[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Cloud-CV--Fabrik":3,"tool-Cloud-CV--Fabrik":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":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":81,"owner_website":82,"owner_url":83,"languages":84,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":112,"env_os":113,"env_gpu":114,"env_ram":114,"env_deps":115,"category_tags":128,"github_topics":129,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":136,"updated_at":137,"faqs":138,"releases":178},3383,"Cloud-CV\u002FFabrik","Fabrik",":factory: Collaboratively build, visualize, and design neural nets in browser","Fabrik 是一个基于浏览器的在线协作平台，旨在让用户通过简单的拖拽操作来构建、可视化和设计深度神经网络。它主要解决了传统深度学习模型开发中代码门槛高、架构调试困难以及团队协作不便的痛点。研究人员和开发者无需编写繁琐的底层代码，即可在直观的网页图形界面中快速搭建模型原型，并实时查看网络结构。\n\nFabrik 特别适合人工智能研究人员、深度学习工程师以及希望直观理解神经网络结构的学生使用。其独特的技术亮点在于强大的兼容性与互操作性：它不仅支持模型的导入、编辑和导出，还能无缝对接 Caffe、Keras 和 TensorFlow 等主流深度学习框架。这意味着用户可以在 Fabrik 中完成模型设计与调试后，轻松将配置迁移至本地训练环境。此外，Fabrik 强调“协作”理念，允许多名用户共同开发和调试模型，极大地提升了团队研发效率。作为一个开源项目，Fabrik 为深度学习社区提供了一个低代码、高可视化的创新工作流，让复杂的神经网络设计变得更加触手可及。","\u003Cimg width=\"25%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCloud-CV_Fabrik_readme_f919f065c3cf.png\" \u002F>\n\n[![Join the chat at https:\u002F\u002Fgitter.im\u002FCloud-CV\u002FFabrik](https:\u002F\u002Fbadges.gitter.im\u002FCloud-CV\u002FFabrik.svg)](https:\u002F\u002Fgitter.im\u002FCloud-CV\u002FFabrik?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002FCloud-CV\u002FFabrik.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002FCloud-CV\u002FFabrik)\n[![Coverage Status](https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002FCloud-CV\u002FFabrik\u002Fbadge.svg?branch=master)](https:\u002F\u002Fcoveralls.io\u002Fgithub\u002FCloud-CV\u002FFabrik?branch=master)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCloud-CV_Fabrik_readme_13d664e1afd7.png)](http:\u002F\u002Ffabrik.readthedocs.io\u002Fen\u002Flatest\u002F)\n\nFabrik is an online collaborative platform to build, visualize and train deep learning models via a simple drag-and-drop interface. It allows researchers to collectively develop and debug models using a web GUI that supports importing, editing and exporting networks to popular frameworks like Caffe, Keras, and TensorFlow.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCloud-CV_Fabrik_readme_70833c262659.gif\">\n\nThis app is presently under active development and we welcome contributions. Please check out our [issues thread](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FIDE\u002Fissues) to find things to work on, or ping us on [Gitter](https:\u002F\u002Fgitter.im\u002FCloud-CV\u002FIDE).\n\n\n## Installation Instructions\n\nSetting up Fabrik on your local machine is very easy. You can setup Fabrik using two methods:\n\n### Using Docker\n\n#### Docker Installation\nIf you haven't installed Docker already: \u003C\u002Fbr>\n\nTo install Docker for Windows [click here](https:\u002F\u002Fdocs.docker.com\u002Fdocker-for-windows\u002Finstall\u002F).\n\nTo install Docker for Mac [click here](https:\u002F\u002Fdocs.docker.com\u002Fdocker-for-mac\u002Finstall\u002F).\n\n#### Fabrik Installation\n1. Get the source code on to your machine via git.\n\n    ```\n    git clone https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik.git && cd Fabrik\n    ```\n\n2. Rename `settings\u002Fdev.sample.py` as `dev.py`.\n\n    ```\n    cp settings\u002Fdev.sample.py settings\u002Fdev.py\n    ```\n\n3. Build and run the Docker containers. This might take a while. You should now be able to access Fabrik at \u003Chttp:\u002F\u002F0.0.0.0:8000>.\n\n    ```\n    docker-compose up --build\n    ```\n\n### Setup Authentication for Docker Environment\n1. Go to Github Developer Applications and create a new application. [here](https:\u002F\u002Fgithub.com\u002Fsettings\u002Fdevelopers)\n\n2. For local deployments,the following should be used in the options:\n    * Application name: Fabrik\n    * Homepage URL: http:\u002F\u002F0.0.0.0:8000\n    * Application description: Fabrik\n    * Authorization callback URL: http:\u002F\u002F0.0.0.0:8000\u002Faccounts\u002Fgithub\u002Flogin\u002Fcallback\u002F\n\n3. Github will provide you with a Client ID and a Secret Key. Save these.\n\n4. Create a superuser in django service of docker container\n\n    ```\n    docker-compose run django python manage.py createsuperuser\n    ```\n\n    Note: Before creating the superuser, make sure that django service of docker image is running. This can be done by executing ``` docker-compose up ``` followed by ``` Ctrl + C ``` to save docker configuration.