[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-100--Cranium":3,"tool-100--Cranium":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",151314,2,"2026-04-11T23:32:58",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":106,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":125,"updated_at":126,"faqs":127,"releases":156},6775,"100\u002FCranium","Cranium","🤖   A portable, header-only, artificial neural network library written in C99","Cranium 是一款专为轻量级环境设计的便携式人工神经网络库，完全采用标准 C99 语言编写。它致力于解决在资源受限设备或无法安装复杂依赖的环境中部署深度学习模型的难题，让开发者无需借助庞大的框架即可构建和运行神经网络。\n\n这款工具非常适合嵌入式系统开发者、C 语言爱好者以及需要在底层环境中进行算法原型验证的研究人员。由于 Cranium 是“仅头文件”（header-only）库，使用者只需将源码目录复制到项目中并包含头文件即可开始工作，极大地简化了集成流程。\n\n在技术特性上，Cranium 支持任意深度和结构的全连接前馈网络，内置了 Sigmoid、ReLU、Softmax 等多种激活函数，以及交叉熵和均方误差等损失函数。它提供了批量梯度下降、随机梯度下降等多种优化算法，并支持 L2 正则化、动量法及学习率衰减等高级训练技巧。其独特的亮点在于基于矩阵的计算方式保证了合理的运行速度，且可选集成 CBLAS 库以利用硬件加速矩阵乘法。此外，Cranium 还支持网络序列化，方便模型的保存与加载。对于追求极致精简和可控性的开发者而言，Cranium 是一个高效且灵活的选择。","\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F100_Cranium_readme_dd3993df1342.png\">\u003C\u002Fimg>\n\u003C\u002Fdiv>\n\n\u003Cbr>\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002F100\u002FCranium.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002F100\u002FCranium)\n[![MIT License](https:\u002F\u002Fimg.shields.io\u002Fdub\u002Fl\u002Fvibe-d.svg)](https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## *Cranium* is a portable, header-only, feedforward artificial neural network library written in vanilla C99. \n\n#### It supports fully-connected networks of arbitrary depth and structure, and should be reasonably fast as it uses a matrix-based approach to calculations. It is particularly suitable for low-resource machines or environments in which additional dependencies cannot be installed.\n\n#### Cranium supports CBLAS integration. Simply uncomment line 7 in ```matrix.h``` to enable the BLAS ```sgemm``` function for fast matrix multiplication.\n\n#### Check out the detailed documentation [here](https:\u002F\u002F100.github.io\u002FCranium\u002F) for information on individual structures and functions.\n\n\u003Chr>\n\n## Features\n* **Activation functions**\n    * sigmoid\n    * ReLU\n    * tanh\n    * softmax (*classification*)\n    * linear (*regression*)\n* **Loss functions**\n    * Cross-entropy loss (*classification*)\n    * Mean squared error (*regression*)\n* **Optimization algorithms** \n    * Batch Gradient Descent\n    * Stochastic Gradient Descent\n    * Mini-Batch Stochastic Gradient Descent\n* **L2 Regularization**\n* **Learning rate annealing**\n* **Simple momentum**\n* **Fan-in weight initialization**\n* **CBLAS support for fast matrix multiplication**\n* **Serializable networks**\n\n\u003Chr>\n\n## Usage\nSince Cranium is header-only, simply copy the ```src``` directory into your project, and ```#include \"src\u002Fcranium.h\"``` to begin using it. \n\nIts only required compiler dependency is from the ```\u003Cmath.h>``` header, so compile with ```-lm```.