[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Atcold--torch-Video-Tutorials":3,"tool-Atcold--torch-Video-Tutorials":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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":78,"difficulty_score":98,"env_os":99,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":109,"github_topics":78,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":113},9437,"Atcold\u002Ftorch-Video-Tutorials","torch-Video-Tutorials","Light your way in Deep Learning with Torch 🔦","torch-Video-Tutorials 是一套专为深度学习框架 Torch 打造的开源视频教学系列，旨在通过直观的视听内容照亮你的学习之路。Torch 素以运行速度快、灵活性高著称，但其基于 Lua 的语言特性曾让许多初学者望而却步。该项目正是为了解决这一陡峭的学习曲线问题而生，将复杂的概念拆解为通俗易懂的实战课程。\n\n内容涵盖从 Lua 语言基础、Torch 核心张量操作，到人工神经网络的前向传播与反向传播原理，再到卷积神经网络（CNN）和循环神经网络（RNN）的架构设计与训练技巧。每个章节不仅提供高清视频教程，还配套了详细的幻灯片、代码脚本、文字实录以及随堂测验，帮助学习者理论与实践同步掌握。\n\n这套资源特别适合希望深入理解深度学习底层逻辑的开发者、研究人员及高校学生。无论你是想快速上手 Torch 生态，还是希望系统梳理神经网络内部机制，torch-Video-Tutorials 都能提供一条清晰、高效且免费的学习路径，让你不再被技术门槛阻挡，轻松开启深度学习之旅。","# Torch Video Tutorials\n\n> *Light your way in Deep Learning with* Torch :flashlight:\n\nThis aims to be a growing collections of introductory video tutorials on the [*Torch*](http:\u002F\u002Ftorch.ch) ecosystem.\n*Torch* is one of the fastest and most flexible framework existing for Machine and Deep Learning.\nAnd yes, flexibility  used to come with an intimidating learning curve... until now.\n\nEnjoy the view of these videos, transcripts and quizes (you can find in the [`res`](res) folder together with some notes about how I made these videos).\n\n\n## 1 - Get the basics straight\n\n### 1.0 - An overview on *Lua* ([slides](res\u002F1.0\u002Fslides.pdf))\n\n[![Practical 1.0 - Lua](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_694e6d839066.jpg)](https:\u002F\u002Fyoutu.be\u002FQLYLOPeI92g?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 1.1 - An overview on *Torch*’s `Tensor`s ([slides](res\u002F1.1\u002Fslides.pdf))\n\n[![Practical 1.1 - Torch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_0d5f748d81dc.jpg)](https:\u002F\u002Fyoutu.be\u002Fo3aRgD1uzsc?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 1.2 - An overview on *Torch*’s `image` package ([slides](res\u002F1.2\u002Fslides.pdf))\n\n[![Practical 1.2 - image package](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_e5fb73ba5053.jpg)](https:\u002F\u002Fyoutu.be\u002FdEjvydjcwOE?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n\n## 2 - Artificial Neural Networks\n\n### 2.0 - Neural Networks – feed forward (inference) ([slides](res\u002F2.0\u002Fslides.pdf), [quiz](res\u002F2.0\u002Fquiz.tex))\n\n[![Practical 2.0 – NN forward](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_f03231b4506f.jpg)](https:\u002F\u002Fyoutu.be\u002FhxA0wxibv8g?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 2.1 - Neural Networks – back propagation (training) ([slides](res\u002F2.1\u002Fslides.pdf), [quiz](res\u002F2.1\u002Fquiz.tex))\n\n[![Practical 2.1 - NN backward](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_e07d8fa0fb7b.jpg)](https:\u002F\u002Fyoutu.be\u002FVaQUx7m3oR4?