[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-Artelnics--opennn":3,"similar-Artelnics--opennn":152},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":14,"owner_avatar_url":15,"owner_bio":16,"owner_company":17,"owner_location":17,"owner_email":18,"owner_twitter":17,"owner_website":19,"owner_url":20,"languages":21,"stars":59,"forks":60,"last_commit_at":61,"license":62,"difficulty_score":63,"env_os":64,"env_gpu":65,"env_ram":65,"env_deps":66,"category_tags":69,"github_topics":17,"view_count":72,"oss_zip_url":17,"oss_zip_packed_at":17,"status":73,"created_at":74,"updated_at":75,"faqs":76,"releases":106},1267,"Artelnics\u002Fopennn","opennn","OpenNN - Open Neural Networks Library","opennn 是一个用 C++ 编写的开源神经网络库，专注于实现高性能的机器学习模型。它为需要处理复杂数据分析任务的用户提供了一套强大的工具，尤其适用于构建和训练各种神经网络模型。\n\nopennn 的主要优势在于其出色的执行速度和内存管理能力，通过持续优化和并行化处理，确保在处理大规模数据时依然保持高效。这使得它在多个领域都有广泛应用，例如商业智能中的客户细分与流失预测、医疗健康中的早期诊断与基因数据分析，以及工程领域的性能优化与预测性维护等。\n\nopennn 适合有一定编程基础的开发者和研究人员使用，尤其是那些希望在实际项目中快速部署神经网络模型的人群。对于希望深入理解神经网络原理或进行算法研究的用户来说，它也提供了丰富的教程和示例作为参考。\n\n作为一个专注于人工智能的公司 Artelnics 开发的工具，opennn 在设计上兼顾了实用性与扩展性，能够满足从研究到生产环境的不同需求。","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"http:\u002F\u002Fwww.opennn.net\u002Fimages\u002Fopennn_git_logo.svg\">\n\u003C\u002Fdiv>\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002F{ORG-or-USERNAME}\u002F{REPO-NAME}.png?branch=master)](https:\u002F\u002Ftravis-ci.org\u002FArtelnics\u002Fopennn)\n\nOpenNN is a software library written in C++ for advanced analytics. It implements neural networks, the most successful machine learning method. \n\nThe main advantage of OpenNN is its high performance. \n\nThis library outstands in terms of execution speed and memory allocation. It is constantly optimized and parallelized in order to maximize its efficiency.\n\nSome typical applications of OpenNN are business intelligence (customer segmentation, churn prevention...), health care (early diagnosis, microarray analysis,...) and engineering (performance optimization, predictive maitenance...).\n\nThe documentation is composed by tutorials and examples to offer a complete overview about the library. \n\nThe documentation can be found at the official \u003Ca href=\"http:\u002F\u002Fopennn.net\" target=\"_blank\">OpenNN site\u003C\u002Fa>.\n\nCMakeLists.txt are build files for CMake, it is also used by the CLion IDE.\n\nThe .pro files are project files for the Qt Creator IDE, which can be downloaded from its \u003Ca href=\"http:\u002F\u002Fwww.qt.io\" target=\"_blank\">site\u003C\u002Fa>. Note that OpenNN does not make use of the Qt library. \n\nOpenNN is developed by \u003Ca href=\"http:\u002F\u002Fartelnics.com\" target=\"_blank\">Artelnics\u003C\u002Fa>, a company specialized in artificial intelligence. \n","\u003Cdiv align=\"center\">\n  \u003Cimg src=\"http:\u002F\u002Fwww.opennn.net\u002Fimages\u002Fopennn_git_logo.svg\">\n\u003C\u002Fdiv>\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002F{ORG-or-USERNAME}\u002F{REPO-NAME}.png?branch=master)](https:\u002F\u002Ftravis-ci.org\u002FArtelnics\u002Fopennn)\n\nOpenNN 是一个用 C++ 编写的高级分析软件库，实现了神经网络——这一最成功的机器学习方法。