[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Ahmkel--Keras-Project-Template":3,"tool-Ahmkel--Keras-Project-Template":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":75,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":86,"difficulty_score":32,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":96,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":97,"updated_at":98,"faqs":99,"releases":110},4827,"Ahmkel\u002FKeras-Project-Template","Keras-Project-Template","A project template to simplify building and training deep learning models using Keras.","Keras-Project-Template 是一个专为简化 Keras 深度学习模型构建与训练而设计的项目模板。它旨在解决开发者在启动新实验时，常面临的代码结构混乱、重复编写基础逻辑（如数据加载、模型定义、训练循环）以及缺乏统一配置管理等问题。\n\n通过提供一套清晰的标准项目架构，该模板让用户只需专注于核心业务逻辑：定义数据加载类、继承基类创建模型与训练器，并配置实验参数即可快速运行。其目录结构明确分离了模型、训练器、数据加载器和配置文件，极大地提升了代码的可读性与可维护性。\n\n此外，Keras-Project-Template 内置了对 TensorBoard 可视化和 Comet.ml 实验追踪的原生支持，用户不仅能轻松监控训练过程中的损失与指标变化，还能实时记录超参数、依赖项及生成图表，实现高效的实验版本控制。\n\n这款工具非常适合需要频繁进行模型迭代研究的 AI 工程师、学术研究人员以及希望规范代码流程的深度学习开发者。对于想要从零搭建稳健训练框架但不愿陷入繁琐工程细节的用户来说，它是一个高效且专业的起步选择。","# Keras Project Template [![CometML](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcomet.ml-track-brightgreen.svg)](https:\u002F\u002Fwww.comet.ml)\n\nA project template to simplify building and training deep learning models using Keras.\n\n# Table of contents\n\n- [Getting Started](#getting-started)\n- [Running The Demo Project](#running-the-demo-project)\n- [Comet.ml Integration](#cometml-integration)\n- [Template Details](#template-details)\n    - [Project Architecture](#project-architecture)\n    - [Folder Structure](#folder-structure)\n    - [Main Components](#main-components)\n- [Future Work](#future-work)\n- [Example Projects](#example-projects)\n- [Contributing](#contributing)\n- [Acknowledgements](#acknowledgements)\n\n# Getting Started\nThis template allows you to simply build and train deep learning models with checkpoints and tensorboard visualization.\n\nIn order to use the template you have to:\n1. Define a data loader class.\n2. Define a model class that inherits from BaseModel.\n3. Define a trainer class that inherits.\n4. Define a configuration file with the parameters needed in an experiment.\n5. Run the model using:\n```shell\npython main.py -c [path to configuration file]\n```\n\n# Running The Demo Project\nA simple model for the mnist dataset is available to test the template.\nTo run the demo project:\n1. Start the training using:\n```shell\npython main.py -c configs\u002Fsimple_mnist_config.json\n```\n2. Start Tensorboard visualization using:\n```shell\ntensorboard --logdir=experiments\u002Fsimple_mnist\u002Flogs\n```\n\n\u003Cdiv align=\"center\">\n\n\u003Cimg align=\"center\" width=\"600\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAhmkel_Keras-Project-Template_readme_e310b8e8a5cf.png\">\n\n\u003C\u002Fdiv>\n\n# Comet.ml Integration\nThis template also supports reporting to Comet.ml which allows you to see all your hyper-params, metrics, graphs, dependencies and more including real-time metric.