\n\nIf you are using CBLAS, you will also need to compile with ```-lcblas``` and include, via ```-I```, the path to wherever your particular machine's BLAS implementation is. Common ones include [OpenBLAS](http:\u002F\u002Fwww.openblas.net\u002F) and [ATLAS](http:\u002F\u002Fmath-atlas.sourceforge.net\u002F).\n\nIt has been tested to work perfectly fine with any level of gcc optimization, so feel free to use them. \n\n\u003Chr>\n\n## Example\n\n```c\n#include \"cranium.h\"\n\n\u002F*\nThis basic example program is the skeleton of a classification problem.\nThe training data should be in matrix form, where each row is a data point, and\n    each column is a feature. \nThe training classes should be in matrix form, where the ith row corresponds to\n    the ith training example, and each column is a 1 if it is of that class, and\n    0 otherwise. Each example may only be of 1 class.\n*\u002F\n\n\u002F\u002F create training data and target values (data collection not shown)\nint rows, features, classes;\nfloat** training;\nfloat** classes;\n\n\u002F\u002F create datasets to hold the data\nDataSet* trainingData = createDataSet(rows, features, training);\nDataSet* trainingClasses = createDataSet(rows, classes, classes);\n\n\u002F\u002F create network with 2 input neurons, 1 hidden layer with sigmoid\n\u002F\u002F activation function and 5 neurons, and 2 output neurons with softmax \n\u002F\u002F activation function\nsrand(time(NULL));\nsize_t hiddenSize[] = {5};\nActivation hiddenActivation[] = {sigmoid};\nNetwork* net = createNetwork(2, 1, hiddenSize, hiddenActivation, 2, softmax);\n\n\u002F\u002F train network with cross-entropy loss using Mini-Batch SGD\nParameterSet params;\nparams.network = net;\nparams.data = trainingData;\nparams.classes = trainingClasses;\nparams.lossFunction = CROSS_ENTROPY_LOSS;\nparams.batchSize = 20;\nparams.learningRate = .01;\nparams.searchTime = 5000;\nparams.regularizationStrength = .001;\nparams.momentumFactor = .9;\nparams.maxIters = 10000;\nparams.shuffle = 1;\nparams.verbose = 1;\noptimize(params);\n\n\u002F\u002F test accuracy of network after training\nprintf(\"Accuracy is %f\\n\", accuracy(net, trainingData, trainingClasses));\n\n\u002F\u002F get network's predictions on input data after training\nforwardPass(net, trainingData);\nint* predictions = predict(net);\nfree(predictions);\n\n\u002F\u002F save network to a file\nsaveNetwork(net, \"network\");\n\n\u002F\u002F free network and data\ndestroyNetwork(net);\ndestroyDataSet(trainingData);\ndestroyDataSet(trainingClasses);\n\n\u002F\u002F load previous network from file\nNetwork* previousNet = readNetwork(\"network\");\ndestroyNetwork(previousNet);\n```\n\n\u003Chr>\n\n## Building and Testing\n\nTo run tests, look in the ```tests``` folder. \n\nThe ```Makefile``` has commands to run each batch of unit tests, or all of them at once.