\n\n5. Open http:\u002F\u002F0.0.0.0:8000\u002Fadmin and login with the credentials from step 4.\n\n6. Setting up Social Accounts in django admin\n\n    * Under ``` Social Accounts ```, open ``` Social applications ``` and click on ``` Add Social Application ```.\n\n    * Choose  the ``` Provider ``` of social application as ``` Github ``` and  name it ``` Github ```.\n\n    * Add the sites available to the right side, so github is allowed for the current site.\n\n    * Copy and paste your ``` Client ID ``` and ``` Secret Key ``` into the apppropriate fields and Save.\n\n7. Go to ``` Sites ``` tab and update the ``` Domain name ``` to ``` 0.0.0.0:8000 ```.\n\n\n### Using Virtual Environment\n1. First set up a virtualenv. Fabrik runs on Python2.7.\n\n    ```\n    sudo apt-get install python-pip python-dev python-virtualenv\n    virtualenv --system-site-packages ~\u002FFabrik --python=python2.7\n    source ~\u002FFabrik\u002Fbin\u002Factivate\n    ```\n\n2. Clone the repository via git\n\n    ```\n    git clone --recursive https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik.git && cd Fabrik\n    ```\n\n3. Rename settings\u002Fdev.sample.py as settings\u002Fdev.py and change credentials in settings\u002Fdev.py\n\n    ```\n    cp settings\u002Fdev.sample.py settings\u002Fdev.py\n    ```\n\n    * Change the hostname to ``` localhost ``` in settings\u002Fdev.py line 15. It should now look like this:  \n\n    ```\n    'HOST': os.environ.get(\"POSTGRES_HOST\", 'localhost'), \n    ```\n\n4. Install redis server  \n\n    ```\n    sudo apt-get install redis-server\n    ```\n\n    * Change the hostname to ``` localhost ``` in settings\u002Fcommon.py line 115.\n\n        ```\n        \"CONFIG\": {\n            # replace redis hostname to localhost if running on local system\n            \"hosts\": [(\"localhost\", 6379)],\n            \"prefix\": u'fabrik:',\n            },\n        ```\n\n    * Replace celery result backend in settings\u002Fcommon.py line 122 with localhost.\n\n        ```\n        CELERY_RESULT_BACKEND = 'redis:\u002F\u002Flocalhost:6379\u002F0'\n        ```\n\n    * Change celery broker URL and result backend hostname to ``` localhost ``` in ide\u002Fcelery_app.py, line 8.\n\n        ```\n        app = Celery('app', broker='redis:\u002F\u002Flocalhost:6379\u002F0', backend='redis:\u002F\u002Flocalhost:6379\u002F0', include=['ide.tasks'])\n        ```\n\n5. If you already have Caffe, Keras and TensorFlow installed on your computer, skip this step.\n* For Linux users\n    * Install Caffe, Keras and Tensorflow\n\n        ```\n        cd Fabrik\u002Frequirements\n        yes Y | sh caffe_tensorflow_keras_install.sh\n        ```\n\n    * Open your ~\u002F.bashrc file and append this line to the end\n\n        ```      \n        export PYTHONPATH=~\u002Fcaffe\u002Fcaffe\u002Fpython:$PYTHONPATH\n        ```\n\n    * Save, exit and then run\n\n        ```\n        source ~\u002F.bash_profile\n        cd ..\n        ```\n\n* For Mac users\n    * [Install Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002Finstall_osx.html)\n    * [Install Tensorflow](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Finstall_mac)\n    * [Install Keras](https:\u002F\u002Fkeras.io\u002F#installation)\n\n6. Install dependencies\n* For developers:\n\n    ```\n    pip install -r requirements\u002Fdev.txt\n    ```\n\n* For others:\n\n    ```\n    pip install -r requirements\u002Fcommon.txt\n    ```\n\n7. [Install postgres >= 9.5](https:\u002F\u002Fwww.digitalocean.com\u002Fcommunity\u002Ftutorials\u002Fhow-to-install-and-use-postgresql-on-ubuntu-16-04)\n* Setup postgres database\n    * Start postgresql by typing ```sudo service postgresql start```\n    * Now login as user postgres by running ```sudo -u postgres psql``` and type the commands below:\n\n        ```\n        CREATE DATABASE fabrik;\n        CREATE USER admin WITH PASSWORD 'fabrik';\n        ALTER ROLE admin SET client_encoding TO 'utf8';\n        ALTER ROLE admin SET default_transaction_isolation TO 'read committed';\n        ALTER ROLE admin SET timezone TO 'UTC';\n        ALTER USER admin CREATEDB;\n        ```\n\n    * Exit psql by typing in \\q and hitting enter.