\n\nAdd your API key [in the configuration file](configs\u002Fsimple_mnist_config.json#L15):\n\n\nFor example:  `\"comet_api_key\": \"your key here\"`\n\nHere's how it looks after you start training:\n\u003Cdiv align=\"center\">\n\n\u003Cimg align=\"center\" width=\"800\" src=\"https:\u002F\u002Fcomet-ml.nyc3.digitaloceanspaces.com\u002FCometDemo.gif\">\n\n\u003C\u002Fdiv>\n\nYou can also link your Github repository to your comet.ml project for full version control.\n\n\n# Template Details\n\n## Project Architecture\n\n\u003Cdiv align=\"center\">\n\n\u003Cimg align=\"center\" width=\"600\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAhmkel_Keras-Project-Template_readme_8a2e9f8034d1.jpg\">\n\n\u003C\u002Fdiv>\n\n\n## Folder Structure\n\n```\n├── main.py             - here's an example of main that is responsible for the whole pipeline.\n│\n│\n├── base                - this folder contains the abstract classes of the project components\n│   ├── base_data_loader.py   - this file contains the abstract class of the data loader.\n│   ├── base_model.py   - this file contains the abstract class of the model.\n│   └── base_train.py   - this file contains the abstract class of the trainer.\n│\n│\n├── model               - this folder contains the models of your project.\n│   └── simple_mnist_model.py\n│\n│\n├── trainer             - this folder contains the trainers of your project.\n│   └── simple_mnist_trainer.py\n│\n|\n├── data_loader         - this folder contains the data loaders of your project.\n│   └── simple_mnist_data_loader.py\n│\n│\n├── configs             - this folder contains the experiment and model configs of your project.\n│   └── simple_mnist_config.json\n│\n│\n├── datasets            - this folder might contain the datasets of your project.\n│\n│\n└── utils               - this folder contains any utils you need.\n     ├── config.py      - util functions for parsing the config files.\n     ├── dirs.py        - util functions for creating directories.\n     └── utils.py       - util functions for parsing arguments.\n```\n\n\n## Main Components\n\n### Models\nYou need to:\n1. Create a model class that inherits from **BaseModel**.\n2. Override the ***build_model*** function which defines your model.\n3. Call ***build_model*** function from the constructor.\n\n\n### Trainers\nYou need to:\n1. Create a trainer class that inherits from **BaseTrainer**.\n2. Override the ***train*** function which defines the training logic.\n\n**Note:** To add functionalities after each training epoch such as saving checkpoints or logs for tensorboard using Keras callbacks:\n1. Declare a callbacks array in your constructor.\n2. Define an ***init_callbacks*** function to populate your callbacks array and call it in your constructor.\n3. Pass the callbacks array to the ***fit*** function on the model object.