\n\nOpenNN 的主要优势在于其高性能。\n\n该库在执行速度和内存分配方面表现突出，并且不断进行优化与并行化，以最大限度地提升效率。\n\nOpenNN 的典型应用包括商业智能（客户细分、流失预防等）、医疗健康（早期诊断、微阵列分析等）以及工程领域（性能优化、预测性维护等）。\n\n文档由教程和示例组成，旨在全面介绍该库的功能与使用方法。\n\n文档可在官方 \u003Ca href=\"http:\u002F\u002Fopennn.net\" target=\"_blank\">OpenNN 官网\u003C\u002Fa> 上查阅。\n\nCMakeLists.txt 是 CMake 的构建文件，CLion IDE 也使用这些文件。\n\n.pro 文件则是 Qt Creator IDE 的项目文件，可从其 \u003Ca href=\"http:\u002F\u002Fwww.qt.io\" target=\"_blank\">官网\u003C\u002Fa> 下载。需要注意的是，OpenNN 并未使用 Qt 库。\n\nOpenNN 由专注于人工智能的公司 \u003Ca href=\"http:\u002F\u002Fartelnics.com\" target=\"_blank\">Artelnics\u003C\u002Fa> 开发。","# OpenNN 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：支持 Linux、Windows 和 macOS\n- 编译器：C++11 或更高版本（推荐使用 GCC 或 Clang）\n- CMake：3.0 或更高版本（用于构建项目）\n\n### 前置依赖\n- CMake（用于构建）\n- 无 Qt 依赖（虽然提供 `.pro` 文件用于 Qt Creator，但 OpenNN 本身不使用 Qt 库）\n\n---\n\n## 安装步骤\n\n### 从源码安装\n\n1. 克隆仓库到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FArtelnics\u002Fopennn.git\n   ```\n\n2. 进入项目目录：\n   ```bash\n   cd opennn\n   ```\n\n3. 使用 CMake 构建项目（以 Linux\u002FmacOS 为例）：\n   ```bash\n   mkdir build\n   cd build\n   cmake ..\n   make\n   ```\n\n4. 安装（可选）：\n   ```bash\n   sudo make install\n   ```\n\n> 如果你使用的是 Windows，可以使用 CMake GUI 或 CLion IDE 来配置和构建项目。\n\n---\n\n## 基本使用\n\n以下是一个最简单的神经网络示例，展示如何创建一个感知机模型并进行训练：\n\n```cpp\n#include \u003Ciostream>\n#include \"opennn.h\"\n\nint main() {\n    \u002F\u002F 创建数据集\n    DataSet dataset;\n    dataset.load_csv(\"data.csv\");\n\n    \u002F\u002F 分割为输入输出\n    dataset.split_data();\n\n    \u002F\u002F 创建感知机模型\n    Perceptron perceptron(&dataset);\n\n    \u002F\u002F 设置训练参数\n    perceptron.set_training_method(Perceptron::StochasticGradientDescent);\n    perceptron.set_learning_rate(0.01);\n\n    \u002F\u002F 训练模型\n    perceptron.train();\n\n    \u002F\u002F 输出结果\n    std::cout \u003C\u003C \"训练完成！\" \u003C\u003C std::endl;\n\n    return 0;\n}\n```\n\n> 示例中使用的 `data.csv` 文件应包含训练数据，格式为每行一个样本，最后一列为输出标签。\n\n---\n\n请确保将上述代码保存为 `.cpp` 文件，并使用 CMake 配置好 OpenNN 的头文件路径后编译运行。","某智能制造企业正在开发一套用于预测设备故障的系统，以提高生产线的维护效率和减少停机时间。该团队需要一个高性能的神经网络库来训练和部署模型。\n\n### 没有 opennn 时\n- 使用其他开源库（如TensorFlow或PyTorch）进行训练时，模型收敛速度较慢，导致开发周期延长。\n- 在处理大规模工业传感器数据时，内存占用过高，影响了系统的实时性与稳定性。\n- 缺乏对C++语言的深度支持，导致在嵌入式设备上部署模型时需要额外的转换和优化步骤。\n- 调试和优化模型性能时，缺乏详细的文档和示例，增加了学习成本和开发难度。\n- 无法充分利用多核CPU和GPU资源，限制了计算效率。\n\n### 使用 opennn 后\n- 利用opennn的高效执行能力和并行化设计，模型训练速度显著提升，缩短了开发周期。\n- 在处理相同规模的数据集时，内存使用更少，提升了系统在高负载下的稳定性和响应速度。\n- 支持直接使用C++进行开发和部署，简化了模型在嵌入式设备上的集成流程。\n- 提供详尽的教程和示例，帮助开发人员快速掌握库的使用方法，降低了学习门槛。\n- 通过优化的算法和硬件加速能力，能够充分利用多核CPU和GPU资源，极大提高了计算效率。