Unet训练详解：损失函数与miou计算原理及PyTorch实现-北京尧图网络

在图像分割任务里模型结构占一半损失函数和评价指标占另一半。结构决定模型能不能学损失函数决定模型往哪个方向学而miou则决定你训练出来的模型到底值不值得用。这篇是Unet代码详解系列的第三篇前两篇我拆了Unet的网络结构和数据加载流程这一篇我把训练环节里最核心的两块内容——损失函数和miou计算——彻底讲透从原理到代码实现再从代码实现到实际训练中会踩的坑一步不落。适合谁看正在啃Unet源码的初学者、用自家数据集训练分割模型但苦于指标上不去的同学以及想搞懂为什么别人代码里既要算loss又要算miou的读者。1. 分割任务的损失函数到底在优化什么1.1 分割和分类的本质差别决定loss设计逻辑先说一个容易忽视但很关键的点图像分割本质上是一个逐像素分类任务。也就是说对一张H×W的输入图片模型输出的不是单一类别标签而是一个H×W×N的概率图N是类别数然后对每个像素位置取概率最大的类别作为预测结果。这就带来了和分类任务截然不同的挑战一张512×512的医学图像里有26万个像素点如果病灶区域只占5%那么剩下95%的背景像素会把损失函数的梯度牢牢把控住。你训练出来的模型可能对背景预测得非常准但病灶区域几乎完全预测不出来——因为loss已经很小了模型觉得自己学得不错。这个现象在分割任务里非常典型叫做类别不平衡问题而损失函数的选择本质上是和这个不平衡问题博弈的过程。1.2 损失函数对梯度反传的实际影响要理解损失函数的效果不能只看公式还得看梯度怎么反传。交叉熵损失对每个像素的梯度是(pred - target)也就是说预测和真实值差异越大梯度越大模型更新越猛。这听起来没问题但当正样本比如病灶在图中只占很小的比例时大多数像素的pred本身已经非常接近0了因为整个图大部分是背景交差熵计算出的梯度会被背景像素主导病灶像素贡献的梯度被稀释得非常厉害。Dice Loss的梯度行为则完全不同。它直接对预测区域和真实区域的重叠程度求导梯度大小和类别像素数量是相关的小目标区域会被赋予更高的权重从而有效缓解类别不平衡。这也是Dice Loss在医学分割领域备受青睐的根本原因。2. Unet训练中常用的损失函数逐个拆解2.1 CrossEntropyLoss入门首选但别被它的易用性骗了PyTorch里的nn.CrossEntropyLoss是很多人训练分割模型的第一个loss它做的事情本身很简单对每个像素位置计算交叉熵然后对所有位置取平均。import torch import torch.nn as nn # logits 是模型原始输出, shape [N, C, H, W] # mask 是真实标签, shape [N, H, W], 每个像素值是 0 ~ C-1 criterion nn.CrossEntropyLoss() loss criterion(logits, mask)关键点在于PyTorch的交叉熵损失接收的是logits内部已经做了Softmax。你在写代码时不要在模型末尾额外加Softmax再丢进CrossEntropyLoss那样会算两次归一化损失数值会异常而且梯度传播会出问题。那CrossEntropyLoss适合什么场景如果你的数据集类别分布比较均衡比如道路分割、一般的室外场景分割或者类别数量少且样本量充足直接用交叉熵完全没问题训练稳定、收敛快。但如果正样本是极小的目标比如肿瘤、血管、瑕疵点交叉熵就会暴露前面说的类别不平衡问题。2.2 Dice Loss为分割而生但对超参数敏感Dice系数本身是度量两个集合相似度的指标在分割任务中它衡量的是预测区域和真实区域的重叠程度。Dice Loss就是1 - Dice系数公式是这样的Dice (2 * |P ∩ G|) / (|P| |G|) Dice Loss 1 - Dice放到具体实现里|P ∩ G|可以约等于预测概率图和真实标签mask逐像素相乘再求和。下面是标准的PyTorch实现def dice_loss(pred, target, smooth1e-5): # pred: [N, C, H, W], 已经过softmax, 是概率值 # target: [N, H, W], 类别索引; 需转为one-hot N, C, H, W pred.shape target_onehot torch.zeros_like(pred) target_onehot.scatter_(1, target.unsqueeze(1), 1) # [N, C, H, W] pred_flat pred.reshape(N, C, -1) # [N, C, H*W] target_flat target_onehot.reshape(N, C, -1) intersection (pred_flat * target_flat).sum(dim2) # [N, C] union pred_flat.sum(dim2) target_flat.sum(dim2) # [N, C] dice (2 * intersection smooth) / (union smooth) return 1 - dice.mean()这里smooth也叫smooth系数是防除零的一般取1e-5就够。有人习惯取1那个影响不大但要注意smooth取太大时dice损失会偏向一个常数导致梯度变小训练变慢。另一个必须注意的点Dice Loss要求pred是经过Softmax的概率值不是原始logits。很多人把两个搞混训练出来loss在初期就是负的或者巨大无比检查半天才发现问题在这里。2.3 组合损失训练曲线最稳的方案在实际项目中我用过CrossEntropyLoss、DiceLoss、Focal Loss的各种排列组合最后稳定下来的是CrossEntropy Dice组合方案loss ce_loss dice_loss为什么不只用Dice因为Dice Loss的梯度在一些情况下是不稳定的尤其是模型训练初期预测还很随机的时候Dice Loss容易导致loss曲线剧烈震荡。