\n\n**Note:** You can use ***fit_generator*** instead of ***fit*** to support generating new batches of data instead of loading the whole dataset at one time.\n\n### Data Loaders\nYou need to:\n1. Create a data loader class that inherits from **BaseDataLoader**.\n2. Override the ***get_train_data()*** and the ***get_test_data()*** functions to return your train and test dataset splits.\n\n**Note:** You can also define a different logic where the data loader class has a function ***get_next_batch*** if you want the data reader to read batches from your dataset each time.\n\n### Configs\nYou need to define a .json file that contains your experiment and model configurations such as the experiment name, the batch size, and the number of epochs.\n\n\n### Main\nResponsible for building the pipeline.\n1. Parse the config file\n2. Create an instance of your data loader class.\n3. Create an instance of your model class.\n4. Create an instance of your trainer class.\n5. Train your model using \".Train()\" function on the trainer object.\n\n### From Config\nWe can now load models without having to explicitly create an instance of each class. Look at:\n1. from_config.py: this can load any config file set up to point to the right modules\u002Fclasses to import\n2. Look at configs\u002Fsimple_mnist_from_config.json to get an idea of how this works from the config. Run it with:\n```shell\npython from_config.py -c configs\u002Fsimple_mnist_from_config.json\n```\n3. See conv_mnist_from_config.json (and the additional data_loader\u002Fmodel) to see how easy it is to run a different experiment with just a different config file:\n```shell\npython from_config.py -c configs\u002Fconv_mnist_from_config.json\n```\n\n# Example Projects\n* [Toxic comments classification using Convolutional Neural Networks and Word Embedding](https:\u002F\u002Fgithub.com\u002FAhmkel\u002FToxic-Comments-Competition-Kaggle)\n\n\n# Future Work\nCreate a command line tool for Keras project scaffolding where the user defines a data loader, a model, a trainer and runs the tool to generate the whole project. (This is somewhat complete now by loading each of these from the config)\n\n\n# Contributing\nAny contributions are welcome including improving the template and example projects.\n\n# Acknowledgements\nThis project template is based on [MrGemy95](https:\u002F\u002Fgithub.com\u002FMrGemy95)'s [Tensorflow Project Template](https:\u002F\u002Fgithub.com\u002FMrGemy95\u002FTensorflow-Project-Template).\n\n\nThanks for my colleagues [Mahmoud Khaled](https:\u002F\u002Fgithub.com\u002FMahmoudKhaledAli), [Ahmed Waleed](https:\u002F\u002Fgithub.com\u002FRombux) and [Ahmed El-Gammal](https:\u002F\u002Fgithub.com\u002FAGammal) who worked on the initial project that spawned this template.\n","# Keras 项目模板 [![CometML](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcomet.ml-track-brightgreen.svg)](https:\u002F\u002Fwww.comet.ml)\n\n一个用于简化使用 Keras 构建和训练深度学习模型的项目模板。