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 2.2 - Neural Networks – An overview on *Torch*’s `nn` package ([slides](res\u002F2.2\u002Fslides.pdf), [script](res\u002F2.2\u002Fscript.lua))\n\n[![Practical 2.2 - nn package](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_cc0139be2da3.jpg)](https:\u002F\u002Fyoutu.be\u002FatZYdZ8hVCw?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n\n## 3 - Convolutional Neural Networks\n\n### 3.0 - CNN – Basics ([slides](res\u002F3.0\u002Fslides.pdf), [`lin`](res\u002F3.0\u002Flin.lua), [`3conv`](res\u002F3.0\u002F3conv.lua), [`3conv-pool`](res\u002F3.0\u002F3conv-pool.lua))\n\n[![Practical 3.0 - CNN basics](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_298ca2fada12.jpg)](https:\u002F\u002Fyoutu.be\u002FkwCbmx3tFwY?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.1 - CNN – Internals ([slides](res\u002F3.1\u002Fslides.pdf), [script](res\u002F3.1\u002Fscript.lua), [`3conv-pool`](res\u002F3.0\u002F3conv-pool.lua))\n\n[![Practical 3.1 - CNN internals](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_05cdc51de7cc.jpg)](https:\u002F\u002Fyoutu.be\u002FBCensUz_gQ8?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.2 - CNN – Architectures ([slides](res\u002F3.2\u002Fslides.pdf), [`LeNet5`](res\u002F3.2\u002FLeNet5.lua), [`AlexNet`](res\u002F3.2\u002FAlexNet.lua), [`GoogLeNet`](res\u002F3.2\u002FGoogLeNet.lua))\n\n[![Practical 3.2 - CNN models](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_68a8eeaf20d8.jpg)](https:\u002F\u002Fyoutu.be\u002FLYYwUr0vCjg?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.3 - CNN – Training ([slides](res\u002F3.3\u002Fslides.pdf), [`train.lua`](res\u002F3.3\u002Ftrain.lua))\n\n[![Practical 3.3 - CNN models](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_9d35d28948b8.jpg)](https:\u002F\u002Fyoutu.be\u002FkcOJEplX7i0?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.4 - CNN – Loss functions ([slides](res\u002F3.4\u002Fslides.pdf))\n\n[![Practical 3.4 - CNN loss](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_5b5f81893ab3.jpg)](https:\u002F\u002Fyoutu.be\u002Fejr6eaJKtcs?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n\n## 4 - Recurrent Neural Networks\n\n### 4.0 - RNN – Vectors and sequences ([slides](res\u002F4.0\u002Fslides.pdf))\n\n[![Practical 4.0 - RNN, vec and seq](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_022df7b586a1.jpg)](https:\u002F\u002Fyoutu.be\u002FbUIAsEw7_9U?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 4.1 - RNN – Forward and backward ([slides](res\u002F4.1\u002Fslides.pdf))\n\n[![Practical 4.1 - RNN, fwd and back](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_5a2182a8d7a0.jpg)](https:\u002F\u002Fyoutu.be\u002FWwslsYQX77s?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 4.2 - RNN – `nngraph` package ([slides](res\u002F4.2\u002Fslides.pdf), [script](res\u002F4.2\u002Fscript.lua))\n\n[![Practical 4.2 - nngraph package](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_5975b2423bab.jpg)](https:\u002F\u002Fyoutu.be\u002FFL_VTcp9jvw?