[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Building-ML-Pipelines--building-machine-learning-pipelines":3,"tool-Building-ML-Pipelines--building-machine-learning-pipelines":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":81,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":103,"forks":104,"last_commit_at":105,"license":106,"difficulty_score":10,"env_os":107,"env_gpu":107,"env_ram":107,"env_deps":108,"category_tags":115,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":116,"updated_at":117,"faqs":118,"releases":153},1119,"Building-ML-Pipelines\u002Fbuilding-machine-learning-pipelines","building-machine-learning-pipelines","Code repository for the O'Reilly publication \"Building Machine Learning Pipelines\" by Hannes Hapke & Catherine Nelson","building-machine-learning-pipelines 是《构建机器学习流水线》一书的配套代码库，系统演示了如何将机器学习模型从实验阶段高效迁移至生产环境。这个项目通过完整示例解决了传统机器学习开发中流程割裂、依赖管理复杂、部署困难等痛点，特别适合需要构建端到端解决方案的开发者和数据工程师使用。\n\n该工具采用模块化设计，支持通过 TFX 框架实现数据验证、特征工程、模型训练、评估及服务化等全流程自动化。技术亮点包括：提供 Apache Beam、Kubeflow Pipelines 等多种编排器的实现模板；集成 GCP Vertex AI 的云端训练与部署方案；包含差分隐私训练模块（基于 TF-Privacy）；并通过 TFMA 工具实现模型公平性分析与可解释性验证。代码库特别强调生产级实践，例如自定义 TFX 组件开发、数据漂移检测机制等前沿技术应用。\n\n项目配套的消费者投诉数据集经过结构化处理，包含数据清洗、特征映射等预处理示例，方便学习者复现书中案例。开发者需注意技术栈版本要求（如 Python 3.8、TFX 1.4.0），部分实验功能（如 JupyterLab","building-machine-learning-pipelines 是《构建机器学习流水线》一书的配套代码库，系统演示了如何将机器学习模型从实验阶段高效迁移至生产环境。这个项目通过完整示例解决了传统机器学习开发中流程割裂、依赖管理复杂、部署困难等痛点，特别适合需要构建端到端解决方案的开发者和数据工程师使用。\n\n该工具采用模块化设计，支持通过 TFX 框架实现数据验证、特征工程、模型训练、评估及服务化等全流程自动化。技术亮点包括：提供 Apache Beam、Kubeflow Pipelines 等多种编排器的实现模板；集成 GCP Vertex AI 的云端训练与部署方案；包含差分隐私训练模块（基于 TF-Privacy）；并通过 TFMA 工具实现模型公平性分析与可解释性验证。代码库特别强调生产级实践，例如自定义 TFX 组件开发、数据漂移检测机制等前沿技术应用。\n\n项目配套的消费者投诉数据集经过结构化处理，包含数据清洗、特征映射等预处理示例，方便学习者复现书中案例。开发者需注意技术栈版本要求（如 Python 3.8、TFX 1.4.0），部分实验功能（如 JupyterLab 支持）存在环境限制。对于希望系统掌握机器学习工程化方法论的技术人员，这个工具提供了从交互式实验到分布式部署的完整实践路径。","# Building Machine Learning Pipelines\n\nCode repository for the O'Reilly publication [\"Building Machine Learning Pipelines\"](http:\u002F\u002Fwww.buildingmlpipelines.com) by Hannes Hapke & Catherine Nelson\n\n## Update\n\n* The example code has been updated to work with TFX 1.4.0, TensorFlow 2.6.1, and Apache Beam 2.33.0. A GCP Vertex example (training and serving) was added.\n\n## Set up the demo project\n\nDownload the initial dataset. From the root of this repository, execute\n\n```\npython3 utils\u002Fdownload_dataset.py\n```\n\nAfter this script runs, you should have a `data` folder containing the file `consumer_complaints_with_narrative.csv`.\n\n## The dataset\n\nThe data that we use in this example project can be downloaded using the script above. The dataset is from a public dataset on customer complaints collected from the US Consumer Finance Protection Bureau. If you would like to reproduce our edited dataset, carry out the following steps:\n\n- Download the dataset from https:\u002F\u002Fwww.consumerfinance.gov\u002Fdata-research\u002Fconsumer-complaints\u002F#download-the-data\n- Rename the columns to `[\n        \"product\",\n        \"sub_product\",\n        \"issue\",\n        \"sub_issue\",\n        \"consumer_complaint_narrative\",\n        \"company\",\n        \"state\",\n        \"zip_code\",\n        \"company\",\n        \"company_response\",\n        \"timely_response\",\n        \"consumer_disputed\"]`\n- Filter the dataset to remove rows with missing data in the `consumer_complaint_narrative` column\n- In the `consumer_disputed` column, map `Yes` to `1` and `No` to `0`\n\n\n## Pre-pipeline experiment\n\nBefore building our TFX pipeline, we experimented with different feature engineering and model architectures. The notebooks in this folder preserve our experiments, and we then refactored our code into the interactive pipeline below.