[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-BlackHC--tfpyth":3,"tool-BlackHC--tfpyth":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":111},4572,"BlackHC\u002Ftfpyth","tfpyth","Putting TensorFlow back in PyTorch, back in TensorFlow (differentiable TensorFlow PyTorch adapters).","tfpyth 是一款旨在打破深度学习框架壁垒的开源库，它让 TensorFlow 和 PyTorch 能够无缝协作。在科研与工程实践中，开发者常面临代码库分裂的困境：部分模块基于 TensorFlow 构建，而另一部分则依赖 PyTorch。以往若要联合训练端到端模型，往往需要耗费大量精力重写代码。tfpyth 完美解决了这一痛点，无需重构现有项目，即可通过简单的函数调用，将 TensorFlow 的计算图封装为可在 PyTorch 中调用且支持自动求导的模块，反之亦然。\n\n这款工具特别适合拥有混合技术栈的 AI 研究人员和算法工程师。当你需要复用旧的 TensorFlow 模型组件，或希望在 PyTorch 项目中集成特定的 TensorFlow 算子时，tfpyth 能提供极大的便利。其核心技术亮点在于实现了跨框架的微分适配器，确保了梯度能在两个框架间正确反向传播，从而支持端到端的联合训练。虽然目前受限于底层接口，张量传输需经过 CPU 中转，但它已为异构框架的融合提供了极具价值的解决方案。未来，该项目还计划扩展对 JAX 的支持以及高阶导数计算，进一步拓宽其应用场景。","# TfPyTh\n\n[![Build Status](https:\u002F\u002Ftravis-ci.com\u002FBlackHC\u002Ftfpyth.svg?branch=master)](https:\u002F\u002Ftravis-ci.com\u002FBlackHC\u002Ftfpyth) [![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBlackHC\u002Ftfpyth\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBlackHC\u002Ftfpyth)\n\n> Putting TensorFlow back in PyTorch, back in TensorFlow (with differentiable TensorFlow PyTorch adapters).\n\nDo you have a codebase that uses TensorFlow and one that uses PyTorch and want to train a model that uses both end-to-end?\n\nThis library makes it possible without having to rewrite either codebase! \n\nIt allows you to wrap a TensorFlow graph to make it callable (and differentiable) through PyTorch, and vice-versa, using simple functions.\n\nThe only caveat is that tensors have to be copied and routed through the CPU until TensorFlow supports `__cuda_array_interface` (please star the [GitHub issue](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002F29039)).\n\n## Install\n\n```\npip install tfpyth\n```\n\n### Example\n\n```python\nimport tensorflow as tf\nimport torch as th\nimport numpy as np\nimport tfpyth\n\nsession = tf.Session()\n\ndef get_torch_function():\n    a = tf.placeholder(tf.float32, name='a')\n    b = tf.placeholder(tf.float32, name='b')\n    c = 3 * a + 4 * b * b\n\n    f = tfpyth.torch_from_tensorflow(session, [a, b], c).apply\n    return f\n\nf = get_torch_function()\na = th.tensor(1, dtype=th.float32, requires_grad=True)\nb = th.tensor(3, dtype=th.float32, requires_grad=True)\nx = f(a, b)\n\nassert x == 39.\n\nx.backward()\n\nassert np.allclose((a.grad, b.grad), (3., 24.))\n```\n\n## What it's got\n\n### `torch_from_tensorflow`\n\nCreates a PyTorch function that is differentiable by evaluating a TensorFlow output tensor given input placeholders.\n\n### `eager_tensorflow_from_torch`\n\nCreates an eager Tensorflow function from a PyTorch function.\n\n### `tensorflow_from_torch`\n\nCreates a TensorFlow op\u002Ftensor from a PyTorch function.