\n\n* Migrate\n\n    ```\n    python manage.py makemigrations caffe_app\n    python manage.py migrate\n    ```\n\n8. Install node modules\n\n    ```\n    npm install\n    npm install --save-dev json-loader\n    sudo npm install -g webpack@1.15.0\n    ```\n\n    * Run the command below in a separate terminal for hot-reloading, i.e. see the changes made to the UI in real time. \n\n    ```\n    webpack --progress --watch --colors\n    ```\n\n9. Start celery worker\n\n    ```\n    celery -A ide worker --app=ide.celery_app  --loglevel=info\n    ```\n\n    The celery worker needs to be run in parallel to the django server in a separate terminal.\n\n10. Start django application\n\n    ```\n    python manage.py runserver\n    ```\n\n    You should now be able to access Fabrik at \u003Chttp:\u002F\u002Flocalhost:8000>.\n\n### Setup Authentication for Virtual Environment\n1. Go to Github Developer Applications and create a new application. [here](https:\u002F\u002Fgithub.com\u002Fsettings\u002Fdevelopers)\n\n2. For local deployments, the following should be used in the options:\n    * Application name: Fabrik\n    * Homepage URL: http:\u002F\u002Flocalhost:8000\n    * Application description: Fabrik\n    * Authorization callback URL: http:\u002F\u002Flocalhost:8000\u002Faccounts\u002Fgithub\u002Flogin\u002Fcallback\u002F\n\n3. Github will provide you with a client ID and secret Key, save these.\n\n4. Create a superuser in django\n\n    ```\n    python manage.py createsuperuser\n    ```\n\n5. Start the application\n\n    ```\n    python manage.py runserver\n    ```\n\n6. Open http:\u002F\u002Flocalhost:8000\u002Fadmin\n\n7. Login with the credentials from step 4.\n\n8. Setting up Social Accounts in django admin :\n\n    * Under ```Social Accounts``` open ``` Social applications ```, click on ``` Add Social Application ```.\n\n    * Choose  the ``` Provider ``` of social application as ``` Github ``` &  name it ``` Github ```.\n\n    * Add the sites available to the right side, so github is allowed for the current site. This should be `localhost:8000` for local deployment.\n\n    * Copy and paste your ``` Client ID ``` and ``` Secret Key ``` into the appropriate fields and Save.\n\n9. From the django admin home page, go to `Sites` under the `Sites` category and update ``` Domain name ``` to ``` localhost:8000 ```.\n\nNote: For testing, you will only need one authentication backend. However, if you want to try out Google's authentication,\nthen, you will need to follow the same steps as above, but switch out the Github for Google.\n\n\n### Usage\n\n```\npython manage.py runserver\n```\n\n### Example\n* Use `example\u002Ftensorflow\u002FGoogleNet.pbtxt` for TensorFlow import\n* Use `example\u002Fcaffe\u002FGoogleNet.prototxt` for Caffe import\n* Use `example\u002Fkeras\u002Fvgg16.json` for Keras import\n\n### Tested models\n\nThe model conversion between currently supported frameworks is tested on some models.\n\nModels                                                                      | Caffe | Keras | Tensorflow |\n:--------------------------------------------------------------------------:|:-----:|:-----:|:----------:|\n[Inception V3](http:\u002F\u002Farxiv.org\u002Fabs\u002F1512.00567)                             |   √   |   √   |     √      |\n[Inception V4](http:\u002F\u002Farxiv.org\u002Fabs\u002F1512.00567)                             |   √   |   √   |     √      |\n[ResNet 101](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)                              |   √   |   √   |     √      |\n[VGG 16](http:\u002F\u002Farxiv.org\u002Fabs\u002F1409.1556.pdf)                                |   √   |   √   |     √      |\n[GoogLeNet](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1610.02357.pdf)                           |   √   |   ×   |     ×      |\n[SqueezeNet](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1602.07360)                              |   √   |   ×   |     ×      |\n[DenseNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.06993)                                |   √   |   ×   |     ×      |\n[AllCNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6806)                                   |   √   |   ×   |     ×      |\n[AlexNet](http:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F4824-imagenet-classification-with-deep-convolutional-neural-networks)                                 |   √   |   √   |     √      |\n[FCN32 Pascal](https:\u002F\u002Fwww.cv-foundation.org\u002Fopenaccess\u002Fcontent_cvpr_2015\u002Fhtml\u002FLong_Fully_Convolutional_Networks_2015_CVPR_paper.html) |   √   |   ×   |     ×      |\n[YoloNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.02640)                                 |   √   |   √   |     √      |\n[Pix2Pix](https:\u002F\u002Fgithub.com\u002Fphillipi\u002Fpix2pix)                              |   √   |   ×   |     ×      |\n[VQA](https:\u002F\u002Fgithub.com\u002Fiamaaditya\u002FVQA_Demo)                               |   √   |   √   |     √      |\n[Denoising Auto-Encoder](https:\u002F\u002Fblog.keras.io\u002Fbuilding-autoencoders-in-keras.html)                               |   ×   |   √   |     √      |\n\nNote: For models that use a custom LRN layer (Alexnet), Keras expects the custom layer to be passed when it is loaded from json. LRN.py is located in keras_app\u002Fcustom_layers. [Alexnet import for Keras](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_custom_layer_usage.md)\n\n### Documentation\n* [Using a Keras model exported from Fabrik](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_json_usage_1.md)\n* [Loading a Keras model exported from Fabrik and printing its summary](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_json_usage_2.md)\n* [Using an Exported Caffe Model](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fcaffe_prototxt_usage_1.md)\n* [Loading a Caffe model in python and printing its parameters and output size](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fcaffe_prototxt_usage_2.md)\n* [List of models tested with Fabrik](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Ftested_models.md)\n* [Adding model to the Fabrik model zoo](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fadding_new_model.md)\n* [Adding new layers](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fadding_new_layers.md)\n* [Using custom layers with Keras](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_custom_layer_usage.md)\n* [Linux installation walk-through](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zPgoben9D1w)\n\n### License\n\nThis software is licensed under GNU GPLv3. Please see the included License file. All external libraries, if modified, will be mentioned below explicitly.\n","\u003Cimg width=\"25%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCloud-CV_Fabrik_readme_f919f065c3cf.png\" \u002F>\n\n[![加入聊天室 https:\u002F\u002Fgitter.im\u002FCloud-CV\u002FFabrik](https:\u002F\u002Fbadges.gitter.im\u002FCloud-CV\u002FFabrik.svg)](https:\u002F\u002Fgitter.im\u002FCloud-CV\u002FFabrik?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002FCloud-CV\u002FFabrik.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002FCloud-CV\u002FFabrik)\n[![覆盖率状态](https:\u002F\u002Fcoveralls.io\u002Frepos\u002Fgithub\u002FCloud-CV\u002FFabrik\u002Fbadge.svg?branch=master)](https:\u002F\u002Fcoveralls.io\u002Fgithub\u002FCloud-CV\u002FFabrik?branch=master)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCloud-CV_Fabrik_readme_13d664e1afd7.png)](http:\u002F\u002Ffabrik.readthedocs.io\u002Fen\u002Flatest\u002F)\n\nFabrik 是一个在线协作平台，通过简单的拖放界面即可构建、可视化并训练深度学习模型。它使研究人员能够使用支持导入、编辑和导出网络到 Caffe、Keras 和 TensorFlow 等流行框架的 Web GUI，共同开发和调试模型。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCloud-CV_Fabrik_readme_70833c262659.gif\">\n\n目前，该应用正处于积极开发中，我们欢迎各方贡献。请查看我们的 [问题讨论区](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FIDE\u002Fissues)，寻找可参与的工作内容，或在 [Gitter](https:\u002F\u002Fgitter.im\u002FCloud-CV\u002FIDE) 上与我们交流。\n\n\n## 安装说明\n\n在本地机器上搭建 Fabrik 非常简单。您可以通过两种方法进行设置：\n\n### 使用 Docker\n\n#### Docker 安装\n如果您尚未安装 Docker：\u003C\u002Fbr>\n\nWindows 用户请 [点击此处](https:\u002F\u002Fdocs.docker.com\u002Fdocker-for-windows\u002Finstall\u002F) 安装。\n\nMac 用户请 [点击此处](https:\u002F\u002Fdocs.docker.com\u002Fdocker-for-mac\u002Finstall\u002F) 安装。\n\n#### Fabrik 安装\n1. 通过 git 将源代码获取到您的机器上。\n\n    ```\n    git clone https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik.git && cd Fabrik\n    ```\n\n2. 将 `settings\u002Fdev.sample.py` 重命名为 `dev.py`。\n\n    ```\n    cp settings\u002Fdev.sample.py settings\u002Fdev.py\n    ```\n\n3. 构建并运行 Docker 容器。这可能需要一些时间。现在您应该能够访问 Fabrik，地址为 \u003Chttp:\u002F\u002F0.0.0.0:8000>。\n\n    ```\n    docker-compose up --build\n    ```\n\n### 为 Docker 环境设置认证\n1. 前往 GitHub 开发者应用并创建一个新的应用。[这里](https:\u002F\u002Fgithub.com\u002Fsettings\u002Fdevelopers)\n\n2. 对于本地部署，应在选项中使用以下设置：\n    * 应用名称：Fabrik\n    * 主页 URL：http:\u002F\u002F0.0.0.0:8000\n    * 应用描述：Fabrik\n    * 授权回调 URL：http:\u002F\u002F0.0.0.0:8000\u002Faccounts\u002Fgithub\u002Flogin\u002Fcallback\u002F\n\n3. GitHub 将为您提供 Client ID 和 Secret Key，请妥善保存。\n\n4. 在 Docker 容器的 Django 服务中创建超级用户。\n\n    ```\n    docker-compose run django python manage.py createsuperuser\n    ```\n\n    注意：在创建超级用户之前，请确保 Docker 镜像中的 Django 服务正在运行。可通过执行 ``` docker-compose up ``` 后按 ``` Ctrl + C ``` 来保存 Docker 配置。\n\n5. 打开 http:\u002F\u002F0.0.0.0:8000\u002Fadmin，并使用第 4 步中的凭据登录。