\n\n## Interactive pipeline\n\nThe `interactive-pipeline` folder contains a full interactive TFX pipeline for the consumer complaint data.\n\n## Full pipelines with Apache Beam, Apache Airflow, Kubeflow Pipelines, GCP\n\nThe `pipelines` folder contains complete pipelines for the various orchestrators. See Chapters 11 and 12 for full details.\n\n## Chapters\n\nThe following subfolders contain stand-alone code for individual chapters.\n\n### Model analysis\nChapter 7. Stand-alone code for TFMA, Fairness Indicators, What-If Tool. Note that these notebooks will not work in JupyterLab.\n\n### Advanced TFX\nChapter 10. Notebook outlining the implementation of custom TFX components from scratch and by inheriting existing functionality. Presented at the Apache Beam Summit 2020.\n\n### Data privacy\nChapter 14. Code for training a differentially private version of the demo project. Note that the TF-Privacy module only supports TF 1.x as of June 2020.\n\n## Version notes\n\nThe code was written and tested for version 0.22.\n\n- As of 11\u002F23\u002F21, the examples have been updated to support TFX 1.4.0, TensorFlow 2.6.1, and Apache Beam 2.33.0. A GCP Vertex example (training and serving) was added.\n\n- As of 9\u002F22\u002F20, the interactive pipeline runs on TFX version 0.24.0rc1.\nDue to tiny TFX bugs, the pipelines currently don't work on the releases 0.23 and 0.24-rc0. Github issues have been filed with the TFX team specifically for the book pipelines ([Issue 2500](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftfx\u002Fissues\u002F2500#issuecomment-695363847)). We will update the repository once the issue is resolved.\n\n- As of 9\u002F14\u002F20, TFX only supports Python 3.8 with version >0.24.0rc0.\n","# 构建机器学习流水线\n\nHannes Hapke 和 Catherine Nelson 所著 O'Reilly 出版物 [\"Building Machine Learning Pipelines\"](http:\u002F\u002Fwww.buildingmlpipelines.com) 的代码仓库\n\n## 更新说明\n\n* 示例代码已更新以支持 TFX 1.4.0、TensorFlow 2.6.1 和 Apache Beam 2.33.0。新增了 GCP Vertex 示例（训练与服务部署）。\n\n## 配置演示项目\n\n下载初始数据集。在本仓库根目录执行：\n\n```\npython3 utils\u002Fdownload_dataset.py\n```\n\n运行该脚本后，您将获得包含 `consumer_complaints_with_narrative.csv` 文件的 `data` 文件夹。\n\n## 数据集说明\n\n本示例项目使用的数据集可通过上述脚本下载。该数据集来自美国消费者金融保护局（CFPB）收集的客户投诉公开数据集。如需复现我们编辑后的数据集，请执行以下步骤：\n\n- 从 https:\u002F\u002Fwww.consumerfinance.gov\u002Fdata-research\u002Fconsumer-complaints\u002F#download-the-data 下载原始数据\n- 将列名重命名为 `[\n        \"product\",\n        \"sub_product\",\n        \"issue\",\n        \"sub_issue\",\n        \"consumer_complaint_narrative\",\n        \"company\",\n        \"state\",\n        \"zip_code\",\n        \"company\",\n        \"company_response\",\n        \"timely_response\",\n        \"consumer_disputed\"]`\n- 过滤掉 `consumer_complaint_narrative` 列存在缺失值的行\n- 在 `consumer_disputed` 列中，将 `Yes` 映射为 `1`，`No` 映射为 `0`\n\n## 预处理实验\n\n在构建 TFX 管道之前，我们进行了特征工程和模型架构的探索性实验。本文件夹中的 Notebook 保留了我们的实验记录，后续我们将这些代码重构为下方的交互式管道。