\n\n## Future work\n\n- [ ] support JAX\n- [ ] support higher-order derivatives\n","# TfPyTh\n\n[![构建状态](https:\u002F\u002Ftravis-ci.com\u002FBlackHC\u002Ftfpyth.svg?branch=master)](https:\u002F\u002Ftravis-ci.com\u002FBlackHC\u002Ftfpyth) [![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBlackHC\u002Ftfpyth\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBlackHC\u002Ftfpyth)\n\n> 将 TensorFlow 放回 PyTorch 中，再放回 TensorFlow 中（通过可微分的 TensorFlow-PyTorch 适配器）。\n\n你是否有一个使用 TensorFlow 的代码库和一个使用 PyTorch 的代码库，并且希望训练一个端到端同时使用两者的模型？\n\n这个库让你无需重写任何一个代码库即可实现这一点！它允许你通过简单的函数将 TensorFlow 图包装起来，使其可以通过 PyTorch 调用（并且可微），反之亦然。\n\n唯一的限制是，在 TensorFlow 支持 `__cuda_array_interface` 之前，张量必须先复制并通过 CPU 进行传递（请给 [GitHub 问题](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002F29039) 点个赞）。\n\n## 安装\n\n```\npip install tfpyth\n```\n\n### 示例\n\n```python\nimport tensorflow as tf\nimport torch as th\nimport numpy as np\nimport tfpyth\n\nsession = tf.Session()\n\ndef get_torch_function():\n    a = tf.placeholder(tf.float32, name='a')\n    b = tf.placeholder(tf.float32, name='b')\n    c = 3 * a + 4 * b * b\n\n    f = tfpyth.torch_from_tensorflow(session, [a, b], c).apply\n    return f\n\nf = get_torch_function()\na = th.tensor(1, dtype=th.float32, requires_grad=True)\nb = th.tensor(3, dtype=th.float32, requires_grad=True)\nx = f(a, b)\n\nassert x == 39.\n\nx.backward()\n\nassert np.allclose((a.grad, b.grad), (3., 24.))\n```\n\n## 功能概览\n\n### `torch_from_tensorflow`\n\n根据输入占位符评估 TensorFlow 输出张量，创建一个可微分的 PyTorch 函数。\n\n### `eager_tensorflow_from_torch`\n\n从 PyTorch 函数创建一个 eager 模式的 TensorFlow 函数。\n\n### `tensorflow_from_torch`\n\n从 PyTorch 函数创建一个 TensorFlow 操作或张量。\n\n## 未来工作\n\n- [ ] 支持 JAX\n- [ ] 支持高阶导数","# TfPyTh 快速上手指南\n\nTfPyTh 是一个桥接 TensorFlow 和 PyTorch 的开源库，允许你在不重写代码库的情况下，实现两个框架模型的端到端联合训练。它支持将 TensorFlow 计算图封装为可微分的 PyTorch 函数，反之亦然。\n\n> **注意**：目前张量数据需通过 CPU 进行拷贝和路由，直到 TensorFlow 原生支持 `__cuda_array_interface`。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：建议 Python 3.6+\n- **前置依赖**：\n  - TensorFlow (1.x 版本，因示例中使用 `tf.Session`)\n  - PyTorch\n  - NumPy\n\n请确保已安装上述基础深度学习框架。\n\n## 安装步骤\n\n使用 pip 直接安装：\n\n```bash\npip install tfpyth\n```\n\n*注：若国内下载速度较慢，可尝试指定清华镜像源：*\n```bash\npip install tfpyth -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n以下示例演示如何将一个 TensorFlow 计算图转换为可在 PyTorch 中调用并自动求导的函数。\n\n### 示例：在 PyTorch 中调用 TensorFlow 逻辑\n\n```python\nimport tensorflow as tf\nimport torch as th\nimport numpy as np\nimport tfpyth\n\n# 创建 TensorFlow 会话\nsession = tf.Session()\n\ndef get_torch_function():\n    # 定义 TensorFlow 占位符和计算逻辑\n    a = tf.placeholder(tf.float32, name='a')\n    b = tf.placeholder(tf.float32, name='b')\n    c = 3 * a + 4 * b * b\n\n    # 将 TensorFlow 计算图转换为 PyTorch 可调用函数\n    f = tfpyth.torch_from_tensorflow(session, [a, b], c).apply\n    return f\n\n# 获取转换后的函数\nf = get_torch_function()\n\n# 创建需要求梯度的 PyTorch 张量\na = th.tensor(1, dtype=th.float32, requires_grad=True)\nb = th.tensor(3, dtype=th.float32, requires_grad=True)\n\n# 执行计算\nx = f(a, b)\n\n# 验证结果 (3*1 + 4*3*3 = 39)\nassert x == 39.