而CE Loss的梯度相对平滑可以稳住训练前期等训练中期模型有一定的判别力后Dice Loss开始发挥它对小目标的敏感性优势。还有一种常用组合是Focal Loss Dice Loss。Focal Loss通过调节难易样本的权重让模型更关注难分的像素和Dice的区域重叠优化目标形成互补。如果你的数据存在严重的难易样本失衡比如大多数背景都很容易识别但目标形状多变复杂可以优先试这个组合。class FocalLoss(nn.Module): def __init__(self, alpha0.25, gamma2): super().__init__() self.alpha alpha self.gamma gamma self.ce nn.CrossEntropyLoss(reductionnone) def forward(self, logits, target): ce_loss self.ce(logits, target) # [N, H, W] pt torch.exp(-ce_loss) focal_loss self.alpha * (1 - pt) ** self.gamma * ce_loss return focal_loss.mean()注意Focal Loss里的alpha是平衡正负样本的系数gamma是调节难样本权重的系数。在我的实验里alpha0.25, gamma2是个不错的起点但还是要根据具体数据调一下。2.4 损失函数代码实现中的隐藏坑第一个坑是忽略类别维度。分割网络的输出是[N, C, H, W]真实标签是[N, H, W]计算loss前必须要确认它们的shape对得上尤其是用one-hot编码转换的时候scatter_的用法要写对。我最开始学的时候在target.unsqueeze(1)这一步漏掉了结果维度广播直接报错后来养成了写完loss代码先跑一次前向推理再算loss的习惯。第二个坑是忽略空目标类别。在验证集的某一张图中如果某个类别完全没有出现比如验证集里恰好没有背景类Dice计算时这个类别的分母为0smooth虽然能兜底但数值上会有偏差。严谨的做法是对每一张图计算dice时跳过target为空的类别或者对整批数据汇总之后再求mean而不是对每张图的dice求mean。这两种方式的结果差别不小后面在miou的部分还会提到类似问题。第三个坑是loss权重没有根据类别比例调整。当你用多类别数据时直接对每个类别的损失求平均隐含的假设是每个类别重要性相同但实际上类别样本数差10倍以上时这个假设不成立。可以给稀有类别更高的权重class_weight torch.tensor([1.0, 5.0, 10.0])在CrossEntropyLoss里通过weight参数传入。这个操作用很少的代码量却能实实在在地提升小类别的分割准确率。3. miou的计算原理与PyTorch实现3.1 IoU到底是什么它为什么是分割的硬指标IoUIntersection over Union中文叫交并比描述的是预测区域和真实区域的重叠程度IoU 预测正确像素数 / (真实像素数预测像素数 - 预测正确像素数)分子是预测和真实相交的像素数分母是两者总共占据的像素数。IoU越高说明预测和真实重叠越多IoU为1时预测和真实完全重合。它和Dice很像都是度量重叠的指标区别在数学关系上IoU Dice / (2 - Dice)所以两者是单调相关的。为什么评价分割模型时我们用miou而不是mDice因为IoU是分割领域的国际通用评价标准论文对比、竞赛排名、工业验收基本都认IoU系指标。你自己训练时可以看Dice但对外汇报一定要用miou。3.2 混淆矩阵的构建miou的基石miou的全称是Mean Intersection over Union就是所有类别的IoU取平均。在实现上一个绕不开的环节是混淆矩阵的计算。混淆矩阵是一个C×C的矩阵C为类别数第i行第j列表示真实类别为i、被预测为类别j的像素总数。有了混淆矩阵每个类别的IoU 对角元素 / (行和列和 - 对角元素)miou 所有类别IoU的均值代码实现思路是把模型输出的类别索引pred_mask打平成一维向量真实标签target_mask也打平成一维向量然后统计每一对真实值预测值出现的次数。def compute_iou_miou(pred_mask, target_mask, num_classes): pred_mask: [H, W], 每个值是预测类别索引 target_mask: [H, W], 每个值是真实类别索引 pred_mask pred_mask.flatten() target_mask target_mask.flatten() # 用bincount实现混淆矩阵统计 mask (target_mask 0) (target_mask num_classes) confusion_matrix torch.bincount( num_classes * target_mask[mask].to(torch.int64) pred_mask[mask].to(torch.int64), minlengthnum_classes ** 2 ).reshape(num_classes, num_classes) # 计算每个类别的IoU intersection torch.diag(confusion_matrix) union confusion_matrix.sum(dim1) confusion_matrix.sum(dim0) - intersection iou_per_class intersection / torch.clamp(union, min1e-10) miou iou_per_class.mean() return iou_per_class, miou这段代码是miou计算的标准实现我个人的经验是直接用torch.bincount而不是两层for循环原因有两个一是速度快尤其是在处理几百万像素时二是代码简洁不易错。如果你用纯Python去遍历像素512×512的图像一次就要算几十万次循环效率低到难以接受。