\n\n\u003Chr>\n\n## Contributing\n\nFeel free to send a pull request if you want to add any features or if you find a bug.\n\nCheck the issues tab for some potential things to do.","\u003Cdiv align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F100_Cranium_readme_dd3993df1342.png\">\u003C\u002Fimg>\n\u003C\u002Fdiv>\n\n\u003Cbr>\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002F100\u002FCranium.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002F100\u002FCranium)\n[![MIT许可证](https:\u002F\u002Fimg.shields.io\u002Fdub\u002Fl\u002Fvibe-d.svg)](https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fblob\u002Fmaster\u002FLICENSE)\n\n## *Cranium* 是一个用纯 C99 编写的、可移植的、仅包含头文件的前馈人工神经网络库。\n\n#### 它支持任意深度和结构的全连接网络，并且由于采用了基于矩阵的计算方式，速度应该相当快。它特别适合资源受限的机器或无法安装额外依赖的环境。\n\n#### Cranium 支持 CBLAS 集成。只需取消注释 ```matrix.h``` 中的第 7 行，即可启用 BLAS 的 ```sgemm``` 函数，实现快速的矩阵乘法。\n\n#### 请查看详细的文档 [这里](https:\u002F\u002F100.github.io\u002FCranium\u002F)，以了解各个结构和函数的信息。\n\n\u003Chr>\n\n## 特性\n* **激活函数**\n    * sigmoid\n    * ReLU\n    * tanh\n    * softmax（分类）\n    * linear（回归）\n* **损失函数**\n    * 交叉熵损失（分类）\n    * 均方误差（回归）\n* **优化算法**\n    * 批量梯度下降\n    * 随机梯度下降\n    * 小批量随机梯度下降\n* **L2 正则化**\n* **学习率退火**\n* **简单动量**\n* **fan-in 权重初始化**\n* **CBLAS 支持快速矩阵乘法**\n* **可序列化的网络**\n\n\u003Chr>\n\n## 使用方法\n由于 Cranium 是仅包含头文件的库，只需将 ```src``` 目录复制到您的项目中，并使用 ```#include \"src\u002Fcranium.h\"``` 即可开始使用。\n\n它唯一的编译器依赖是 ```\u003Cmath.h>``` 头文件，因此编译时需要加上 ```-lm``` 参数。\n\n如果您使用 CBLAS，则还需要加上 ```-lcblas``` 参数，并通过 ```-I``` 指定您机器上 BLAS 实现的路径。常见的实现包括 [OpenBLAS](http:\u002F\u002Fwww.openblas.net\u002F) 和 [ATLAS](http:\u002F\u002Fmath-atlas.sourceforge.net\u002F)。\n\n经过测试，Cranium 在任何级别的 gcc 优化下都能正常工作，您可以放心使用这些优化选项。\n\n\u003Chr>\n\n## 示例\n\n```c\n#include \"cranium.h\"\n\n\u002F*\n这个基本示例程序是一个分类问题的框架。\n训练数据应以矩阵形式表示，其中每一行代表一个数据点，\n    每一列代表一个特征。\n训练标签也应以矩阵形式表示，第 i 行对应第 i 个训练样本，\n    每一列为 1 表示属于该类，为 0 表示不属于。\n每个样本只能属于一个类别。\n*\u002F\n\n\u002F\u002F 创建训练数据和目标值（数据收集过程未展示）\nint rows, features, classes;\nfloat** training;\nfloat** classes;\n\n\u002F\u002F 创建数据集来存储数据\nDataSet* trainingData = createDataSet(rows, features, training);\nDataSet* trainingClasses = createDataSet(rows, classes, classes);\n\n\u002F\u002F 创建一个包含 2 个输入神经元、1 层隐藏层（sigmoid 激活函数，5 个神经元）和 2 个输出神经元（softmax 激活函数）的网络\nsrand(time(NULL));\nsize_t hiddenSize[] = {5};\nActivation hiddenActivation[] = {sigmoid};\nNetwork* net = createNetwork(2, 1, hiddenSize, hiddenActivation, 2, softmax);\n\n\u002F\u002F 使用交叉熵损失和小批量随机梯度下降训练网络\nParameterSet params;\nparams.network = net;\nparams.data = trainingData;\nparams.classes = trainingClasses;\nparams.lossFunction = CROSS_ENTROPY_LOSS;\nparams.batchSize = 20;\nparams.learningRate = .01;\nparams.searchTime = 5000;\nparams.regularizationStrength = .001;\nparams.momentumFactor = .9;\nparams.maxIters = 10000;\nparams.shuffle = 1;\nparams.verbose = 