) / w - 1单例轴用xs * 0.0归一到中心 0。影响范围哪些结果不变哪些变了片段明确划定了边界完全不变float32、float64、整数网格以及像素 ramp它们都不涉及加宽运算逐位bit-for-bit保持一致仍可能差 1 ulpCUDA 上float16网格因为 ATen 与 triton 的float32除法并非逐位相同bfloat16则能吸收该差异CPU 内核完全一致基线随之移动Linux CPU 半精度测试基线testing/half_precision_xfails/cpu_bfloat16.txt、cpu_float16.txt随新数值更新。HomographyWarper 的联动修复HomographyWarperkornia/geometry/transform/homography_warper.py在构造时用create_meshgrid预计算float32网格而 forward 时按输入 dtype 动态生成网格——两条路径此前不一致修复后完全对齐。这顺带修复了test_homography_warper在float16、bfloat16两个 dtype 下的失败test_translation[shape1]在float16下的失败test_translation[shape0]、[shape2]在bfloat16下也加入已知失败列表该测试atol1e-4在 bfloat16 下对全部 4 个 shape 都不可达此前两个 shape 能通过只是因为旧网格更大的误差在grid_sample的 bfloat16 反归一化中恰好round-trip成了精确的像素索引——属于错错得正修复后暴露了真实的精度下限。验证入口tests/geometry/test_grid.py中的test_create_meshgrid像素网格形状与角点值逐位校验、test_normalize_pixel_grid像素/归一化网格互转一致、test_normalized_meshgrid_singleton_axis_is_centered单例轴归一到 0。Boxes.pad / unpad / clamp 支持非批量容器fixedPR #4372Boxes类kornia/geometry/boxes.py的文档约定支持两种容器批量(B, N, 4, 2)与非批量(N, 4, 2)。但pad、unpad、clamp三个方法此前只按批量形式编写索引逻辑对非批量容器直接崩溃issue #4244 记录了该问题。问题表现pad/unpad填充量按(B, 1, 1)广播与(N, 4)的坐标视图不匹配抛出RuntimeError: output with shape [1, 4] doesnt match the broadcast shape [1, 1, 4]clamp用repeat(1, _data.size(1), 4)物化边界对二维数据抛IndexError: too many indices for tensor of dimension 2同样的 boxes 只要在前面加一个单例 batch 轴三个方法都能正常工作——可见问题纯粹是未按实际 rank 分派。修复实现按容器 rank 广播修复核心是新增_broadcast_over_vertices辅助方法kornia/geometry/boxes.py把逐图像per-image的(B, k)列向量整形为能对self._data[..., i]广播的形状def _broadcast_over_vertices(self, values: torch.Tensor) - torch.Tensor: if self._is_batched: return values[..., None, :] # (B, k) - (B, 1, k)适配 (B, N, 4) 索引 if values.size(0) ! 1: raise RuntimeError( fUnbatched (N, 4, 2) boxes carry a single image, so a per-image tensor must have one row. fGot {values.size(0)}. ) return values # (1, k) 已可直接广播到 (N, 4)批量容器索引为(B, N, 4)列向量需要补一个 box 维度非批量(N, 4, 2)只承载单张图像(1, k)列已能广播不得再加维度语义上单张图像对应一个逐图像张量因此多于一行即拒绝RuntimeError。padkornia/geometry/boxes.py与unpadkornia/geometry/boxes.py只对(left, top)两个改变坐标原点的分量做加减left/top影响原点right/bottom只影响尺寸clampkornia/geometry/boxes.py则把每个顶点独立夹取到(B, 2)的上下界内。批量结果含非有限边界逐位一致。NaN 边界的比较语义clamp的实现特意保留比较式语义而非maximum/minimum对 NaN 边界的每次比较都为False因此NaN 边界不会污染坐标——坐标保持原值而不是变成 NaN见 kornia/geometry/boxes.py 的注释。这是与朴素torch.clamp式的maximum/minimum实现的本质区别。