\n\n6. 在 Django 管理后台设置社交账号\n\n    * 在 ``` 社交账号 ``` 下，打开 ``` 社交应用 ``` 并点击 ``` 添加社交应用 ```。\n\n    * 选择社交应用的 ``` 提供商 ``` 为 ``` Github ```，并将其命名为 ``` Github ```。\n\n    * 将可用站点添加到右侧，以便允许 GitHub 访问当前站点。\n\n    * 将您的 ``` Client ID ``` 和 ``` Secret Key ``` 复制并粘贴到相应字段中，然后保存。\n\n7. 转到 ``` 站点 ``` 选项卡，将 ``` 域名 ``` 更新为 ``` 0.0.0.0:8000 ```。\n\n### 使用虚拟环境\n1. 首先设置一个 virtualenv。Fabrik 运行在 Python 2.7 上。\n\n    ```\n    sudo apt-get install python-pip python-dev python-virtualenv\n    virtualenv --system-site-packages ~\u002FFabrik --python=python2.7\n    source ~\u002FFabrik\u002Fbin\u002Factivate\n    ```\n\n2. 通过 git 克隆仓库\n\n    ```\n    git clone --recursive https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik.git && cd Fabrik\n    ```\n\n3. 将 settings\u002Fdev.sample.py 重命名为 settings\u002Fdev.py，并修改 settings\u002Fdev.py 中的凭据\n\n    ```\n    cp settings\u002Fdev.sample.py settings\u002Fdev.py\n    ```\n\n    * 将 settings\u002Fdev.py 第 15 行中的主机名改为 ``` localhost ```。现在应如下所示：\n\n    ```\n    'HOST': os.environ.get(\"POSTGRES_HOST\", 'localhost'), \n    ```\n\n4. 安装 Redis 服务器\n\n    ```\n    sudo apt-get install redis-server\n    ```\n\n    * 将 settings\u002Fcommon.py 第 115 行中的主机名改为 ``` localhost ```。\n\n        ```\n        \"CONFIG\": {\n            # 如果在本地系统上运行，请将 Redis 主机名替换为 localhost\n            \"hosts\": [(\"localhost\", 6379)],\n            \"prefix\": u'fabrik:',\n            },\n        ```\n\n    * 将 settings\u002Fcommon.py 第 122 行中的 Celery 结果后端替换为 localhost。\n\n        ```\n        CELERY_RESULT_BACKEND = 'redis:\u002F\u002Flocalhost:6379\u002F0'\n        ```\n\n    * 将 ide\u002Fcelery_app.py 第 8 行中的 Celery 代理 URL 和结果后端主机名改为 ``` localhost ```。\n\n        ```\n        app = Celery('app', broker='redis:\u002F\u002Flocalhost:6379\u002F0', backend='redis:\u002F\u002Flocalhost:6379\u002F0', include=['ide.tasks'])\n        ```\n\n5. 如果您的计算机上已经安装了 Caffe、Keras 和 TensorFlow，请跳过此步骤。\n* 对于 Linux 用户：\n    * 安装 Caffe、Keras 和 TensorFlow\n\n        ```\n        cd Fabrik\u002Frequirements\n        yes Y | sh caffe_tensorflow_keras_install.sh\n        ```\n\n    * 打开您的 ~\u002F.bashrc 文件，并在末尾添加以下行\n\n        ```\n        export PYTHONPATH=~\u002Fcaffe\u002Fcaffe\u002Fpython:$PYTHONPATH\n        ```\n\n    * 保存并退出，然后运行\n\n        ```\n        source ~\u002F.bash_profile\n        cd ..\n        ```\n\n* 对于 Mac 用户：\n    * [安装 Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002Finstall_osx.html)\n    * [安装 TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002Finstall\u002Finstall_mac)\n    * [安装 Keras](https:\u002F\u002Fkeras.io\u002F#installation)\n\n6. 安装依赖项\n* 对于开发者：\n\n    ```\n    pip install -r requirements\u002Fdev.txt\n    ```\n\n* 对于其他用户：\n\n    ```\n    pip install -r requirements\u002Fcommon.txt\n    ```\n\n7. [安装 PostgreSQL >= 9.5](https:\u002F\u002Fwww.digitalocean.com\u002Fcommunity\u002Ftutorials\u002Fhow-to-install-and-use-postgresql-on-ubuntu-16-04)\n* 设置 PostgreSQL 数据库\n    * 输入 ```sudo service postgresql start``` 启动 PostgreSQL\n    * 然后以用户 postgres 身份登录，运行 ```sudo -u postgres psql``` 并输入以下命令：\n\n        ```\n        CREATE DATABASE fabrik;\n        CREATE USER admin WITH PASSWORD 'fabrik';\n        ALTER ROLE admin SET client_encoding TO 'utf8';\n        ALTER ROLE admin SET default_transaction_isolation TO 'read committed';\n        ALTER ROLE admin SET timezone TO 'UTC';\n        ALTER USER admin CREATEDB;\n        ```\n\n    * 输入 \\q 并按回车键退出 psql。\n\n* 迁移\n\n    ```\n    python manage.py makemigrations caffe_app\n    python manage.py migrate\n    ```\n\n8. 安装 Node 模块\n\n    ```\n    npm install\n    npm install --save-dev json-loader\n    sudo npm install -g webpack@1.15.0\n    ```\n\n    * 在另一个终端中运行以下命令以实现热重载，即实时查看 UI 的更改。\n\n    ```\n    webpack --progress --watch --colors\n    ```\n\n9. 启动 Celery 工作进程\n\n    ```\n    celery -A ide worker --app=ide.celery_app  --loglevel=info\n    ```\n\n    Celery 工作进程需要与 Django 服务器在不同的终端中并行运行。\n\n10. 启动 Django 应用程序\n\n    ```\n    python manage.py runserver\n    ```\n\n    现在您应该能够访问 Fabrik，网址为 \u003Chttp:\u002F\u002Flocalhost:8000>。\n\n### 为虚拟环境设置身份验证\n1. 前往 GitHub 开发者应用并创建一个新的应用。[这里](https:\u002F\u002Fgithub.com\u002Fsettings\u002Fdevelopers)\n\n2. 对于本地部署，应在选项中使用以下内容：\n    * 应用名称：Fabrik\n    * 主页 URL：http:\u002F\u002Flocalhost:8000\n    * 应用描述：Fabrik\n    * 授权回调 URL：http:\u002F\u002Flocalhost:8000\u002Faccounts\u002Fgithub\u002Flogin\u002Fcallback\u002F\n\n3. GitHub 将为您提供客户端 ID 和密钥，请保存这些信息。\n\n4. 在 Django 中创建超级用户\n\n    ```\n    python manage.py createsuperuser\n    ```\n\n5. 