3.3 多类别场景下的miou实现细节上面给的compute_iou_miou函数在单卡单batch场景下没问题但实际训练中我们通常是在整个验证集上计算指标而不是在单张图上。这就引出了两种做法第一种做法是对每张图单独计算混淆矩阵然后累计加总最后再算每个类别的IoU和miou。第二种做法是对每张图单独计算miou最后对所有图的miou取平均。这两个方法的结果在类别分布均衡时差不多但在类别分布极不均衡时会有差异。业界标准做法是先累计混淆矩阵再统一算指标。实际处理时我会定义一个Metric类来管理累计变量class SegmentationMetric: def __init__(self, num_classes): self.num_classes num_classes self.confusion_matrix torch.zeros(num_classes, num_classes, dtypetorch.int64) def update(self, pred_mask, target_mask): # pred_mask和target_mask是单张图的预测和标签 pred_mask pred_mask.flatten() target_mask target_mask.flatten() mask (target_mask 0) (target_mask self.num_classes) matrix torch.bincount( self.num_classes * target_mask[mask].to(torch.int64) pred_mask[mask].to(torch.int64), minlengthself.num_classes ** 2 ).reshape(self.num_classes, self.num_classes) self.confusion_matrix matrix def get_miou(self): intersection torch.diag(self.confusion_matrix) union self.confusion_matrix.sum(dim1) self.confusion_matrix.sum(dim0) - intersection iou intersection / torch.clamp(union, min1e-10) valid_class union 0 return iou[valid_class].mean()注意get_miou里我用了valid_class过滤掉完全没有出现的类别。这么做的原因如果验证集中某个类别没有真实样本它对应的IoU会变成0/0或0/一个小数直接参与求均值会把整体miou拉低给你一个假象——模型看起来很差其实只是因为验证集的类别覆盖不全。3.4 从pred到Argmaxmiou计算的前置动作模型输出的logits是[N, C, H, W]的浮点数要获得pred_mask必须沿着类别维度dim1取最大值索引logits model(image) # [N, C, H, W] pred_mask torch.argmax(logits, dim1) # [N, H, W]这里有一个细节需要提醒如果损失函数用的是CrossEntropyLossmiou计算用的也是同一个logits上的argmax结果这两者是对应的没有问题。但如果你在推理时给logits加过Softmax然后再argmax结果其实一样因为Softmax是单调递增函数取max的索引不会变。多做这一步徒增计算量不需要加。另外argmax的结果和logits共用显存它的计算图不会被保留所以你可以直接把它传进metric里不用担心影响梯度反传。只有loss的反传是在模型输出的logits上做的precision指标计算环节不需要梯度所以务必用torch.no_grad()包住推理和miou计算省显存也提速。4. 训练与评估框架的完整组织方式4.1 一套标准的训练循环应当包含哪些环节写代码时别把训练、验证、指标计算混在一起。我踩过几次混乱代码的坑之后现在一律按前向计算 → loss反传 → 验证集前向 → 指标累计 → 指标归一化分层组织。训练部分的核心循环大概是这个样子for epoch in range(epochs): model.train() train_loss 0.0 for images, masks in train_loader: images, masks images.to(device), masks.to(device) optimizer.zero_grad() logits model(images) loss criterion(logits, masks) loss.backward() optimizer.step() train_loss loss.item() avg_train_loss train_loss / len(train_loader) print(fEpoch {epoch} | Train Loss: {avg_train_loss:.4f})简单归简单但有三个细节值得注意。第一optimizer.zero_grad()必须在每次前向之前调用。如果漏掉梯度会在batch之间累加导致训练发散。新手最容易犯这个错还以为是学习率太大。第二loss的item()取值时机要注意。如果你用的是组合损失比如ce_loss dice_loss要在loss计算完之后、backward()之前把item()保存下来否则反传之后计算图被释放再取item()会报错。第三梯度裁剪在分割任务里很有必要。尤其是用了Dice Loss时早期梯度可能特别大容易出现loss一下子变成nan。建议在backward()之后加一句torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm5.0)max_norm5.0是我觉得比较稳妥的初始值如果你的模型更深或batch更大可以适当调低到1.0~3.0。