实战示例与回归测试import torch import kornia # 非批量容器 (N, 4, 2)单张图像padding 只能有一行 boxes kornia.geometry.Boxes(torch.rand(2, 4, 2)) boxes.pad(torch.tensor([[2.0, 0.0, 3.0, 0.0]])) # (1, 4) - 广播 boxes.clamp( toplefttorch.tensor([[0.0, 0.0]]), botrighttorch.tensor([[16.0, 16.0]]), ) # 批量容器 (B, N, 4, 2)逐 batch padding boxes_b kornia.geometry.Boxes(torch.rand(2, 3, 4, 2)) boxes_b.pad(torch.tensor([[1.0, 0.0, 1.0, 0.0], [2.0, 0.0, 2.0, 0.0]]))该修复的实际触发路径是RandomCrop的 padding 分支见 kornia/geometry/boxes.py 的文档说明秩为 3 的(B, N, 4)bbox 构建批量容器而单张图像的秩为 2 的(N, 4)bbox 构建非批量容器。回归测试test_convention_padded_random_crop_accepts_rank2_bboxes_4244tests/augmentation/container/test_augmentation_sequential.py覆盖了两种 box 数量N1 时 clamp 抛 IndexError、N2 时抛 RuntimeError以及test_random_crop.py中unbatched参数化用例tests/augmentation/container/test_random_crop.py。Adoption 页面依赖生态快照addedPR #4155本批变更还新增了一个面向生态的文档页面Adoption页docs/source/community/adoption在文档构建时从docs/source/_data/dependents.json渲染列出依赖 kornia 的 star 数最多的 GitHub 仓库与软件包。该页面文件由脚本生成、不直接提交编辑时应改fetch_dependents.py与 JSON 数据见 docs/generate_adoption.py 文件头注释。数据抓取docs/fetch_dependents.pyGitHub 的 REST/GraphQL API 都不暴露依赖列表只有仓库页的 Used by 及network/dependentsHTML 页面可读。因此 docs/fetch_dependents.py 直接爬取该 HTML 列表每页 30 条、按 cursor 分页分别抓取repositories与packages两类记录精确总数与 star 数最高的条目。python docs/fetch_dependents.py # 全量爬取约 330 次请求、约 10 分钟 python docs/fetch_dependents.py --max-pages 5 # 快速刷新总数 python docs/fetch_dependents.py --kind packages --out /path/to/dependents.json # 限定类型与输出关键实现参数与策略docs/fetch_dependents.pyKEEP_TOP 300每类最多存储按 star 排序的前 300 条DELAY_S 1.0请求间隔规避 GitHub 无鉴权限流_get带 5 次重试与指数退避对 429/5xx 响应按Retry-After等待部分爬取合并策略merge函数--max-pages或网络失败导致的部分结果会合并进已有 JSON——count始终为最新总数排名只会越来越完整完全爬取才替换存量排名快照写入docs/source/_data/dependents.json字段含generated_at、packages/repositories各自含count、complete、listed、itemsitems元素为{name, stars, forks}。当前仓库中的快照记录于 2026-09-02packages 总数 321见 docs/source/_data/dependents.json。页面渲染docs/generate_adoption.pydocs/generate_adoption.py 在文档构建期把 JSON 渲染为 Adoption 页rST顶部以卡片形式展示多少个 packages 构建在 Kornia 之上 / 多少个 repositories 依赖 Kornia随后是两个表格——TOP_PACKAGES 30的包列表与TOP_REPOSITORIES 30的仓库列表Repository / Stars / Forks 三列。load_counts()同时把精确数字注入rst_epilog替换符|count-dependents|等供其他页面引用而无需重复拷贝。统计口径与添加你的项目页面明确说明统计口径只统计 GitHub 能读取到的 manifest 中声明了kornia的项目requirements.txt、pyproject.toml、setup.py、environment.yml等因此私有仓库、Docker 镜像、notebook 与拷贝源码不计入。