\n\n## 交互式管道\n\n`interactive-pipeline` 文件夹包含针对消费者投诉数据的完整交互式 TFX 管道。\n\n## 完整流水线（Apache Beam、Apache Airflow、Kubeflow Pipelines、GCP）\n\n`pipelines` 文件夹包含针对不同编排器的完整流水线实现。详见第11和12章内容。\n\n## 章节代码\n\n以下子文件夹包含各章节独立代码：\n\n### 模型分析\n第7章。包含 TFMA、Fairness Indicators 和 What-If Tool 的独立代码。注意这些 Notebook 无法在 JupyterLab 中运行。\n\n### 高级TFX\n第10章。演示从零实现自定义TFX组件及通过继承现有功能实现的方法。该内容曾在 Apache Beam Summit 2020 发表。\n\n### 数据隐私\n第14章。演示训练差分隐私版本的示例项目。注意截至2020年6月，TF-Privacy 模块仅支持 TF 1.x 版本。\n\n## 版本说明\n\n代码编写和测试基于版本 0.22：\n\n- 2021年11月23日：示例已更新以支持 TFX 1.4.0、TensorFlow 2.6.1 和 Apache Beam 2.33.0。新增 GCP Vertex 示例（训练与服务部署）。\n- 2020年9月22日：交互式管道基于 TFX 0.24.0rc1 运行。由于少量TFX缺陷，当前版本在 0.23 和 0.24-rc0 版本存在兼容性问题。我们已针对本书管道向TFX团队提交了GitHub问题报告（[Issue 2500](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftfx\u002Fissues\u002F2500#issuecomment-695363847)）。问题解决后将更新仓库。\n- 2020年9月14日：TFX 在 >0.24.0rc0 版本仅支持 Python 3.8。","# Building Machine Learning Pipelines 快速上手指南\n\n## 环境准备\n- **系统要求**：Linux\u002FmacOS（推荐Ubuntu 18.04+）\n- **Python版本**：3.8.x（TFX >0.24.0rc0仅支持Python 3.8）\n- **前置依赖**：\n  ```bash\n  # 安装Python依赖（推荐使用国内镜像加速）\n  pip install --upgrade pip\n  pip install virtualenv\n  ```\n\n## 安装步骤\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Foreilly-media\u002Fbuilding-machine-learning-pipelines.git\ncd building-machine-learning-pipelines\n\n# 2. 创建虚拟环境\nvirtualenv -p python3.8 venv\nsource venv\u002Fbin\u002Factivate\n\n# 3. 安装依赖（使用阿里云镜像加速）\npip install -r requirements.txt -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n```\n\n## 基本使用\n### 1. 下载数据集\n```bash\n# 执行数据下载脚本\npython3 utils\u002Fdownload_dataset.py\n\n# 验证数据文件（应生成data\u002Fconsumer_complaints_with_narrative.csv）\nls -la data\u002F\n```\n\n### 2. 运行交互式TFX管道\n```bash\n# 进入交互式管道目录\ncd interactive-pipeline\n\n# 启动Jupyter Notebook（注意：部分笔记本不兼容JupyterLab）\njupyter notebook\n```\n\n在Notebook中依次运行：\n```python\n# 1. 加载数据预处理模块\nimport data_prep\n\n# 2. 执行特征工程\ndata_prep.run_feature_engineering()\n\n# 3. 训练模型\nimport model_train\nmodel_train.run_training()\n```\n\n### 3. 运行完整管道示例（可选）\n```bash\n# 返回项目根目录\ncd ..\n\n# 查看支持的管道类型\nls pipelines\u002F\n\n# 以Apache Beam管道为例\ncd pipelines\u002Fbeam\npython3 pipeline.py\n```\n\n## 版本说明\n- 当前示例基于TFX 1.4.0 + TensorFlow 2.6.1 + Apache Beam 2.33.0\n- GCP用户可使用新增的Vertex AI训练\u002F部署示例\n- 国内用户建议优先使用阿里云镜像安装依赖：\n  ```bash\n  pip install \u003Cpackage_name> -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n  ```","某金融科技公司数据团队需要构建客户投诉分类系统，利用机器学习预测用户是否可能提出服务争议。团队需处理来自CFPB的消费者投诉数据，建立从数据清洗到模型部署的全流程。\n\n### 没有 building-machine-learning-pipelines 时\n- 数据预处理与特征工程分散在多个独立脚本中，每次调整特征都需要手动修改代码并重新验证\n- 模型训练与评估流程未标准化，不同成员使用不同验证集划分方式导致实验结果不可比\n- 部署时需重新编写数据预处理逻辑，训练环境与生产环境的数据处理逻辑存在差异\n- 缺乏统一的监控框架，模型上线后难以追踪特征分布偏移等数据漂移问题\n- 团队新人需要阅读多个文档才能理解完整流程，项目交接耗时超过3人日\n\n### 使用 building-machine-learning-pipelines 后\n- 通过TFX组件标准化数据验证（ExampleValidator）、特征转换（Transform）等流程，特征工程代码可直接复用到训练和推理阶段\n- 利用预制的Pipeline模板，统一定义TrainSpec和EvalSpec，确保实验可复现且评估指标横向可比\n- 采用Interactive Pipeline进行本地调试，通过SameDatasetProvider实现训练-服务同源数据处理逻辑\n- 内置TFMA（TensorFlow Model Analysis）组件自动生成多维评估报告，实时监控模型在不同特征切片上的表现\n- 新成员通过阅读Chapter 7的模型分析笔记和Chapter 10的自定义组件示例，2天内即可参与核心开发\n\n**核心价值**：通过标准化机器学习流水线架构，将特征工程、模型训练、评估部署等环节整合为可复用的模块化组件，使团队迭代效率提升40%以上。