\n\n# 目录\n\n- [快速入门](#getting-started)\n- [运行示例项目](#running-the-demo-project)\n- [Comet.ml 集成](#cometml-integration)\n- [模板详情](#template-details)\n    - [项目架构](#project-architecture)\n    - [文件夹结构](#folder-structure)\n    - [主要组件](#main-components)\n- [未来工作](#future-work)\n- [示例项目](#example-projects)\n- [贡献](#contributing)\n- [致谢](#acknowledgements)\n\n# 快速入门\n该模板允许您轻松构建和训练带有检查点及 TensorBoard 可视化的深度学习模型。\n\n要使用此模板，您需要：\n1. 定义一个数据加载器类。\n2. 定义一个继承自 BaseModel 的模型类。\n3. 定义一个继承自 Trainer 的训练器类。\n4. 创建一个包含实验所需参数的配置文件。\n5. 使用以下命令运行模型：\n```shell\npython main.py -c [配置文件路径]\n```\n\n# 运行示例项目\n提供了一个用于 MNIST 数据集的简单模型，可用于测试此模板。\n运行示例项目步骤如下：\n1. 启动训练：\n```shell\npython main.py -c configs\u002Fsimple_mnist_config.json\n```\n2. 启动 TensorBoard 可视化：\n```shell\ntensorboard --logdir=experiments\u002Fsimple_mnist\u002Flogs\n```\n\n\u003Cdiv align=\"center\">\n\n\u003Cimg align=\"center\" width=\"600\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAhmkel_Keras-Project-Template_readme_e310b8e8a5cf.png\">\n\n\u003C\u002Fdiv>\n\n# Comet.ml 集成\n该模板还支持向 Comet.ml 报告实验信息，使您能够查看所有超参数、指标、图表、依赖项等，包括实时指标。\n\n在配置文件中添加您的 API 密钥 [configs\u002Fsimple_mnist_config.json#L15]：\n\n例如：`\"comet_api_key\": \"your key here\"`\n\n开始训练后，界面如下所示：\n\u003Cdiv align=\"center\">\n\n\u003Cimg align=\"center\" width=\"800\" src=\"https:\u002F\u002Fcomet-ml.nyc3.digitaloceanspaces.com\u002FCometDemo.gif\">\n\n\u003C\u002Fdiv>\n\n您还可以将 GitHub 仓库与 Comet.ml 项目关联，以实现完整的版本控制。\n\n# 模板详情\n\n## 项目架构\n\n\u003Cdiv align=\"center\">\n\n\u003Cimg align=\"center\" width=\"600\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAhmkel_Keras-Project-Template_readme_8a2e9f8034d1.jpg\">\n\n\u003C\u002Fdiv>\n\n\n## 文件夹结构\n\n```\n├── main.py             - 这是一个负责整个流水线的主程序示例。\n│\n│\n├── base                - 此文件夹包含项目组件的抽象类\n│   ├── base_data_loader.py   - 此文件包含数据加载器的抽象类。\n│   ├── base_model.py   - 此文件包含模型的抽象类。\n│   └── base_train.py   - 此文件包含训练器的抽象类。\n│\n│\n├── model               - 此文件夹包含您的项目模型。\n│   └── simple_mnist_model.py\n│\n│\n├── trainer             - 此文件夹包含您的项目训练器。\n│   └── simple_mnist_trainer.py\n│\n|\n├── data_loader         - 此文件夹包含您的项目数据加载器。\n│   └── simple_mnist_data_loader.py\n│\n│\n├── configs             - 此文件夹包含您的项目实验和模型配置。\n│   └── simple_mnist_config.json\n│\n│\n├── datasets            - 此文件夹可能包含您的项目数据集。\n│\n│\n└── utils               - 此文件夹包含您所需的工具函数。\n     ├── config.py      - 用于解析配置文件的实用函数。\n     ├── dirs.py        - 用于创建目录的实用函数。\n     └── utils.py       - 用于解析命令行参数的实用函数。\n```\n\n\n## 主要组件\n\n### 模型\n您需要：\n1. 创建一个继承自 **BaseModel** 的模型类。\n2. 重写 ***build_model*** 方法来定义您的模型。\n3. 在构造函数中调用 ***build_model*** 方法。\n\n### 训练器\n您需要：\n1. 创建一个继承自 **BaseTrainer** 的训练器类。\n2. 重写 ***train*** 方法来定义训练逻辑。\n\n**注意：** 若要在每个训练周期后添加功能，例如保存检查点或使用 Keras 回调记录 TensorBoard 日志：\n1. 在构造函数中声明一个回调数组。\n2. 定义一个 ***init_callbacks*** 方法来填充回调数组，并在构造函数中调用它。\n3. 将回调数组传递给模型对象上的 ***fit*** 方法。