列表完全由依赖图自动生成、按 star 排序——无需任何提交动作项目声明依赖并在下次刷新快照后自然出现。如何验证这批变更半精度网格直接对比 eager 与torch.compile下create_meshgrid(300, 300, dtypetorch.bfloat16)的输出是否一致或在HomographyWarper上运行tests/geometry/transform/test_homography_warper.py与tests/geometry/test_grid.pyBoxes 修复用单张图像的秩 2 bbox 走RandomCrop(padding...)路径或直接对(N, 4, 2)容器调用pad/unpad/clamp文档页执行python docs/fetch_dependents.py --max-pages 5刷新快照构建文档后检查community/adoption页面的卡片与表格变更日志pixi run changelog-preview预览三条迁移片段合并后的渲染效果。总结migration-020三份片段展示了 Kornia 变更日志迁移期的三类典型工作breaking修复了半精度网格在 eager 与torch.compile之间的舍入分叉float32 构建、末尾一次收窄HomographyWarper 顺带对齐fixed让Boxes的pad/unpad/clamp真正支持文档承诺的非批量(N, 4, 2)容器并保持了 NaN 边界的比较式语义added则建立了依赖生态快照的抓取-渲染流水线为文档站点提供可自动刷新的 Adoption 页面。理解这三条变更的根因与边界有助于在升级时评估对半精度训练、图像几何流水线与文档构建的实际影响。【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址: https://gitcode.com/GitHub_Trending/ko/kornia创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/11/2 6:16:04 · 阅读 1.2k Kornia 迁移片段解读：半精度网格坐标一致性、Boxes 非批量容器与 Adoption 依赖页面
Kornia 迁移片段解读半精度网格坐标一致性、Boxes 非批量容器与 Adoption 依赖页面【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址: https://gitcode.com/GitHub_Trending/ko/kornia本文基于 Kornia 仓库changelog.d/migration-020.*三份迁移片段逐条拆解该变更集背后的问题根因、修复实现与配套工具链。读完你将掌握半精度下create_meshgrid与torch.compile数值分叉的成因与修复思路、Boxes.pad/unpad/clamp对非批量(N, 4, 2)容器的支持细节以及 Kornia 文档站点依赖生态Adoption页面的数据抓取与渲染流程。文档背景changelog.d 迁移片段机制Kornia 使用 Towncrier 下新增一个changelog.d/PR.type.md文件发布时由工具合并进CHANGELOG.md避免多人同时编辑同一段落的合并冲突详见 changelog.d/README.md。文件类型分三类added新功能与面向用户的文档、fixed行为修正、breaking不兼容变更需同时描述新旧行为。本批migration-020三个片段正是这套机制的存量迁移部分——前缀是 Towncrier 的 orphan 前缀用于避免重复生成 PR 链接文件名保留到下一个版本发布时被消费。片段类型变更主题关联 PRmigration-020.added.mdaddedAdoption 文档页面#4155migration-020.breaking.mdbreaking半精度网格坐标一致性#4231migration-020.fixed.mdfixedBoxes.pad/unpad/clamp非批量容器#4372预览与发布命令定义在 pixi.toml 中工具被隔离在独立的 uv 环境中运行不污染 Kornia 运行时依赖pixi run changelog-preview # 预览待发布条目不修改文件 pixi run changelog-build --version X.Y.Z # 组装发布说明并消费片段半精度网格坐标一致性修复breakingPR #4231这是本批变更中技术含量最高的一条create_meshgrid与create_meshgrid3d在float16/bfloat16下返回的归一化坐标会因模型是否被torch.compile包裹而产生不同结果且最大偏差可达 0.01170.0156。它关联 issue #4030属于数值语义的 breaking 变更。问题根因eager 与编译路径的舍入次数不同旧实现对归一化公式(xs / (size - 1) - 0.5) * 2在 eager 模式下按三个独立的半精度算子依次执行每步都舍入一次同时 eager 路径会先把半精度 ramp 完整物化出来再由 graph-capture 分支将其加宽。