4.2 验证集评估miou计算的完整执行流程验证集上要做的不是更新模型而是用当前的模型权重跑前向统计所有验证图片的混淆矩阵最后统一计算miou。这个流程和训练是分开的def evaluate(model, val_loader, num_classes, device): model.eval() metric SegmentationMetric(num_classes) with torch.no_grad(): for images, masks in val_loader: images, masks images.to(device), masks.to(device) logits model(images) pred_mask torch.argmax(logits, dim1) # 一张一张累计混淆矩阵 for i in range(pred_mask.shape[0]): metric.update(pred_mask[i], masks[i]) miou metric.get_miou() return miou这里有一个取舍问题为什么循环里每张图单独update而不是整个batch一起统计如果一整批图一起累计混淆矩阵其实也可以因为混淆矩阵本身是可累加的。只是第i张图的pred_mask[i]和masks[i]要一一对应混在一起统计会让调试时难以定位某张图的异常。分开写逻辑更清晰性能开销可以忽略不计。一个容易被忽略的点是**model.eval()和torch.no_grad()的差异**。model.eval()是切换模型的批次归一化和Dropout层的工作模式BN用全局统计量Dropout关闭而torch.no_grad()是关闭自动求导、不建计算图。验证时必须两个都写上缺一个都会出问题。如果只写eval()忘了no_grad()模型照样能跑但显存占用会明显上升如果只写no_grad()忘了eval()模型里如果有Dropout或BN推理结果就会变来变去不固定。4.3 损失函数和miou的调用顺序为什么不能乱训练循环里常见的一个错误是先算miou再算loss或者反过来其实这两者的依赖关系倒是无所谓真正要命的是把验证集的miou计算放进了训练循环且没有切断梯度。正确的顺序应该是训练集上前向得到logits → 算loss → 清空梯度 → backward → 优化器更新验证集上前向得到logits → argmax得到pred_mask → 更新混淆矩阵 → 所有batch累计完成后算miou我在项目里还遇到过一种场景有人在训练循环里每个epoch结束之后直接用验证集最小的loss来保存模型而不是用miou来筛选模型。这其实不如用miou因为loss和miou并不完全对应——模型过拟合时loss可能还行但miou已经明显下滑了。正确做法是把验证集miou作为模型保存的主要依据同时把验证集loss作为参考。5. 训练过程中典型问题与排查经验5.1 loss变成nan或负值怎么办这个问题的出现频率在分割任务中高得惊人。排查路径一般是这样第一步把输入数据过一遍模型确认模型输出不是nan。如果输入图像中有nan像素值前向传播就会把这些nan传播出来。用torch.isnan(images).any()检查一下或者加载完数据后做torch.isfinite断言。第二步排除损失函数自身问题。如果你自己写了Dice Loss请确认pred已经过Softmax以及target的值在[0, C-1]范围内。有时候你的mask里不小心出现了255因为opencv读图时把边缘或空洞的默认值设为255这会让CrossEntropyLoss直接报错或者让Dice的one-hot编码计算混乱。第三步检查梯度是否爆炸。在backward()之后、optimizer.step()之前临时加上max_grad max(p.grad.abs().max().item() for p in model.parameters() if p.grad is not None) print(fMax Grad: {max_grad:.4f})如果梯度值大于10甚至100说明梯度爆炸了需要降低学习率或启用梯度裁剪。5.2 训练集miou很高验证集miou很低过拟合信号我在训练一个两分类前景/背景分割模型时遇到过训练集miou到0.97验证集只有0.82。排查了一圈核心原因有两个。一个是数据分布不一致。训练集和验证集如果来自不同的采集设备、光照条件或标注风格模型在训练集上学到的是训练集的专属特征迁移到验证集上效果自然下降。解决思路是检查数据划分是否合理必要时做数据增强来缩小域差异比如颜色抖动、亮度变化。另一个是模型容量过大而数据量不足。Unet虽然卷积参数量不算特别大但如果你的训练集只有几百张图模型完全有能力记住训练集而学不到通用特征。解决方法是加强数据增强、加Dropout虽然分割用的Unet通常不加、增加权重衰减或者使用预训练权重做迁移学习。5.3 为什么miou总是0或数字很小这种问题一般是代码逻辑出错不是模型没训练好。第一个常见原因是argmax维度搞错了。注意分割输出是[N, C, H, W]如果你在dim0上做argmax取到的是batch维度完全错误。检查一下pred_mask的shape是不是[N, H, W]。第二个常见原因是混淆矩阵统计时类别索引错位。比如mask中类别值是1和2而模型输出是0和1等于两套编号体系对不上计算出的IoU接近0。把mask的类别唯一值打印出来对比一下print(torch.unique(masks))如果它显示的是[0, 255]那说明mask需要做二值化处理masks (masks 0).long()。如果显示[0, 1, 2, 3]那你需要设置num_classes4。第三个原因是验证集进行了resize导致标签错位。有的代码里训练时对图像和mask做了同样的resize但验证时只对图像做了resizemask没有跟上导致像素错位。这是我见过的最诡异的bug之一排查到怀疑人生其实只是预处理没有保持一致。