1;\noptimize(params);\n\n\u002F\u002F 训练后测试网络的准确率\nprintf(\"准确率是 %f\\n\", accuracy(net, trainingData, trainingClasses));\n\n\u002F\u002F 获取网络在训练后的输入数据上的预测结果\nforwardPass(net, trainingData);\nint* predictions = predict(net);\nfree(predictions);\n\n\u002F\u002F 将网络保存到文件\nsaveNetwork(net, \"network\");\n\n\u002F\u002F 释放网络和数据\ndestroyNetwork(net);\ndestroyDataSet(trainingData);\ndestroyDataSet(trainingClasses);\n\n\u002F\u002F 从文件加载之前的网络\nNetwork* previousNet = readNetwork(\"network\");\ndestroyNetwork(previousNet);\n```\n\n\u003Chr>\n\n## 构建与测试\n要运行测试，请查看 ```tests``` 文件夹。\n\n```Makefile``` 中提供了运行每组单元测试或一次性运行所有测试的命令。\n\n\u003Chr>\n\n## 贡献\n如果您想添加新功能或发现 bug，请随时提交 pull request。\n\n请查看 issues 标签页，寻找一些可能的改进方向。","# Cranium 快速上手指南\n\nCranium 是一个轻量级、仅包含头文件的前馈人工神经网络库，采用纯 C99 编写。它无需复杂依赖，特别适合资源受限的环境或无法安装额外依赖的场景。\n\n## 环境准备\n\n*   **操作系统**：支持任何兼容 C99 标准的系统（Linux, macOS, Windows 等）。\n*   **编译器**：需要支持 C99 的编译器（如 `gcc` 或 `clang`）。\n*   **前置依赖**：\n    *   **基础模式**：仅需标准数学库 `\u003Cmath.h>`。\n    *   **高性能模式（可选）**：若需加速矩阵运算，需安装 CBLAS 实现（推荐 [OpenBLAS](http:\u002F\u002Fwww.openblas.net\u002F) 或 [ATLAS](http:\u002F\u002Fmath-atlas.sourceforge.net\u002F)）。\n        *   *国内加速建议*：在 Linux 环境下，可使用系统包管理器安装 OpenBLAS（例如 Ubuntu\u002FDebian: `sudo apt-get install libopenblas-dev`，CentOS: `sudo yum install openblas-devel`）。\n\n## 安装步骤\n\n由于 Cranium 是 **header-only**（仅头文件）库，无需编译安装，只需将源码复制到项目中即可。\n\n1.  **获取源码**\n    克隆仓库或下载源码包：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002F100\u002FCranium.git\n    ```\n\n2.  **集成到项目**\n    将 `Cranium\u002Fsrc` 目录复制到你自己的项目文件夹中。\n\n3.  **启用 CBLAS 加速（可选）**\n    如果需要更快的矩阵乘法性能，请打开 `src\u002Fmatrix.h` 文件，**取消注释第 7 行**以启用 BLAS `sgemm` 函数。\n\n## 基本使用\n\n### 1. 编译命令\n\n在你的代码中包含头文件并开始使用。\n\n*   **基础编译命令**（仅需数学库）：\n    ```bash\n    gcc your_program.c -lm -o your_program\n    ```\n\n*   **启用 CBLAS 的编译命令**：\n    需链接 cblas 库并指定头文件路径（以 OpenBLAS 为例）：\n    ```bash\n    gcc your_program.c -lcblas -I\u002Fpath\u002Fto\u002Fopenblas\u002Finclude -L\u002Fpath\u002Fto\u002Fopenblas\u002Flib -lopenblas -lm -o your_program\n    ```\n    *(注：请根据实际安装的 BLAS 库路径调整 `-I` 和 `-L` 参数)*\n\n### 2. 代码示例\n\n以下是一个完整的分类任务示例，展示了如何创建数据、构建网络、训练及预测：\n\n```c\n#include \"cranium.h\"\n#include \u003Cstdio.h>\n#include \u003Cstdlib.h>\n#include \u003Ctime.h>\n\nint main() {\n    \u002F\u002F 假设已准备好训练数据 (rows x features) 和目标标签 (rows x classes)\n    \u002F\u002F 数据格式：每行一个样本，每列一个特征\n    \u002F\u002F 标签格式：One-hot 编码，第 i 行对应第 i 个样本\n    int rows = 100;\n    int features = 2;\n    int classes = 2;\n    \n    \u002F\u002F 此处省略数据填充过程，实际使用时请分配并填充 training 和 classes 数组\n    float** training = malloc(rows * sizeof(float*));\n    float** classes_target = malloc(rows * sizeof(float*));\n    for(int i=0; i\u003Crows; i++) {\n        training[i] = malloc(features * sizeof(float));\n        classes_target[i] = malloc(classes * sizeof(float));\n        \u002F\u002F ... 填充数据 ...