而torch.compileInductor把整条链在float32下计算、仅存储时舍入一次并折叠掉先收窄再加宽的往返——于是当尺寸超过2 ** pp 为尾数位数即 bfloat16 的 8 位、float16 的 11 位时两条路径除法的分子都不一致了。数值后果示例[-1, 1]归一化区间bfloat16、宽度 300偏差最大约0.0117bfloat16、宽度 6000偏差最大约0.0156。也就是说半精度网格在模型被套上torch.compile的那一刻就会悄然变化且变化量与图像宽度相关——宽度越大坐标数值越大两条路径的舍入分歧越明显。修复方案float32 构建、末尾收窄一次修复思路是让所有执行路径的算术完全一致半精度归一化网格改为全程在float32下构建与归一化最后只收窄一次。这样 eager、traced、compiled 三条路径的中间计算完全相同仅剩最终的舍入差异eager 结果也移动到正确舍入一侧这正是数值变化本身。从源码看核心实现位于 kornia/geometry/grid.pyramp_dtype dtype if dtype is not None else torch.empty(0, devicedevice).dtype widened normalized_coordinates and ramp_dtype in (torch.float16, torch.bfloat16) work_dtype torch.float32 if widened else ramp_dtype xs torch.arange(width, devicedevice, dtypework_dtype) ys torch.arange(height, devicedevice, dtypework_dtype) # ... 归一化计算align_corners 分支... if widened: # The single rounding, after the whole normalization. xs xs.to(ramp_dtype) ys ys.to(ramp_dtype)值得注意的源码细节为什么用arange而非linspace源码注释kornia/geometry/grid.py指出linspace先把端点舍入到坐标 dtype 再反向填充上半段只有当size - 1能被精确表示size 2 ** p 1时步长才恰好为 1否则会偏离正确舍入的列索引约一个 ulp而 Inductor 对linspace的降级实现按索引逐点计算反而舍入正确导致 eager 与编译结果不一致。改用arange后两种模式一致且保留了导出export场景下符号长度的动态性。ramp dtype 的读取方式通过torch.empty(0, devicedevice).dtype读取而非torch.get_default_dtype()因为 TorchScript 没有该内置函数空张量带上device参数使读取依赖实参避免 no-input 工厂调用被 TorchScript 的常量折叠冻结为首次运行时的默认 dtype。缩放系数用张量形式graph-capture 分支使用torch.scalar_tensor保持符号尺寸动态并保留align_corners两种约定角点对齐(xs / (w - 1) - 0.5) * 2与半像素映射(2x 1) / w - 1单例轴用xs * 0.0归一到中心 0。影响范围哪些结果不变哪些变了片段明确划定了边界完全不变float32、float64、整数网格以及像素 ramp它们都不涉及加宽运算逐位bit-for-bit保持一致仍可能差 1 ulpCUDA 上float16网格因为 ATen 与 triton 的float32除法并非逐位相同bfloat16则能吸收该差异CPU 内核完全一致基线随之移动Linux CPU 半精度测试基线testing/half_precision_xfails/cpu_bfloat16.txt、cpu_float16.txt随新数值更新。HomographyWarper 的联动修复HomographyWarperkornia/geometry/transform/homography_warper.py在构造时用create_meshgrid预计算float32网格而 forward 时按输入 dtype 动态生成网格——两条路径此前不一致修复后完全对齐。这顺带修复了test_homography_warper在float16、bfloat16两个 dtype 下的失败test_translation[shape1]在float16下的失败test_translation[shape0]、[shape2]在bfloat16下也加入已知失败列表该测试atol1e-4在 bfloat16 下对全部 4 个 shape 都不可达此前两个 shape 能通过只是因为旧网格更大的误差在grid_sample的 bfloat16 反归一化中恰好round-trip成了精确的像素索引——属于错错得正修复后暴露了真实的精度下限。验证入口tests/geometry/test_grid.py中的test_create_meshgrid像素网格形状与角点值逐位校验、test_normalize_pixel_grid像素/归一化网格互转一致、test_normalized_meshgrid_singleton_axis_is_centered单例轴归一到 0。