\n\n**注意：** 您可以使用 ***fit_generator*** 替代 ***fit***，以支持生成新的数据批次，而不是一次性加载整个数据集。\n\n### 数据加载器\n您需要：\n1. 创建一个继承自 **BaseDataLoader** 的数据加载器类。\n2. 重写 ***get_train_data()*** 和 ***get_test_data()*** 方法，以返回您的训练和测试数据集划分。\n\n**注意：** 如果您希望数据读取器每次从数据集中读取一批数据，也可以定义一个不同的逻辑，即数据加载器类具有 ***get_next_batch*** 方法。\n\n### 配置\n您需要定义一个包含实验和模型配置的 .json 文件，例如实验名称、批量大小和 epoch 数量。\n\n### 主程序\n负责构建整个流水线：\n1. 解析配置文件。\n2. 创建数据加载器类的实例。\n3. 创建模型类的实例。\n4. 创建训练器类的实例。\n5. 使用训练器对象上的 \".Train()\" 方法训练模型。\n\n### 从配置加载\n现在我们可以无需显式创建每个类的实例即可加载模型。请参阅：\n1. from_config.py：此脚本可以加载任何配置文件，这些配置文件会指向正确的模块\u002F类进行导入。\n2. 查看 configs\u002Fsimple_mnist_from_config.json，了解如何通过配置文件实现这一点。运行命令如下：\n```shell\npython from_config.py -c configs\u002Fsimple_mnist_from_config.json\n```\n3. 查看 conv_mnist_from_config.json（以及额外的数据加载器\u002F模型），以了解仅需更换配置文件即可轻松运行不同实验：\n```shell\npython from_config.py -c configs\u002Fconv_mnist_from_config.json\n```\n\n# 示例项目\n* [使用卷积神经网络和词嵌入对有毒评论进行分类](https:\u002F\u002Fgithub.com\u002FAhmkel\u002FToxic-Comments-Competition-Kaggle)\n\n\n# 未来工作\n开发一个用于 Keras 项目脚手架的命令行工具，用户只需定义数据加载器、模型和训练器，然后运行该工具即可生成整个项目。（目前通过从配置文件中加载这些组件已基本实现）\n\n\n# 贡献\n欢迎任何形式的贡献，包括改进模板和示例项目。\n\n# 致谢\n本项目模板基于 [MrGemy95](https:\u002F\u002Fgithub.com\u002FMrGemy95) 的 [TensorFlow 项目模板](https:\u002F\u002Fgithub.com\u002FMrGemy95\u002FTensorflow-Project-Template)。\n\n感谢我的同事 [Mahmoud Khaled](https:\u002F\u002Fgithub.com\u002FMahmoudKhaledAli)、[Ahmed Waleed](https:\u002F\u002Fgithub.com\u002FRombux) 和 [Ahmed El-Gammal](https:\u002F\u002Fgithub.com\u002FAGammal)，他们曾参与最初孕育出该模板的项目。","# Keras-Project-Template 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux, macOS 或 Windows\n*   **Python**: 建议 Python 3.6+\n*   **核心依赖**:\n    *   TensorFlow (包含 Keras)\n    *   Comet.ml (可选，用于实验追踪)\n    *   TensorBoard (用于可视化)\n\n**安装前置依赖：**\n\n```bash\npip install tensorflow comet_ml tensorboard\n```\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速安装：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow comet_ml tensorboard`\n\n## 安装步骤\n\n本项目是一个项目模板，无需通过 `pip` 安装库文件，直接克隆仓库即可使用。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FAhmkel\u002FKeras-Project-Template.git\n    cd Keras-Project-Template\n    ```\n\n2.  **验证目录结构**\n    确保您看到以下核心文件夹：\n    *   `base\u002F`: 包含数据加载器、模型和训练器的抽象基类。\n    *   `model\u002F`, `trainer\u002F`, `data_loader\u002F`: 存放具体实现的文件夹。\n    *   `configs\u002F`: 存放实验配置文件 (.json)。\n    *   `main.py`: 启动脚本。\n\n## 基本使用\n\n本模板通过定义类继承基类并配置 JSON 文件来运行实验。以下是运行内置 MNIST 演示项目的最简步骤。\n\n### 1. 运行演示项目\n\n直接使用提供的配置文件启动训练：\n\n```bash\npython main.py -c configs\u002Fsimple_mnist_config.json\n```\n\n### 2. 查看训练可视化 (TensorBoard)\n\n训练开始后，在另一个终端窗口运行以下命令查看实时日志和指标：\n\n```bash\ntensorboard --logdir=experiments\u002Fsimple_mnist\u002Flogs\n```\n\n然后在浏览器中访问显示的地址（通常为 `http:\u002F\u002Flocalhost:6006`）。\n\n### 3. 自定义开发流程\n\n若要基于此模板开发自己的项目，需遵循以下五个步骤：\n\n1.  **定义数据加载器**: 在 `data_loader\u002F` 创建新类，继承 `BaseDataLoader`，并重写 `get_train_data()` 和 `get_test_data()`。