\n\n核心价值：opennn通过高性能、低资源消耗和良好的开发支持，显著提升了工业预测性维护系统的开发效率与运行效果。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FArtelnics_opennn_735734ab.png","Artelnics","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FArtelnics_d11b10da.png","",null,"artelnics@artelnics.com","http:\u002F\u002Fwww.artelnics.com","https:\u002F\u002Fgithub.com\u002FArtelnics",[22,26,30,34,38,42,46,49,53,56],{"name":23,"color":24,"percentage":25},"C++","#f34b7d",87.6,{"name":27,"color":28,"percentage":29},"Fortran","#4d41b1",6.5,{"name":31,"color":32,"percentage":33},"C","#555555",2.3,{"name":35,"color":36,"percentage":37},"Python","#3572A5",1.2,{"name":39,"color":40,"percentage":41},"Cuda","#3A4E3A",1,{"name":43,"color":44,"percentage":45},"CMake","#DA3434",0.7,{"name":47,"color":17,"percentage":48},"NASL",0.3,{"name":50,"color":51,"percentage":52},"Shell","#89e051",0.1,{"name":54,"color":55,"percentage":52},"HTML","#e34c26",{"name":57,"color":58,"percentage":52},"Starlark","#76d275",1191,364,"2026-04-02T08:47:51","LGPL-3.0",3,"Linux, macOS, Windows","未说明",{"notes":67,"python":65,"dependencies":68},"OpenNN 是用 C++ 编写的库，使用 CMake 进行构建，支持 CLion 和 Qt Creator IDE。文档可在其官方网站获取。",[],[70,71],"开发框架","其他",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T08:52:26.209218",[77,82,87,92,97,102],{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},5770,"如何解决在 Visual Studio 中编译 OpenNN 时出现的 data_set.cpp 错误？","尝试使用 dev 分支的提交 ff2a005，该版本已修复 data_set.cpp 中的错误。如果问题仍然存在，可以暂时使用 v6.0.0 版本进行编译。","https:\u002F\u002Fgithub.com\u002FArtelnics\u002Fopennn\u002Fissues\u002F236",{"id":83,"question_zh":84,"answer_zh":85,"source_url":86},5771,"如何解决在 Visual Studio 中运行 OpenNN 示例时无法找到数据文件的问题？","确保从正确的目录启动应用程序。Visual Studio 默认可能不会从 \u002FRelease 目录启动程序，建议通过命令行或资源管理器直接运行生成的可执行文件。","https:\u002F\u002Fgithub.com\u002FArtelnics\u002Fopennn\u002Fissues\u002F156",{"id":88,"question_zh":89,"answer_zh":90,"source_url":91},5772,"如何在 OpenNN 中实现时间序列预测（如 airline_passengers 示例）？","使用如下代码设置滞后和步长，并调用 transform_time_series() 方法：\n\nDataSet data_set(\"..\u002Fdata\u002Fairline_passengers.csv\", ',', true);\nconst Index lags_number = 2;\nconst Index steps_ahead_number = 1;\ndata_set.set_lags_number(lags_number);\ndata_set.set_steps_ahead_number(steps_ahead_number);\ndata_set.transform_time_series();","https:\u002F\u002Fgithub.com\u002FArtelnics\u002Fopennn\u002Fissues\u002F211",{"id":93,"question_zh":94,"answer_zh":95,"source_url":96},5773,"如何解决在 Qt 中使用 OpenNN 时遇到的 'maximum' 函数未定义错误？","检查 statistics.cpp 文件中是否缺少 'maximum' 函数的定义，并确保所有依赖项正确链接。","https:\u002F\u002Fgithub.com\u002FArtelnics\u002Fopennn\u002Fissues\u002F157",{"id":98,"question_zh":99,"answer_zh":100,"source_url":101},5774,"如何解决 OpenNN 的逻辑运算示例训练结果不理想的问题？","确保使用最新的开发分支版本，并调整训练参数。