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 4.3 - RNN – Training ([slides](res\u002F4.3\u002Fslides.pdf))\n\n[![Practical 4.3 - RNN training](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_c7e6db294f60.jpg)](https:\u002F\u002Fyoutu.be\u002FlRN0wayLTeo?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\nLSTM and training with `rnn` package coming soon! :blush:\n","# Torch 视频教程\n\n> *用* Torch *照亮你的深度学习之路*:flashlight:\n\n本系列旨在不断扩充，提供关于 [*Torch*](http:\u002F\u002Ftorch.ch) 生态系统的入门视频教程。*Torch* 是目前机器学习和深度学习领域中速度最快、灵活性最高的框架之一。过去，这种灵活性往往伴随着陡峭的学习曲线……但如今已不再如此。\n\n请尽情欣赏这些视频、文字稿和测验（您可以在 [`res`](res) 文件夹中找到它们，以及一些关于我如何制作这些视频的说明）。\n\n\n## 1 - 打好基础\n\n### 1.0 - Lua 概览（[幻灯片](res\u002F1.0\u002Fslides.pdf)）\n\n[![实践 1.0 - Lua](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_694e6d839066.jpg)](https:\u002F\u002Fyoutu.be\u002FQLYLOPeI92g?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 1.1 - Torch 的 `Tensor` 概览（[幻灯片](res\u002F1.1\u002Fslides.pdf)）\n\n[![实践 1.1 - Torch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_0d5f748d81dc.jpg)](https:\u002F\u002Fyoutu.be\u002Fo3aRgD1uzsc?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 1.2 - Torch 的 `image` 包概览（[幻灯片](res\u002F1.2\u002Fslides.pdf)）\n\n[![实践 1.2 - image 包](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_e5fb73ba5053.jpg)](https:\u002F\u002Fyoutu.be\u002FdEjvydjcwOE?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n\n## 2 - 人工神经网络\n\n### 2.0 - 神经网络——前馈（推理）（[幻灯片](res\u002F2.0\u002Fslides.pdf)，[测验](res\u002F2.0\u002Fquiz.tex)）\n\n[![实践 2.0 – 前馈神经网络](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_f03231b4506f.jpg)](https:\u002F\u002Fyoutu.be\u002FhxA0wxibv8g?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 2.1 - 神经网络——反向传播（训练）（[幻灯片](res\u002F2.1\u002Fslides.pdf)，[测验](res\u002F2.1\u002Fquiz.tex)）\n\n[![实践 2.1 - 反向传播神经网络](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_e07d8fa0fb7b.jpg)](https:\u002F\u002Fyoutu.be\u002FVaQUx7m3oR4?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 2.2 - 神经网络——Torch 的 `nn` 包概览（[幻灯片](res\u002F2.2\u002Fslides.pdf)，[脚本](res\u002F2.2\u002Fscript.lua)）\n\n[![实践 2.2 - nn 包](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_cc0139be2da3.jpg)](https:\u002F\u002Fyoutu.be\u002FatZYdZ8hVCw?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n\n## 3 - 卷积神经网络\n\n### 3.0 - CNN——基础（[幻灯片](res\u002F3.0\u002Fslides.pdf)，[`lin`](res\u002F3.0\u002Flin.lua)，[`3conv`](res\u002F3.0\u002F3conv.lua)，[`3conv-pool`](res\u002F3.0\u002F3conv-pool.lua)）\n\n[![实践 3.0 - CNN 基础](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_298ca2fada12.jpg)](https:\u002F\u002Fyoutu.be\u002FkwCbmx3tFwY?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.1 - CNN——内部机制（[幻灯片](res\u002F3.1\u002Fslides.pdf)，[脚本](res\u002F3.1\u002Fscript.lua)，[`3conv-pool`](res\u002F3.0\u002F3conv-pool.lua)）\n\n[![实践 3.1 - CNN 内部](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_05cdc51de7cc.jpg)](https:\u002F\u002Fyoutu.be\u002FBCensUz_gQ8?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.2 - CNN——架构（[幻灯片](res\u002F3.2\u002Fslides.pdf)，[`LeNet5`](res\u002F3.2\u002FLeNet5.lua)，[`AlexNet`](res\u002F3.2\u002FAlexNet.lua)，[`GoogLeNet`](res\u002F3.2\u002FGoogLeNet.lua)）\n\n[![实践 3.2 - CNN 模型](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_68a8eeaf20d8.jpg)](https:\u002F\u002Fyoutu.be\u002FLYYwUr0vCjg?