Boxes.pad / unpad / clamp 支持非批量容器fixedPR #4372Boxes类kornia/geometry/boxes.py的文档约定支持两种容器批量(B, N, 4, 2)与非批量(N, 4, 2)。但pad、unpad、clamp三个方法此前只按批量形式编写索引逻辑对非批量容器直接崩溃issue #4244 记录了该问题。问题表现pad/unpad填充量按(B, 1, 1)广播与(N, 4)的坐标视图不匹配抛出RuntimeError: output with shape [1, 4] doesnt match the broadcast shape [1, 1, 4]clamp用repeat(1, _data.size(1), 4)物化边界对二维数据抛IndexError: too many indices for tensor of dimension 2同样的 boxes 只要在前面加一个单例 batch 轴三个方法都能正常工作——可见问题纯粹是未按实际 rank 分派。修复实现按容器 rank 广播修复核心是新增_broadcast_over_vertices辅助方法kornia/geometry/boxes.py把逐图像per-image的(B, k)列向量整形为能对self._data[..., i]广播的形状def _broadcast_over_vertices(self, values: torch.Tensor) - torch.Tensor: if self._is_batched: return values[..., None, :] # (B, k) - (B, 1, k)适配 (B, N, 4) 索引 if values.size(0) ! 1: raise RuntimeError( fUnbatched (N, 4, 2) boxes carry a single image, so a per-image tensor must have one row. fGot {values.size(0)}. ) return values # (1, k) 已可直接广播到 (N, 4)批量容器索引为(B, N, 4)列向量需要补一个 box 维度非批量(N, 4, 2)只承载单张图像(1, k)列已能广播不得再加维度语义上单张图像对应一个逐图像张量因此多于一行即拒绝RuntimeError。padkornia/geometry/boxes.py与unpadkornia/geometry/boxes.py只对(left, top)两个改变坐标原点的分量做加减left/top影响原点right/bottom只影响尺寸clampkornia/geometry/boxes.py则把每个顶点独立夹取到(B, 2)的上下界内。批量结果含非有限边界逐位一致。NaN 边界的比较语义clamp的实现特意保留比较式语义而非maximum/minimum对 NaN 边界的每次比较都为False因此NaN 边界不会污染坐标——坐标保持原值而不是变成 NaN见 kornia/geometry/boxes.py 的注释。这是与朴素torch.clamp式的maximum/minimum实现的本质区别。实战示例与回归测试import torch import kornia # 非批量容器 (N, 4, 2)单张图像padding 只能有一行 boxes kornia.geometry.Boxes(torch.rand(2, 4, 2)) boxes.pad(torch.tensor([[2.0, 0.0, 3.0, 0.0]])) # (1, 4) - 广播 boxes.clamp( toplefttorch.tensor([[0.0, 0.0]]), botrighttorch.tensor([[16.0, 16.0]]), ) # 批量容器 (B, N, 4, 2)逐 batch padding boxes_b kornia.geometry.Boxes(torch.rand(2, 3, 4, 2)) boxes_b.pad(torch.tensor([[1.0, 0.0, 1.0, 0.0], [2.0, 0.0, 2.0, 0.0]]))该修复的实际触发路径是RandomCrop的 padding 分支见 kornia/geometry/boxes.py 的文档说明秩为 3 的(B, N, 4)bbox 构建批量容器而单张图像的秩为 2 的(N, 4)bbox 构建非批量容器。回归测试test_convention_padded_random_crop_accepts_rank2_bboxes_4244tests/augmentation/container/test_augmentation_sequential.py覆盖了两种 box 数量N1 时 clamp 抛 IndexError、N2 时抛 RuntimeError以及test_random_crop.py中unbatched参数化用例tests/augmentation/container/test_random_crop.py。Adoption 页面依赖生态快照addedPR #4155本批变更还新增了一个面向生态的文档页面Adoption页docs/source/community/adoption在文档构建时从docs/source/_data/dependents.json渲染列出依赖 kornia 的 star 数最多的 GitHub 仓库与软件包。