若仍存在问题，可尝试将输出值大于 0.3 视为 1，小于 0.02 视为 0 来解释结果。","https:\u002F\u002Fgithub.com\u002FArtelnics\u002Fopennn\u002Fissues\u002F102",{"id":103,"question_zh":104,"answer_zh":105,"source_url":86},5775,"如何解决 OpenNN 在 Visual Studio 中编译失败的问题？","确保按照文档步骤操作：首先编译 opennn 项目，然后编译所需的示例。此外，检查 CMakeLists.txt 文件中的路径配置是否正确。",[107,111,115,119,123,127,131,135,139,143,148],{"id":108,"version":109,"summary_zh":17,"released_at":110},115119,"v6.0.4","2023-05-25T11:20:48",{"id":112,"version":113,"summary_zh":17,"released_at":114},115120,"v6.0.3","2023-04-10T09:12:53",{"id":116,"version":117,"summary_zh":17,"released_at":118},115121,"v6.0.2","2023-01-04T14:36:43",{"id":120,"version":121,"summary_zh":17,"released_at":122},115122,"v6.0.1","2022-12-22T14:20:51",{"id":124,"version":125,"summary_zh":17,"released_at":126},115123,"v6.0.0","2022-10-20T08:48:03",{"id":128,"version":129,"summary_zh":17,"released_at":130},115124,"v5.0.5","2021-01-14T11:22:19",{"id":132,"version":133,"summary_zh":17,"released_at":134},115125,"v5.0.3","2020-12-14T16:00:33",{"id":136,"version":137,"summary_zh":17,"released_at":138},115126,"v5.0.0","2020-11-06T12:20:07",{"id":140,"version":141,"summary_zh":17,"released_at":142},115127,"v4.9.1","2020-11-06T12:18:54",{"id":144,"version":145,"summary_zh":146,"released_at":147},115128,"v4.9.0","Now using Eigen as algebra library for better performance.\r\n\r\n\r\n","2020-09-22T13:51:50",{"id":149,"version":150,"summary_zh":17,"released_at":151},115129,"v4.0","2020-09-22T13:41:17",[153,163,172,180,188,200],{"id":154,"name":155,"github_repo":156,"description_zh":157,"stars":158,"difficulty_score":63,"last_commit_at":159,"category_tags":160,"status":73},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",[70,161,162],"图像","Agent",{"id":164,"name":165,"github_repo":166,"description_zh":167,"stars":168,"difficulty_score":72,"last_commit_at":169,"category_tags":170,"status":73},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",140436,"2026-04-05T23:32:43",[70,162,171],"语言模型",{"id":173,"name":174,"github_repo":175,"description_zh":176,"stars":177,"difficulty_score":72,"last_commit_at":178,"category_tags":179,"status":73},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。",107662,"2026-04-03T11:11:01",[70,161,162],{"id":181,"name":182,"github_repo":183,"description_zh":184,"stars":185,"difficulty_score":72,"last_commit_at":186,"category_tags":187,"status":73},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[70,171],{"id":189,"name":190,"github_repo":191,"description_zh":192,"stars":193,"difficulty_score":72,"last_commit_at":194,"category_tags":195,"status":73},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[161,196,197,198,162,71,171,70,199],"数据工具","视频","插件","音频",{"id":201,"name":202,"github_repo":203,"description_zh":204,"stars":205,"difficulty_score":63,"last_commit_at":206,"category_tags":207,"status":73},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[162,161,70,171,71]]