\n\n# 反向传播计算梯度\nx.backward()\n\n# 验证梯度 (da\u002Fdx = 3, db\u002Fdx = 8*b = 24)\nassert np.allclose((a.grad, b.grad), (3., 24.))\n```\n\n### 核心功能概览\n\n- **`torch_from_tensorflow`**: 将 TensorFlow 输出张量转换为可微分的 PyTorch 函数。\n- **`eager_tensorflow_from_torch`**: 将 PyTorch 函数转换为 eager 模式下的 TensorFlow 函数。\n- **`tensorflow_from_torch`**: 将 PyTorch 函数转换为 TensorFlow 操作\u002F张量。","某医疗影像实验室正尝试将团队多年积累的 TensorFlow 预处理流水线与最新的 PyTorch 分割模型进行端到端联合训练，以优化诊断精度。\n\n### 没有 tfpyth 时\n- **代码重构成本极高**：必须将旧的 TensorFlow 图像增强逻辑逐行重写为 PyTorch 版本，耗时数周且容易引入逻辑偏差。\n- **梯度断裂无法联调**：由于框架隔离，预处理部分的参数无法接收来自后端模型的梯度，导致无法进行端到端的微调优化。\n- **数据交互繁琐低效**：开发者被迫在两个框架间手动转换 Tensor 格式，通过 CPU 反复读写中间结果，不仅代码杂乱且严重拖慢实验迭代速度。\n- **维护两套技术栈**：团队需同时维护两套独立的训练脚本，增加了部署复杂度和出错概率。\n\n### 使用 tfpyth 后\n- **零成本复用旧代码**：直接利用 `torch_from_tensorflow` 将现有的 TensorFlow 计算图封装为可微分的 PyTorch 函数，无需修改任何底层逻辑。\n- **实现真正端到端训练**：梯度可以无缝穿过框架边界，从 PyTorch 模型反向传播至 TensorFlow 预处理层，显著提升了模型整体性能。\n- **开发流程简洁流畅**：仅需几行代码即可完成框架间的算子调用，自动处理张量路由，让研究人员专注于算法创新而非工程适配。\n- **统一实验架构**：成功合并了新旧代码库，单一脚本即可驱动混合框架模型，大幅降低了后续维护门槛。\n\ntfpyth 通过打破框架壁垒，让遗留的 TensorFlow 资产瞬间变为 PyTorch 生态中可微分、可调用的原生组件，极大加速了跨框架模型的落地进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBlackHC_tfpyth_a924beda.png","BlackHC","Andreas Kirsch","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FBlackHC_d2193025.jpg","Past:\r\nAIMS DPhil in Oxford at @OATML;\r\nFellow at @nwspk;\r\nRE at DeepMind;\r\nSWE at Google.",null,"Oxford, UK","blackhc@gmail.com","blackhc","blackhc.net","https:\u002F\u002Fgithub.com\u002FBlackHC",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,646,96,"2026-03-16T03:55:54","MIT","未说明","非必需。当前实现需将张量复制并通过 CPU 进行路由，直到 TensorFlow 支持 `__cuda_array_interface`。",{"notes":94,"python":91,"dependencies":95},"该工具允许在 PyTorch 和 TensorFlow 之间进行端到端的可微分调用。主要限制是张量必须在 CPU 上复制和传输，因为 TensorFlow 尚未完全支持直接的 GPU 内存接口（__cuda_array_interface）。安装方式为 pip install tfpyth。",[96,97,98],"tensorflow","torch","numpy",[14],[96,101,102],"pytorch","machine-learning","2026-03-27T02:49:30.150509","2026-04-07T03:51:50.375014",[106],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},20806,"如何在 TensorFlow 中使用 PyTorch 定义的函数（如 nn.Conv2d）或操作？","你只需要将调用包装在一个 lambda 函数中即可。例如：\n\nconv = nn.Conv2d(...)\nconv_as_tf_op = tensorflow_from_torch(lambda input: conv(input), ...)\n\n更多示例请参考：https:\u002F\u002Fgithub.com\u002FBlackHC\u002Ftfpyth\u002Fblob\u002Fmaster\u002Ftests\u002Ftest_adapters.py","https:\u002F\u002Fgithub.com\u002FBlackHC\u002Ftfpyth\u002Fissues\u002F1",[]]