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.3 - CNN——训练（[幻灯片](res\u002F3.3\u002Fslides.pdf)，[`train.lua`](res\u002F3.3\u002Ftrain.lua)）\n\n[![实践 3.3 - CNN 模型](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_9d35d28948b8.jpg)](https:\u002F\u002Fyoutu.be\u002FkcOJEplX7i0?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 3.4 - CNN——损失函数（[幻灯片](res\u002F3.4\u002Fslides.pdf)）\n\n[![实践 3.4 - CNN 损失](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_5b5f81893ab3.jpg)](https:\u002F\u002Fyoutu.be\u002Fejr6eaJKtcs?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n\n## 4 - 循环神经网络\n\n### 4.0 - RNN——向量与序列（[幻灯片](res\u002F4.0\u002Fslides.pdf)）\n\n[![实践 4.0 - RNN、向量与序列](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_022df7b586a1.jpg)](https:\u002F\u002Fyoutu.be\u002FbUIAsEw7_9U?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 4.1 - RNN——前向与后向（[幻灯片](res\u002F4.1\u002Fslides.pdf)）\n\n[![实践 4.1 - RNN、前向与后向](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_5a2182a8d7a0.jpg)](https:\u002F\u002Fyoutu.be\u002FWwslsYQX77s?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 4.2 - RNN——`nngraph` 包（[幻灯片](res\u002F4.2\u002Fslides.pdf)，[脚本](res\u002F4.2\u002Fscript.lua)）\n\n[![实践 4.2 - nngraph 包](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_5975b2423bab.jpg)](https:\u002F\u002Fyoutu.be\u002FFL_VTcp9jvw?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\n### 4.3 - RNN——训练（[幻灯片](res\u002F4.3\u002Fslides.pdf)）\n\n[![实践 4.3 - RNN 训练](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_readme_c7e6db294f60.jpg)](https:\u002F\u002Fyoutu.be\u002FlRN0wayLTeo?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n\nLSTM 和使用 `rnn` 包进行训练的内容即将推出！:blush:","# Torch Video Tutorials 快速上手指南\n\nTorch Video Tutorials 是一套针对 **Torch** (基于 Lua 的深度学习框架) 生态系统的入门视频教程集合。本指南将帮助你快速搭建环境并开始学习。\n\n> **注意**：Torch 主要使用 **Lua** 语言，而非 Python。本教程旨在通过视频、幻灯片和代码示例，降低 Torch 陡峭的学习曲线。\n\n## 1. 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：推荐 Linux (Ubuntu\u002FCentOS) 或 macOS。Windows 用户建议使用 WSL (Windows Subsystem for Linux) 或 Docker。\n*   **前置依赖**：\n    *   Git\n    *   CMake\n    *   LuaJIT (通常随 Torch 一起安装)\n    *   基础编译工具链 (gcc, g++, make)\n\n### 系统依赖安装示例 (Ubuntu\u002FDebian)\n\n```bash\nsudo apt-get update\nsudo apt-get install -y git cmake curl unzip build-essential libreadline-dev libncurses5-dev libncursesw5-dev libffi-dev libssl-dev\n```\n\n## 2. 安装步骤\n\nTorch 的安装主要通过官方提供的脚本自动完成。国内开发者若遇到网络连接问题，建议配置代理或使用国内镜像源加速 `git` 和 `luarocks` 的下载。\n\n### 步骤 1: 克隆仓库并运行安装脚本\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftorch\u002Fdistro.git ~\u002Ftorch --recursive\ncd ~\u002Ftorch\nbash install-deps\n.\u002Finstall.sh\n```\n\n> **提示**：如果 `git clone` 速度慢，可尝试使用 Gitee 镜像（如有）或配置 `export GIT_PROXY_COMMAND`。\n\n### 步骤 2: 配置环境变量\n\n安装完成后，根据提示将 Torch 添加到环境变量中。通常执行以下命令（以 bash 为例）：\n\n```bash\nsource ~\u002F.bashrc   # 或者 source ~\u002F.zshrc\n```\n\n验证安装是否成功，输入 `th` 进入 Lua 交互界面，若出现 `Torch>` 提示符则代表安装成功。输入 `quit()` 退出。