5.4 经典问题排查速查表这里整理一份我在多个分割项目里沉淀下来的速查表直接对号入座症状可能原因排查方式loss为nan输入含nan、学习率过大、梯度爆炸torch.isnan检查输入降低lr加梯度裁剪loss为负数Dice Loss未过softmax检查pred是否经过softmaxmiou全部为0类别索引错位、argmax维度错误打印unique(masks)、检查pred_mask shapemiou过低但loss正常数据集领域差异、验证集预处理不一致检查train/val预处理是否统一训练不稳定组合loss中dice占比过大减小dice权重或改用CEDice的轻量组合验证集表现忽高忽低忘了model.eval()确认验证循环里调用了eval()单张图预测为全背景类别极度不平衡且只用交叉熵换Dice Loss或修改类别权重5.5 一个值得参考的验证集miou计算代码模板把上面的所有环节串起来整理成一个比较完整、开箱即用的验证代码模板。这个模板我在多个实验上迭代后基本稳定了可以直接参考torch.no_grad() def run_validation(model, val_loader, criterion, num_classes, device): model.eval() total_loss 0.0 metric SegmentationMetric(num_classes) for images, masks in val_loader: images images.to(device) masks masks.to(device) logits model(images) loss criterion(logits, masks) total_loss loss.item() pred torch.argmax(logits, dim1) for i in range(pred.size(0)): metric.update(pred[i], masks[i]) avg_loss total_loss / len(val_loader) iou_per_class, miou metric.get_miou() print(fVal Loss: {avg_loss:.4f} | mIoU: {miou:.4f}) print(Per-class IoU:, [%.4f % v for v in iou_per_class.tolist()]) return miou注意最后打印per-class IoU这个动作虽然简单但对观察模型在每个类别上的表现非常有用。有时候miou总体不错但某一个类别的IoU特别低如果不看per-class IoU你永远不知道模型具体哪里没学好。6. 两个常见实操场景的特殊处理6.1 二分类任务中的miou计算简化写法如果你做的是二分类分割只有一个前景类背景默认是0代码可以大幅简化。此时miou就是前景类的IoU混淆矩阵是2×2的def compute_binary_iou(pred_mask, target_mask): pred_mask pred_mask.flatten() target_mask target_mask.flatten() intersection ((pred_mask 1) (target_mask 1)).sum().float() union ((pred_mask 1) | (target_mask 1)).sum().float() iou intersection / torch.clamp(union, min1e-10) return iou这个写法简单粗暴但适合快速验证模型是否在正常工作不用引一整套Metric类非常适合二分类的初期调试。6.2 多GPU场景下metric同步的注意事项当你用DataParallel或DistributedDataParallel训练时模型的输出logits在多个GPU上验证miou时会在主卡上汇总。这时候混淆矩阵必须先在每张卡上各自累计最后再做AllReduce。如果用大白话讲就是每张卡算自己的混淆矩阵加到一起才是整个验证集的混淆矩阵。# DistributedDataParallel场景下, DistributedSampler会分好batch # 每张卡独立累计混淆矩阵, 最后统一 reduce def sync_confusion_matrix(confusion_matrix, device): torch.distributed.all_reduce(confusion_matrix, optorch.distributed.ReduceOp.SUM) return confusion_matrix这个操作要在update完所有验证数据之后、get_miou之前调用顺序反了数值就错了。6.3 训练过程中记录miou曲线的实用技巧每次epoch结束把miou记录下来训练完之后画成曲线能非常直观地看到模型是在稳定上升还是震荡。最简单的记录方式就是用一个列表存下来miou_history [] for epoch in range(epochs): # train... miou run_validation(...) miou_history.append(miou)后续想画图时直接plt.plot(miou_history)。我个人会同时记录训练loss和验证miou在一张图里双y轴这样可以清楚地看到loss在降、miou在涨的对应关系一旦出现loss降但miou不动甚至下降基本说明过拟合开始发生了。写在最后的一点经验说了这么多最后分享一个我最直接的感受损失函数和miou的计算代码本身其实不难难的是理解每个数值变化背后的含义。loss下降不代表模型变好了miou高了才能说明分割效果真的提升了。而miou的计算过程中混淆矩阵的累计方式、类别索引的对应关系、预处理的一致性这些细小的环节是真正决定你实验能不能复现、结果可不可信的关键。我在多个项目里反复踩过这些坑所以这篇文章里的很多建议都是用教训换来的希望你能少走这些弯路。后续如果再深入这个系列我会接着讲Unet的推理部署和模型剪枝加速到时候再和大家细聊。