启动应用程序\n\n    ```\n    python manage.py runserver\n    ```\n\n6. 打开 http:\u002F\u002Flocalhost:8000\u002Fadmin\n\n7. 使用第 4 步中的凭据登录。\n\n8. 在 Django 管理后台设置社交账户：\n\n    * 在 ``` 社交账户 ``` 下，打开 ``` 社交应用 ```，点击 ``` 添加社交应用 ```。\n\n    * 选择社交应用的 ``` 提供商 ``` 为 ``` Github ```，并将其命名为 ``` Github ```。\n\n    * 将可用站点添加到右侧，以便允许 GitHub 访问当前站点。对于本地部署，这应该是 `localhost:8000`。\n\n    * 将您的 ``` 客户端 ID ``` 和 ``` 密钥 ``` 复制并粘贴到相应字段中，然后保存。\n\n9. 从 Django 管理主页的 ``` 站点 ``` 类别中，进入 `站点`，并将 ``` 域名 ``` 更新为 ``` localhost:8000 ```。\n\n注意：在测试时，您只需要一个身份验证后端。但是，如果您想尝试 Google 的身份验证，则需要按照上述步骤操作，只是将 Github 替换为 Google。\n\n\n### 使用方法\n\n```\npython manage.py runserver\n```\n\n### 示例\n* 使用 `example\u002Ftensorflow\u002FGoogleNet.pbtxt` 导入 TensorFlow\n* 使用 `example\u002Fcaffe\u002FGoogleNet.prototxt` 导入 Caffe\n* 使用 `example\u002Fkeras\u002Fvgg16.json` 导入 Keras\n\n### 已测试模型\n\n目前支持的框架之间的模型转换已在部分模型上进行了测试。\n\n模型                                                                      | Caffe | Keras | Tensorflow |\n:--------------------------------------------------------------------------:|:-----:|:-----:|:----------:|\n[Inception V3](http:\u002F\u002Farxiv.org\u002Fabs\u002F1512.00567)                             |   √   |   √   |     √      |\n[Inception V4](http0:\u002F\u002Farxiv.org\u002Fabs\u002F1512.00567)                             |   √   |   √   |     √      |\n[ResNet 101](https:\u002F\u002Farxiv.org\u002Fabs\u002F1512.03385)                              |   √   |   √   |     √      |\n[VGG 16](http:\u002F\u002Farxiv.org\u002Fabs\u002F1409.1556.pdf)                                |   √   |   √   |     √      |\n[GoogLeNet](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1610.02357.pdf)                           |   √   |   ×   |     ×      |\n[SqueezeNet](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1602.07360)                              |   √   |   ×   |     ×      |\n[DenseNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1608.06993)                                |   √   |   ×   |     ×      |\n[AllCNN](https:\u002F\u002Farxiv.org\u002Fabs\u002F1412.6806)                                   |   √   |   ×   |     ×      |\n[AlexNet](http:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F4824-imagenet-classification-with-deep-convolutional-neural-networks)                                 |   √   |   √   |     √      |\n[FCN32 Pascal](https:\u002F\u002Fwww.cv-foundation.org\u002Fopenaccess\u002Fcontent_cvpr_2015\u002Fhtml\u002FLong_Fully_Convolutional_Networks_2015_CVPR_paper.html) |   √   |   ×   |     ×      |\n[YoloNet](https:\u002F\u002Farxiv.org\u002Fabs\u002F1506.02640)                                 |   √   |   √   |     √      |\n[Pix2Pix](https:\u002F\u002Fgithub.com\u002Fphillipi\u002Fpix2pix)                              |   √   |   ×   |     ×      |\n[VQA](https:\u002F\u002Fgithub.com\u002Fiamaaditya\u002FVQA_Demo)                               |   √   |   √   |     √      |\n[Denoising Auto-Encoder](https:\u002F\u002Fblog.keras.io\u002Fbuilding-autoencoders-in-keras.html)                               |   ×   |   √   |     √      |\n\n注意：对于使用自定义 LRN 层的模型（如 AlexNet），Keras 在从 JSON 加载时要求传入该自定义层。LRN.py 位于 keras_app\u002Fcustom_layers 目录下。[AlexNet 在 Keras 中的导入方法](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_custom_layer_usage.md)\n\n### 文档\n* [使用从 Fabrik 导出的 Keras 模型](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_json_usage_1.md)\n* [加载并打印从 Fabrik 导出的 Keras 模型摘要](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_json_usage_2.md)\n* [使用导出的 Caffe 模型](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fcaffe_prototxt_usage_1.md)\n* [在 Python 中加载 Caffe 模型并打印其参数和输出尺寸](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fcaffe_prototxt_usage_2.md)\n* [Fabrik 已测试模型列表](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Ftested_models.md)\n* [将模型添加到 Fabrik 模型库](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fadding_new_model.md)\n* [添加新层](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fadding_new_layers.md)\n* [在 Keras 中使用自定义层](https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fblob\u002Fmaster\u002Ftutorials\u002Fkeras_custom_layer_usage.md)\n* [Linux 安装教程](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=zPgoben9D1w)\n\n### 许可证\n\n本软件采用 GNU GPLv3 许可证。请参阅随附的许可证文件。所有外部库若经修改，将在下方明确说明。","# Fabrik 快速上手指南\n\nFabrik 是一个基于 Web 的协作平台，支持通过拖拽界面构建、可视化和训练深度学习模型。它允许研究人员导入、编辑和导出 Caffe、Keras 和 TensorFlow 等主流框架的网络模型。\n\n## 环境准备\n\n在开始安装前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu) 或 macOS。Windows 用户建议使用 Docker 方式部署。\n*   **Python 版本**: Python 2.7 (虚拟环境部署必需)。