\n    }\n\n    \u002F\u002F 创建数据集对象\n    DataSet* trainingData = createDataSet(rows, features, training);\n    DataSet* trainingClasses = createDataSet(rows, classes, classes_target);\n\n    \u002F\u002F 初始化随机数种子\n    srand(time(NULL));\n\n    \u002F\u002F 创建网络结构：\n    \u002F\u002F 2 个输入神经元 -> 1 个隐藏层 (5 个神经元，sigmoid 激活) -> 2 个输出神经元 (softmax 激活)\n    size_t hiddenSize[] = {5};\n    Activation hiddenActivation[] = {sigmoid};\n    Network* net = createNetwork(2, 1, hiddenSize, hiddenActivation, 2, softmax);\n\n    \u002F\u002F 配置训练参数\n    ParameterSet params;\n    params.network = net;\n    params.data = trainingData;\n    params.classes = trainingClasses;\n    params.lossFunction = CROSS_ENTROPY_LOSS; \u002F\u002F 分类任务使用交叉熵损失\n    params.batchSize = 20;                    \u002F\u002F Mini-Batch 大小\n    params.learningRate = 0.01;\n    params.searchTime = 5000;\n    params.regularizationStrength = 0.001;    \u002F\u002F L2 正则化强度\n    params.momentumFactor = 0.9;              \u002F\u002F 动量因子\n    params.maxIters = 10000;                  \u002F\u002F 最大迭代次数\n    params.shuffle = 1;                       \u002F\u002F 打乱数据\n    params.verbose = 1;                       \u002F\u002F 输出训练日志\n\n    \u002F\u002F 开始训练 (使用 Mini-Batch SGD)\n    optimize(params);\n\n    \u002F\u002F 评估准确率\n    printf(\"Accuracy is %f\\n\", accuracy(net, trainingData, trainingClasses));\n\n    \u002F\u002F 进行预测\n    forwardPass(net, trainingData);\n    int* predictions = predict(net);\n    \u002F\u002F ... 使用 predictions ...\n    free(predictions);\n\n    \u002F\u002F 保存网络到文件\n    saveNetwork(net, \"network.model\");\n\n    \u002F\u002F 清理内存\n    destroyNetwork(net);\n    destroyDataSet(trainingData);\n    destroyDataSet(trainingClasses);\n    \n    \u002F\u002F 释放原始数据内存 (示例中手动分配的)\n    for(int i=0; i\u003Crows; i++) {\n        free(training[i]);\n        free(classes_target[i]);\n    }\n    free(training);\n    free(classes_target);\n\n    return 0;\n}\n```\n\n### 3. 加载已保存的网络\n\n若需使用之前训练好的模型：\n\n```c\n\u002F\u002F 从文件加载网络\nNetwork* previousNet = readNetwork(\"network.model\");\n\n\u002F\u002F ... 使用网络进行推理 ...\n\n\u002F\u002F 使用后销毁\ndestroyNetwork(previousNet);\n```","某嵌入式团队正在为一款低功耗工业传感器开发本地故障预测功能，需要在资源受限的 MCU 上直接运行神经网络模型。\n\n### 没有 Cranium 时\n- **依赖环境复杂**：传统深度学习框架体积庞大且依赖 Python 解释器或复杂的 C++ 运行时，无法在仅有几十 KB 内存的微控制器上部署。\n- **移植难度极高**：若手动用纯 C 重写网络推理代码，需自行实现矩阵运算、激活函数及反向传播算法，开发周期长达数周且极易出错。\n- **外部库限制多**：引入第三方数学库往往需要特定的操作系统支持或动态链接，违反了该项目“零外部依赖、静态编译”的安全合规要求。\n- **性能难以把控**：缺乏针对底层硬件优化的矩阵乘法实现，导致推理延迟过高，无法满足实时监测需求。\n\n### 使用 Cranium 后\n- **极致轻量集成**：仅需将 `cranium.h` 头文件复制到项目中即可编译，无需任何外部依赖或复杂的构建系统，完美适配裸机环境。\n- **开发效率飞跃**：利用其内置的全连接网络结构和 SGD 优化器，团队在一天内就完成了从模型训练到 C 代码嵌入的全流程。\n- **灵活加速选项**：通过简单取消注释即可启用 CBLAS 支持，在硬件允许时利用 `sgemm` 大幅提升矩阵运算速度，兼顾了兼容性与性能。\n- **功能完整可靠**：直接复用其成熟的 Sigmoid\u002FSoftmax 激活函数及交叉熵损失函数，确保了数值计算的稳定性与预测准确率。