Unet训练详解：损失函数与miou计算原理及PyTorch实现

相关推荐

AGV导航选型与调度实践：从差速模型到防死锁

ARIMA时间序列预测：从平稳性检验到Python落地实战

大数据挑战赛实战：特征工程、模型融合与防数据泄露全攻略

更多资讯

GitHub模拟登录的七层验证与Playwright工业级实践

6位数码管静态显示实战：基于74HC573锁存器的单片机驱动方案

企业资料喂给AI前，先搞懂三色分级与脱敏合规

数字龙虾：端侧小模型、量化与微调如何重塑AI生态

Java对象拷贝全解析：从浅拷贝到深拷贝的原理与实战避坑

JNativeHook 2.1.0 全局监听踩坑指南：JDK 11 + JNA 5.12.1 正确配置

今日更新

智能硬件视频会议集成：从芯片选型到场景落地的全栈实践

FFmpeg音视频处理与5路RTMP推流实战：从原理到118克盒子部署

RK3528+1GB内存如何变身直播节点？硬编解码与六协议实战复盘

本周精选

金融AI落地指南：从调研报告到技术选型与工程实践

大模型上下文成本与注意力优化技术深度解析——为何O(n²)平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测

基于GMM的语音识别系统原理与MATLAB实现详解

本月热门

我发现了一个新思路：用 Remotion + Claude Code 像写代码一样自动化生成短视频

Windows下 Codex 中 Chrome 和 Computer Use 插件不可用问题排查及解决参考方式：TaoToken 统一 Key 配置与验证

2026 大模型集体涨价：用 Python 做企业 Token 成本测算与选型避坑（附配置）

读完文章，想聊聊您的网站？