\n\n### 步骤 3: 获取教程资源\n\n克隆本教程仓库以获取视频对应的幻灯片、代码脚本和测验文件：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhughperkins\u002Ftorch-Video-Tutorials.git\ncd torch-Video-Tutorials\n```\n\n## 3. 基本使用\n\n本项目的核心内容是**观看视频**并结合**本地代码实践**。请按照以下顺序开始学习：\n\n### 学习路径推荐\n\n1.  **基础篇 (Get the basics straight)**\n    *   **1.0 Lua 概览**: 熟悉 Lua 语法基础。\n    *   **1.1 Tensor 操作**: 掌握 Torch 的核心数据结构 `Tensor`。\n    *   **1.2 Image 包**: 学习如何处理图像数据。\n\n2.  **神经网络篇 (Artificial Neural Networks)**\n    *   **2.0 - 2.1**: 理解前向传播 (Inference) 与反向传播 (Training) 原理。\n    *   **2.2 nn 包**: 学习如何使用 `nn` 模块构建网络层。\n\n3.  **卷积神经网络篇 (CNN)**\n    *   **3.0 - 3.4**: 从 CNN 基础、内部机制到经典架构 (LeNet5, AlexNet, GoogLeNet) 及训练流程。\n\n4.  **循环神经网络篇 (RNN)**\n    *   **4.0 - 4.3**: 学习序列数据处理、RNN 前后向传播及 `nngraph` 的使用。\n\n### 最简单的使用示例\n\n以 **1.1 Tensor 概览** 为例，你可以边看视频边在本地运行对应的代码逻辑。\n\n1.  打开浏览器观看视频：[Practical 1.1 - Torch's Tensors](https:\u002F\u002Fyoutu.be\u002Fo3aRgD1uzsc?list=PLLHTzKZzVU9ebuL6DCclzI54MrPNFGqbW)\n2.  查看配套幻灯片：`res\u002F1.1\u002Fslides.pdf`\n3.  在终端启动 Lua 解释器并尝试创建 Tensor：\n\n```lua\nth\n\n-- 创建一个 2x3 的零矩阵\nt = torch.Tensor(2, 3):zero()\nprint(t)\n\n-- 填充数据\nt[1][1] = 1\nt[2][3] = 9\nprint(t)\n\n-- 简单的数学运算\nresult = t * 2\nprint(result)\n\nquit()\n```\n\n对于后续章节（如 CNN 训练），你可以直接运行仓库 `res` 文件夹中提供的 `.lua` 脚本（例如 `res\u002F3.3\u002Ftrain.lua`），并根据视频讲解调整参数。","某高校计算机视觉实验室的研究生团队正试图利用 Torch 框架复现一篇最新的卷积神经网络（CNN）论文，但团队成员大多只熟悉 Python 生态，对 Torch 核心的 Lua 语言及其独特的张量操作感到陌生。\n\n### 没有 torch-Video-Tutorials 时\n- **语言门槛劝退**：面对陌生的 Lua 语法和 Torch 特有的 API 风格，成员需花费数天查阅零散的官方文档，进度严重滞后。\n- **理论落地困难**：虽然理解反向传播等数学原理，但不知道如何将其转化为具体的 `nn` 包代码，导致模型构建频频报错。\n- **调试成本高昂**：在处理图像数据预处理和维度变换时，因缺乏直观示例，团队陷入漫长的试错循环，难以定位是逻辑错误还是 API 使用不当。\n- **架构实现迷茫**：面对 LeNet 或 GoogLeNet 等经典架构，不知如何在 Torch 中灵活搭建层连接，只能盲目复制网上过时的代码片段。\n\n### 使用 torch-Video-Tutorials 后\n- **快速跨越语言障碍**：通过\"Lua 概览”和“张量操作”视频，成员在几小时内掌握了核心语法，迅速适应了 Torch 的开发节奏。\n- **理论与实践打通**：观看“神经网络前向\u002F后向传播”及`nn` 包详解视频后，团队能直接将数学公式映射为可运行的训练脚本。\n- **可视化降低试错**：借助图像包处理和 CNN 内部机制的视频演示，成员清晰理解了数据流转过程，数据预处理效率提升显著。\n- **架构复用更灵活**：参考视频中提供的 LeNet、AlexNet 等完整架构代码与讲解，团队快速搭建出基准模型并成功开始微调实验。\n\ntorch-Video-Tutorials 将原本陡峭的 Torch 学习曲线转化为直观的视听路径，帮助开发者从“望而生畏”迅速转变为“高效实战”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAtcold_torch-Video-Tutorials_7ff69194.png","Atcold","Alfredo Canziani","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAtcold_99d51973.png","Musician, math lover, cook, dancer, 🏳️‍🌈, and assistant professor of Computer Science at New York University\r\n","NYU","New York City",null,"alfcnz","https:\u002F\u002Fatcold.github.io\u002F","https:\u002F\u002Fgithub.com\u002FAtcold",[83,87,91],{"name":84,"color":85,"percentage":86},"Lua","#000080",86.6,{"name":88,"color":89,"percentage":90},"TeX","#3D6117",12.5,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0.9,604,97,"2026-03-06T00:24:45",5,"","未说明",{"notes":102,"python":103,"dependencies":104},"该项目并非现代 Python 工具，而是基于旧版 Torch7 框架（使用 Lua 编程语言，而非 Python）。README 主要提供深度学习概念的视频教程、幻灯片和代码示例。由于官方 Torch7 已停止维护并转向 PyTorch，且文中未列出具体的操作系统、GPU 或内存硬件要求，实际运行这些遗留代码可能需要配置旧的 LuaJIT 环境和 Torch7 依赖库，或在现代环境中进行大量修改。","不适用 (基于 Lua)",[105,84,106,107,108],"Torch (Lua)","nn","image","nngraph",[14],"2026-03-27T02:49:30.150509","2026-04-19T09:14:21.658737",[],[]]