\n\nCranium 让开发者能在资源极度受限的嵌入式设备上，以最小的代码代价实现高效、原生的神经网络推理能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002F100_Cranium_dd3993df.png","100","Devin Soni","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002F100_2f7f7283.png",null,"@Airbnb","100.github.io","https:\u002F\u002Fgithub.com\u002F100",[80,84],{"name":81,"color":82,"percentage":83},"C","#555555",98.8,{"name":85,"color":86,"percentage":87},"Makefile","#427819",1.2,604,55,"2026-02-10T20:54:00","MIT",4,"Linux, macOS, Windows","不需要 GPU，仅支持 CPU 运行（可选集成 CBLAS 加速矩阵运算）","未说明（适用于低资源机器）",{"notes":97,"python":98,"dependencies":99},"这是一个仅包含头文件的轻量级神经网络库，无需安装额外依赖即可在低资源环境中运行。若需启用快速矩阵乘法，需取消注释 matrix.h 第 7 行并链接 CBLAS 库（如 OpenBLAS）。支持任意深度的全连接网络，适合嵌入式或受限环境。","不适用（纯 C99 库）",[100,101,102],"C99 编译器 (如 gcc)","math.h (编译时需链接 -lm)","OpenBLAS 或 ATLAS (可选，用于 CBLAS 加速)",[104,13,35,16,52,105,14,15],"音频","其他",[107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,122,123,124],"neural-network","machine-learning","c","embedded","blas","portable","cblas","c99","continuous-integration","travis-ci","classification","regression","header-only","artificial-neural-networks","feedforward-neural-network","matrix","vectorization","efficient","2026-03-27T02:49:30.150509","2026-04-12T09:06:37.681918",[128,133,138,142,147,152],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},30557,"如何在 C 项目的多个编译单元中正确包含 Cranium 头文件以避免重复定义错误？","为了支持在多个 .c 文件中包含头文件，必须将头文件中定义的所有函数添加 'static' 关键字。此外，需确保所有函数（如 createMatrixZeroes）都有正确的声明而不仅仅是定义。维护者已修复此问题，添加了 static 修饰符并补全了缺失的声明。","https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fissues\u002F1",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},30558,"训练数据矩阵和分类标签矩阵的正确格式是什么？","训练数据应为矩阵形式，每行代表一个数据点，每列代表一个特征。分类标签也应为矩阵形式，第 i 行对应第 i 个训练样本，每列代表一个类别：若属于该类则为 1，否则为 0（独热编码）。每个样本只能属于一个类别。例如，8 个特征、4 个类别的数据，输入层大小为 8，输出层大小为 4。","https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fissues\u002F10",{"id":139,"question_zh":140,"answer_zh":141,"source_url":137},30559,"为什么在使用 accuracy 函数时会触发断言错误 'data->cols == network->layers...size'？","这是一个代码逻辑错误。正确的断言应该是检查分类矩阵的列数是否等于网络输出层的大小，即应改为 'assert(classes->cols == network->layers[network->numLayers - 1]->size);'。原代码错误地检查了数据矩阵的列数。维护者已确认这是遗漏单元测试导致的失误并已修复。",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},30560,"README 示例代码中的变量命名是否存在冲突？","是的，存在命名冲突。示例中将整型变量和浮点型指针都命名为 'classes'。应将定义列数的整型变量重命名为 'cols'，即从 'int rows, features, classes;' 改为 'int rows, features, cols;'，并同步更新后续使用该变量的代码行。","https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fissues\u002F15",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},30561,"如何配置 Cranium 以支持 BLAS 实现（如 CUDA BLAS）？","库已更新支持可选的 BLAS 实现作为配置选项。为了启用 BLAS（包括 CUDA BLAS），需要将内部数据结构从“指向指针的指针”替换为“单个指针配合索引访问函数”。这使得库能够与外部优化的 BLAS 库兼容。具体配置需在编译时开启相应选项并链接对应的 BLAS 库。","https:\u002F\u002Fgithub.com\u002F100\u002FCranium\u002Fissues\u002F3",{"id":153,"question_zh":154,"answer_zh":155,"source_url":137},30562,"Cranium 是否支持双精度（double）和单精度（float）浮点数？","是的，最新版本已增加对 double 和 float 类型的支持。用户可以根据需求选择数据类型进行编译和使用。此外，项目还进行了大量重构以支持这些特性及 CUDA BLAS 集成。",[]]