\n2.  **定义模型**: 在 `model\u002F` 创建新类，继承 `BaseModel`，重写 `build_model()` 并在构造函数中调用它。\n3.  **定义训练器**: 在 `trainer\u002F` 创建新类，继承 `BaseTrainer`，重写 `train()` 函数定义训练逻辑。\n    *   *注*: 如需保存检查点或使用 TensorBoard 回调，请在构造函数中定义 `callbacks` 数组并将其传递给模型的 `fit` 函数。\n4.  **编写配置文件**: 在 `configs\u002F` 新建 `.json` 文件，配置实验名称、批大小 (batch_size)、轮数 (epochs) 及模块路径。\n5.  **运行实验**:\n    ```bash\n    python main.py -c [path\u002Fto\u002Fyour\u002Fconfig.json]\n    ```\n\n### 进阶：完全通过配置驱动\n\n模板支持 `from_config.py`，允许仅通过修改配置文件来切换不同的模型和数据集，而无需修改主代码逻辑：\n\n```bash\npython from_config.py -c configs\u002Fsimple_mnist_from_config.json\n```","某初创公司的算法工程师小李正负责开发一个基于 MNIST 变体的手写数字识别模型，需要在两周内完成从原型验证到多轮超参数调优的全过程。\n\n### 没有 Keras-Project-Template 时\n- **代码结构混乱**：每次新建实验都要手动创建文件夹，数据加载、模型定义和训练逻辑混杂在同一个脚本中，难以维护和复用。\n- **配置管理困难**：学习率、批次大小等超参数硬编码在代码里，每次调整都需要修改源码并重新提交，极易出错且无法追溯历史配置。\n- **监控手段缺失**：缺乏统一的日志记录机制，只能靠打印语句查看训练进度，无法实时可视化损失曲线或对比不同实验的性能指标。\n- **协作效率低下**：团队成员各自为战，项目目录风格不一，新人接手旧代码需要花费大量时间理清架构，严重拖慢迭代速度。\n\n### 使用 Keras-Project-Template 后\n- **架构清晰规范**：直接沿用模板预设的目录结构，将数据加载器、模型类和训练器分离存放，代码模块化程度高，新增功能只需继承基类即可。\n- **配置灵活可控**：通过 JSON 配置文件统一管理所有实验参数，一键切换不同实验设置，无需改动核心代码，版本控制更加轻松。\n- **可视化无缝集成**：内置 TensorBoard 和 Comet.ml 支持，启动训练后自动记录指标并生成实时图表，直观展示模型收敛情况与超参数影响。\n- **团队协作顺畅**：标准化的项目骨架让成员快速上手，大家遵循同一套开发规范，代码审查和合并变得高效有序。\n\nKeras-Project-Template 通过提供标准化的工程骨架和自动化监控能力，将深度学习研发从“手工作坊”升级为“流水线作业”，显著提升了实验迭代效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAhmkel_Keras-Project-Template_e310b8e8.png","Ahmkel","Ahmed Hamada Mohamed Kamel El-Hinidy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAhmkel_8601e8d2.jpg",null,"Ahmed.El-Hinidy.2014@ieee.org","https:\u002F\u002Fgithub.com\u002FAhmkel",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,797,186,"2026-03-10T06:42:26","Apache-2.0","","未说明",{"notes":90,"python":88,"dependencies":91},"该项目是一个基于 Keras 的深度学习项目模板，支持通过配置文件启动训练。集成了 TensorBoard 进行可视化以及 Comet.ml 进行实验追踪。运行示例需要 MNIST 数据集（代码中可能自动下载或需手动放置于 datasets 文件夹）。具体依赖版本未在文档中列出，通常需安装与 Keras 兼容的 TensorFlow 版本。",[92,93,94,95],"Keras","TensorFlow","TensorBoard","Comet.ml",[14],"2026-03-27T02:49:30.150509","2026-04-07T11:44:16.400398",[100,105],{"id":101,"question_zh":102,"answer_zh":103,"source_url":104},21943,"Comet-ML API 密钥的测试代码为什么总是返回 true？","这是因为 self.config 是一个 dotmap.DotMap 对象，导致原有的判断逻辑失效。解决方法是将判断条件修改为：if (\"comet_api_key\" in self.config):，这样即可正常工作。","https:\u002F\u002Fgithub.com\u002FAhmkel\u002FKeras-Project-Template\u002Fissues\u002F8",{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},21944,"运行代码时遇到 'TypeError: super() argument 1 must be type, not classobj' 错误怎么办？","该错误通常出现在 Python 2.7 环境中，是因为类定义方式不兼容导致的。这是一个已知的 Python 2 问题，建议参考 StackOverflow 上的相关讨论（https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F1713038\u002Fsuper-fails-with-error-typeerror-argument-1-must-be-type-not-classobj）进行修复，或者强烈建议升级到 Python 3 以避免此类兼容性错误。","https:\u002F\u002Fgithub.com\u002FAhmkel\u002FKeras-Project-Template\u002Fissues\u002F3",[]]