\n*   **核心依赖**:\n    *   Git\n    *   PostgreSQL (版本 >= 9.5)\n    *   Redis Server\n    *   Node.js & npm\n    *   深度学习框架 (可选，若需本地推理): Caffe, Keras, TensorFlow\n*   **部署方式选择**:\n    *   **Docker (推荐)**: 适合快速体验，环境隔离好，配置简单。\n    *   **虚拟环境**: 适合开发者进行源码级修改和调试。\n\n---\n\n## 安装步骤\n\n### 方法一：使用 Docker (推荐)\n\n此方法最简便，自动处理所有依赖关系。\n\n1.  **获取源码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik.git && cd Fabrik\n    ```\n\n2.  **配置文件初始化**\n    ```bash\n    cp settings\u002Fdev.sample.py settings\u002Fdev.py\n    ```\n\n3.  **构建并启动容器**\n    ```bash\n    docker-compose up --build\n    ```\n    启动完成后，访问 `http:\u002F\u002F0.0.0.0:8000` 即可看到界面。\n\n4.  **配置管理员与认证 (首次运行必需)**\n    *   **创建超级用户**:\n        ```bash\n        docker-compose run django python manage.py createsuperuser\n        ```\n        *(注意：执行前需确保 django 服务已运行，可先执行 `docker-compose up` 后按 `Ctrl+C` 暂停)*\n\n    *   **配置 GitHub 登录**:\n        1.  访问 [GitHub Developer Applications](https:\u002F\u002Fgithub.com\u002Fsettings\u002Fdevelopers) 创建新应用。\n        2.  设置 `Homepage URL` 为 `http:\u002F\u002F0.0.0.0:8000`，`Authorization callback URL` 为 `http:\u002F\u002F0.0.0.0:8000\u002Faccounts\u002Fgithub\u002Flogin\u002Fcallback\u002F`。\n        3.  获取 `Client ID` 和 `Secret Key`。\n        4.  登录 `http:\u002F\u002F0.0.0.0:8000\u002Fadmin`，进入 **Social Accounts** -> **Social applications**，添加 Github 应用并填入上述 ID 和 Key。\n        5.  进入 **Sites**，将 `Domain name` 更新为 `0.0.0.0:8000`。\n\n---\n\n### 方法二：使用虚拟环境 (开发者模式)\n\n适合需要修改源码或集成本地深度学习环境的用户。\n\n1.  **设置 Python 2.7 虚拟环境**\n    ```bash\n    sudo apt-get install python-pip python-dev python-virtualenv\n    virtualenv --system-site-packages ~\u002FFabrik --python=python2.7\n    source ~\u002FFabrik\u002Fbin\u002Factivate\n    ```\n\n2.  **获取源码**\n    ```bash\n    git clone --recursive https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik.git && cd Fabrik\n    ```\n\n3.  **配置数据库与缓存连接**\n    ```bash\n    cp settings\u002Fdev.sample.py settings\u002Fdev.py\n    ```\n    *   修改 `settings\u002Fdev.py` 第 15 行，将 HOST 设为 `'localhost'`。\n    *   安装 Redis: `sudo apt-get install redis-server`\n    *   修改 `settings\u002Fcommon.py`:\n        *   第 115 行 hosts 改为 `[(\"localhost\", 6379)]`\n        *   第 122 行 `CELERY_RESULT_BACKEND` 改为 `'redis:\u002F\u002Flocalhost:6379\u002F0'`\n    *   修改 `ide\u002Fcelery_app.py` 第 8 行，broker 和 backend 均指向 `localhost`。\n\n4.  **安装深度学习框架 (可选)**\n    若本地已安装 Caffe\u002FKeras\u002FTensorFlow 可跳过。Linux 用户可运行：\n    ```bash\n    cd Fabrik\u002Frequirements\n    yes Y | sh caffe_tensorflow_keras_install.sh\n    echo \"export PYTHONPATH=~\u002Fcaffe\u002Fcaffe\u002Fpython:$PYTHONPATH\" >> ~\u002F.bashrc\n    source ~\u002F.bash_profile\n    cd ..\n    ```\n\n5.  **安装 Python 依赖**\n    ```bash\n    # 开发者使用\n    pip install -r requirements\u002Fdev.txt\n    # 普通用户使用\n    pip install -r requirements\u002Fcommon.txt\n    ```\n\n6.  **配置 PostgreSQL 数据库**\n    启动服务并创建数据库：\n    ```bash\n    sudo service postgresql start\n    sudo -u postgres psql\n    ```\n    在 psql 中执行：\n    ```sql\n    CREATE DATABASE fabrik;\n    CREATE USER admin WITH PASSWORD 'fabrik';\n    ALTER ROLE admin SET client_encoding TO 'utf8';\n    ALTER ROLE admin SET default_transaction_isolation TO 'read committed';\n    ALTER ROLE admin SET timezone TO 'UTC';\n    ALTER USER admin CREATEDB;\n    \\q\n    ```\n    执行迁移：\n    ```bash\n    python manage.py makemigrations caffe_app\n    python manage.py migrate\n    ```\n\n7.  **安装前端依赖**\n    ```bash\n    npm install\n    npm install --save-dev json-loader\n    sudo npm install -g webpack@1.15.0\n    ```\n    *(可选) 开启前端热重载*: 新开终端运行 `webpack --progress --watch --colors`\n\n8.  **启动服务**\n    需要两个终端分别运行：\n    *   终端 1 (Celery Worker):\n        ```bash\n        celery -A ide worker --app=ide.celery_app  --loglevel=info\n        ```\n    *   终端 2 (Django Server):\n        ```bash\n        python manage.py runserver\n        ```\n    访问 `http:\u002F\u002Flocalhost:8000`。\n\n9.  **配置认证**\n    参考 Docker 部分的“配置管理员与认证”步骤，但将域名替换为 `localhost:8000`。\n\n---\n\n## 基本使用\n\n启动服务并登录后，您可以通过以下方式快速开始：\n\n1.  **导入现有模型**:\n    点击界面上的导入按钮，选择对应的框架文件进行加载测试：\n    *   **TensorFlow**: 使用 `example\u002Ftensorflow\u002FGoogleNet.pbtxt`\n    *   **Caffe**: 使用 `example\u002Fcaffe\u002FGoogleNet.prototxt`\n    *   **Keras**: 使用 `example\u002Fkeras\u002Fvgg16.json`\n\n2.  **可视化与编辑**:\n    模型加载后，将以节点图形式展示。您可以直接拖拽修改网络结构，查看各层参数。\n\n3.  **导出模型**:\n    编辑完成后，可将模型导出为 Caffe、Keras 或 TensorFlow 格式，用于后续训练或部署。\n\n> **提示**: 目前工具对 Inception V3\u002FV4, ResNet 101, VGG 16, AlexNet, YoloNet 等经典模型的跨框架转换支持较好。