该页面文件由脚本生成、不直接提交编辑时应改fetch_dependents.py与 JSON 数据见 docs/generate_adoption.py 文件头注释。数据抓取docs/fetch_dependents.pyGitHub 的 REST/GraphQL API 都不暴露依赖列表只有仓库页的 Used by 及network/dependentsHTML 页面可读。因此 docs/fetch_dependents.py 直接爬取该 HTML 列表每页 30 条、按 cursor 分页分别抓取repositories与packages两类记录精确总数与 star 数最高的条目。python docs/fetch_dependents.py # 全量爬取约 330 次请求、约 10 分钟 python docs/fetch_dependents.py --max-pages 5 # 快速刷新总数 python docs/fetch_dependents.py --kind packages --out /path/to/dependents.json # 限定类型与输出关键实现参数与策略docs/fetch_dependents.pyKEEP_TOP 300每类最多存储按 star 排序的前 300 条DELAY_S 1.0请求间隔规避 GitHub 无鉴权限流_get带 5 次重试与指数退避对 429/5xx 响应按Retry-After等待部分爬取合并策略merge函数--max-pages或网络失败导致的部分结果会合并进已有 JSON——count始终为最新总数排名只会越来越完整完全爬取才替换存量排名快照写入docs/source/_data/dependents.json字段含generated_at、packages/repositories各自含count、complete、listed、itemsitems元素为{name, stars, forks}。当前仓库中的快照记录于 2026-09-02packages 总数 321见 docs/source/_data/dependents.json。页面渲染docs/generate_adoption.pydocs/generate_adoption.py 在文档构建期把 JSON 渲染为 Adoption 页rST顶部以卡片形式展示多少个 packages 构建在 Kornia 之上 / 多少个 repositories 依赖 Kornia随后是两个表格——TOP_PACKAGES 30的包列表与TOP_REPOSITORIES 30的仓库列表Repository / Stars / Forks 三列。load_counts()同时把精确数字注入rst_epilog替换符|count-dependents|等供其他页面引用而无需重复拷贝。统计口径与添加你的项目页面明确说明统计口径只统计 GitHub 能读取到的 manifest 中声明了kornia的项目requirements.txt、pyproject.toml、setup.py、environment.yml等因此私有仓库、Docker 镜像、notebook 与拷贝源码不计入。列表完全由依赖图自动生成、按 star 排序——无需任何提交动作项目声明依赖并在下次刷新快照后自然出现。如何验证这批变更半精度网格直接对比 eager 与torch.compile下create_meshgrid(300, 300, dtypetorch.bfloat16)的输出是否一致或在HomographyWarper上运行tests/geometry/transform/test_homography_warper.py与tests/geometry/test_grid.pyBoxes 修复用单张图像的秩 2 bbox 走RandomCrop(padding...)路径或直接对(N, 4, 2)容器调用pad/unpad/clamp文档页执行python docs/fetch_dependents.py --max-pages 5刷新快照构建文档后检查community/adoption页面的卡片与表格变更日志pixi run changelog-preview预览三条迁移片段合并后的渲染效果。总结migration-020三份片段展示了 Kornia 变更日志迁移期的三类典型工作breaking修复了半精度网格在 eager 与torch.compile之间的舍入分叉float32 构建、末尾一次收窄HomographyWarper 顺带对齐fixed让Boxes的pad/unpad/clamp真正支持文档承诺的非批量(N, 4, 2)容器并保持了 NaN 边界的比较式语义added则建立了依赖生态快照的抓取-渲染流水线为文档站点提供可自动刷新的 Adoption 页面。理解这三条变更的根因与边界有助于在升级时评估对半精度训练、图像几何流水线与文档构建的实际影响。【免费下载链接】kornia Geometric Computer Vision Library for Spatial AI项目地址: https://gitcode.com/GitHub_Trending/ko/kornia创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考