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBuilding-ML-Pipelines_building-machine-learning-pipelines_357aebe6.png","Building-ML-Pipelines","Building ML Pipelines","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FBuilding-ML-Pipelines_55d84846.png","",null,"building.ml.pipelines@gmail.com","buildingmlpipelines.com","https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines",[85,89,93,97,100],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",98.8,{"name":90,"color":91,"percentage":92},"Python","#3572A5",1.2,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0,{"name":98,"color":99,"percentage":96},"Makefile","#427819",{"name":101,"color":102,"percentage":96},"Dockerfile","#384d54",608,261,"2026-04-02T23:21:29","MIT","未说明",{"notes":109,"python":110,"dependencies":111},"注意版本兼容性问题，部分功能需特定TFX版本；下载数据集需约5GB存储空间","3.8+",[112,113,114],"tfx==1.4.0","tensorflow==2.6.1","apache-beam==2.33.0",[13,15],"2026-03-27T02:49:30.150509","2026-04-06T07:11:54.196860",[119,124,129,134,139,144,148],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},5043,"从gcr.io拉取镜像失败如何解决？","检查Google Container Registry的访问权限配置，或尝试将镜像推送到自建仓库。用户通过部署自定义镜像到私有仓库解决了该问题。","https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Fissues\u002F29",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},5042,"安装依赖时无法解决版本依赖问题怎么办？","尝试使用 Python 3.6.9 和 pip 20.2.0 组合，并确保安装 tensorflow-data-validation[visualization] 扩展依赖。项目已通过最新版本修复依赖问题，建议更新代码库后重试：https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Freleases\u002Ftag\u002Fexamples_based_on_tfx_1.4","https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Fissues\u002F45",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},5044,"DataFlow运行时提示缺少IPython模块怎么办？","在Dataflow配置中添加额外依赖包：\n```python\nsetup_options = options.view_as(SetupOptions)\nsetup_options.extra_packages = [\n    'tensorflow_data_validation-0.23.0-cp37-cp37m-manylinux2010_x86_64.whl', \n    'ipython-7.18.1-py3-none-any.whl'\n]\n```","https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Fissues\u002F17",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},5045,"如何自定义TFX ExampleGen的数据分割逻辑？","通过扩展ExampleGen组件的Executor类实现自定义分割逻辑。参考示例：https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Fblob\u002Fmaster\u002Fchapters\u002Fadv_tfx\u002FCustom_TFX_Components.ipynb","https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Fissues\u002F23",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},5046,"运行Transform组件时出现类型错误如何处理？","清理残留数据文件并逐个执行单元格。错误可能由旧数据文件残留或内核状态异常导致，完整执行流程建议：\n1. 删除data目录旧文件\n2. 逐个运行Jupyter单元格\n3. 确保上游组件完成后再运行下游组件","https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Fissues\u002F18",{"id":145,"question_zh":146,"answer_zh":147,"source_url":143},5047,"如何处理TFX交互式管道的模型通道错误？","确保所有上游组件使用`interactive_context.run()`执行后，再运行下游组件。若出现通道错误，重启内核并按顺序重新执行所有组件。",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},5048,"如何生成数据验证所需的26k-consumer-complaints-modified.csv文件？","该文件是原始数据集的修改版本，建议参考项目文档的预处理步骤或从官方示例数据源获取。当前Issue未提供具体生成方法，可查看最新版本发布说明。","https:\u002F\u002Fgithub.com\u002FBuilding-ML-Pipelines\u002Fbuilding-machine-learning-pipelines\u002Fissues\u002F16",[154,159],{"id":155,"version":156,"summary_zh":157,"released_at":158},104592,"examples_based_on_tfx_1.4","Example code updated to work with TFX 1.4","2021-11-23T20:21:38",{"id":160,"version":161,"summary_zh":162,"released_at":163},104593,"examples_based_on_tfx_0.22","Initial book example code","2021-11-23T20:19:17"]