若使用包含自定义层（如 AlexNet 的 LRN 层）的 Keras 模型，加载时需注意传递自定义层定义。","某高校计算机视觉实验室的三名研究生正合作复现一篇最新的图像分割论文，需要快速搭建并调试一个基于 Caffe 和 Keras 混合架构的复杂神经网络。\n\n### 没有 Fabrik 时\n- **协作效率低下**：团队成员各自在本地编写代码，模型结构定义分散在不同的 Python 脚本中，合并代码时频繁发生冲突，难以统一视图。\n- **调试过程黑盒化**：修改网络层参数后，必须运行冗长的训练脚本才能发现维度不匹配等低级错误，反馈周期长达数十分钟。\n- **框架迁移成本高**：论文原作者使用 Caffe，而团队习惯用 Keras，手动逐层翻译网络配置文件极易出错，且无法直观验证结构一致性。\n- **沟通成本高昂**：讨论模型改进时，只能依靠手绘草图或口头描述，缺乏可交互的可视化界面来对齐大家的理解。\n\n### 使用 Fabrik 后\n- **实时协同构建**：三人同时在浏览器中通过拖拽组件搭建网络，实时看到彼此的修改，模型结构以图形化方式集中呈现，彻底消除代码冲突。\n- **即时可视化调试**：拖拽连接图层时，Fabrik 自动检查维度兼容性并报错，无需启动训练即可在秒级时间内定位并修复结构缺陷。\n- **无缝框架互转**：直接导入论文的 Caffe 原型文件，在网页上可视化编辑后，一键导出为标准的 Keras 代码，确保了架构还原的准确性。\n- **直观方案研讨**：团队成员直接在共享的可视化模型图上标记修改建议，将抽象的拓扑结构转化为直观的交互界面，大幅降低沟通门槛。\n\nFabrik 将繁琐的神经网络编码工作转化为直观的可视化协作流程，让研究人员能专注于算法创新而非底层实现细节。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCloud-CV_Fabrik_f919f065.png","Cloud-CV","CloudCV","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FCloud-CV_656cabe0.png","Building platforms for reproducible AI research",null,"team@cloudcv.org","eval_ai","https:\u002F\u002Fcloudcv.org","https:\u002F\u002Fgithub.com\u002FCloud-CV",[85,89,93,97,101,104],{"name":86,"color":87,"percentage":88},"Python","#3572A5",57.1,{"name":90,"color":91,"percentage":92},"JavaScript","#f1e05a",37.4,{"name":94,"color":95,"percentage":96},"CSS","#663399",3.6,{"name":98,"color":99,"percentage":100},"Shell","#89e051",0.9,{"name":102,"color":103,"percentage":100},"Dockerfile","#384d54",{"name":105,"color":106,"percentage":107},"HTML","#e34c26",0.2,1134,237,"2026-04-02T08:33:50","GPL-3.0",4,"Linux, macOS","未说明",{"notes":116,"python":117,"dependencies":118},"该工具主要支持通过 Docker 或虚拟环境部署。若使用虚拟环境，需手动安装 Caffe、Keras 和 TensorFlow。数据库需使用 PostgreSQL 9.5 及以上版本，缓存及消息队列需使用 Redis。前端构建依赖 Node.js 和特定版本的 Webpack。Windows 用户建议使用 Docker 方式部署，因为虚拟环境安装指南主要针对 Linux 和 macOS。","2.7",[119,120,121,122,123,124,125,126,127],"Caffe","Keras","TensorFlow","Django","Redis","PostgreSQL (>=9.5)","Celery","Node.js","Webpack (1.15.0)",[13,52],[130,131,132,133,134,135],"neural-network","visualization","ide","caffe","keras","tensorflow","2026-03-27T02:49:30.150509","2026-04-06T05:38:01.177483",[139,144,148,153,158,163,168,173],{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},15547,"如何开始为 Fabrik 贡献代码或参与 GSOC 项目？","建议从导入 Caffe ModelZoo 中的模型开始。具体步骤包括：1. 从 ModelZoo 链接中选择一个模型并为此创建一个 Issue；2. 等待维护者分配任务；3. 如果模型能正常工作，添加单元测试以确保兼容性；4. 如果模型无法工作，与导师讨论并修复问题。维护者会在 Wiki 中维护已测试模型的列表。","https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fissues\u002F30",{"id":145,"question_zh":146,"answer_zh":147,"source_url":143},15548,"为什么某些旧的 Caffe 模型无法导入到 IDE 中？","部分模型无法导入是因为它们使用的是旧版的 Caffe 格式。解决方法是尝试将这些模型更新为新格式，或者在导入前检查其兼容性。例如，RankingCNN 和 NINImageNet 的某些旧版本曾因格式问题无法工作，需要更新后才能正常使用。",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},15549,"如何在画布上进行缩放和平移操作？","原有的鼠标滚轮缩放功能已被移除以改善体验。现在支持以下操作：1. 使用键盘快捷键进行放大和缩小；2. 双击画布进行缩放；3. 在触控板上使用捏合手势（pinch-to-zoom）进行缩放；4. 恢复了平移（Pan）功能，可通过鼠标或触控板拖动查看网络的不同部分。","https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fissues\u002F14",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},15550,"如何简化 Fabrik 的本地开发环境搭建过程？","项目已支持 Docker 容器化部署以避免繁琐的命令。你需要设置三个独立的容器分别用于 Postgres 数据库、NodeJS 前端和 Django 后端。具体的配置指令和 Dockerfile 已添加到项目的 README 文件中，请参考相关文档进行一键启动。","https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fissues\u002F130",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},15551,"导入 Keras JSON 模型时出现 'Cannot import layer of Sequential\u002FModel type' 错误怎么办？","该错误通常发生在尝试导入特定类型的 Keras 层（如 Sequential 或 Model 类型）时。这是一个已知的后端导入限制，问题出现在 `keras_app\u002Fviews\u002Fimport_json.py` 文件中。如果遇到此问题，建议检查模型结构是否包含不支持的嵌套类型，或等待维护者修复该导入逻辑。","https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fissues\u002F118",{"id":164,"question_zh":165,"answer_zh":166,"source_url":167},15552,"添加 ImageData 或 Data 等数据层时出现模糊的 'dim' 错误，如何解决？","这是一个后端处理数据层维度时的已知问题，表现为报错信息仅显示 'dim' 而无其他细节。该问题已在后续版本中被修复。如果你仍遇到此问题，请确保你使用的是最新版本的代码库。","https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fissues\u002F285",{"id":169,"question_zh":170,"answer_zh":171,"source_url":172},15553,"Fabrik 是否支持循环神经网络（RNN\u002FLSTM\u002FGRU）的可视化？","是的，Fabrik 支持 Keras 中的循环层（如 LSTM、RNN、GRU）。为了演示这一功能并测试导入导出机制，项目已经在 ModelZoo 中添加了多个包含这些层的示例模型（参考 PR #125, #134, #140, #166）。你可以直接加载这些示例进行学习。","https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fissues\u002F115",{"id":174,"question_zh":175,"answer_zh":176,"source_url":177},15554,"如何在界面上查看当前模型的参数量（权重数量）？","系统已在界面上增加了参数显示功能。参数量会实时显示在屏幕上，并且当你添加新层或修改现有层时，该数值会自动更新，以便用户随时了解模型复杂度。","https:\u002F\u002Fgithub.com\u002FCloud-CV\u002FFabrik\u002Fissues\u002F126",[]]