[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-CreatCodeBuild--TensorFlow-and-DeepLearning-Tutorial":3,"tool-CreatCodeBuild--TensorFlow-and-DeepLearning-Tutorial":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":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":78,"difficulty_score":10,"env_os":96,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":101,"github_topics":102,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":106,"updated_at":107,"faqs":108,"releases":144},756,"CreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial","TensorFlow-and-DeepLearning-Tutorial","A TensorFlow & Deep Learning online course I taught in 2016","TensorFlow-and-DeepLearning-Tutorial 是一套经典的深度学习实战教程集合，源自 2016 年的线上课程内容。它旨在帮助学习者从零开始掌握 TensorFlow 框架及其在神经网络中的应用。\n\n面对深度学习领域知识门槛高、理论与实践脱节的痛点，这套教程通过结构化的方式解决了入门难题。内容规划清晰，分为两个阶段：第一季聚焦 TensorFlow 基础，涵盖全连接神经网络与卷积神经网络的构建；第二季则探索自然语言处理相关技术，为后续进阶打下基础。\n\n无论是计算机专业的学生、希望转型的开发者，还是对 AI 感兴趣的研究人员，都能从中受益。教程强调代码实践，将抽象的数学原理转化为可运行的模型，非常适合初学者建立直观认知。尽管发布时间较早，但其核心架构思想仍具参考价值，是快速上手深度学习项目的优质资源库。","# TensorFlow and DeepLearning Tutorial\n\nThis is a collection of my deep learning tutorials.\n\n这是我的深度学习教程集合。\n\nSeason 1 is introduction to TensorFlow, fully connected neural networks and convolutional neural networks.\n\nSeason 2 is about Natural Language Processing, sort of.\n","# TensorFlow (深度学习框架) 和 DeepLearning (深度学习) 教程\n\n这是我的深度学习教程集合。\n\n第一季主要介绍 TensorFlow、fully connected neural networks (全连接神经网络) 和 convolutional neural networks (卷积神经网络)。\n\n第二季大致是关于 Natural Language Processing (自然语言处理) 的内容。","# TensorFlow-and-DeepLearning-Tutorial 快速上手指南\n\n## 环境准备\n*   **操作系统**：Windows \u002F Linux \u002F macOS\n*   **Python 版本**：3.6 及以上\n*   **硬件建议**：如需加速训练，建议配备 NVIDIA GPU 及 CUDA 环境\n*   **前置工具**：Git, pip 或 conda\n\n## 安装步骤\n1.  **克隆项目**\n    将教程仓库克隆至本地：\n    ```bash\n    git clone \u003Crepository_url>\n    cd TensorFlow-and-DeepLearning-Tutorial\n    ```\n\n2.  **创建虚拟环境**\n    使用 conda 创建隔离环境（推荐）：\n    ```bash\n    conda create -n tf-tutorial python=3.7\n    conda activate tf-tutorial\n    ```\n\n3.  **安装依赖**\n    使用国内镜像源安装 TensorFlow 及核心库：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow numpy matplotlib\n    ```\n\n## 基本使用\n本仓库包含多个季度的深度学习教程，按主题分类。\n\n1.  **进入教程目录**\n    根据学习目标进入对应季度文件夹，例如 Season 1（TensorFlow 基础与 CNN）：\n    ```bash\n    cd season1\n    ```\n\n2.  **运行示例**\n    执行目录下的 Python 脚本或启动 Jupyter Notebook：\n    ```bash\n    python \u003Cexample_script>.py\n    ```\n    或\n    ```bash\n    jupyter notebook\n    ```\n\n3.  **查看输出**\n    终端将显示模型训练日志及结果，标志着教程代码运行成功。","某初创公司的初级算法工程师小李，需要为公司电商项目开发一个商品图像分类模型，但缺乏系统的深度学习实战经验，面临从零搭建模型的挑战。\n\n### 没有 TensorFlow-and-DeepLearning-Tutorial 时\n- 网上资料碎片化，不知道从全连接网络还是卷积网络入手，学习路径混乱，浪费大量筛选时间。\n- 理论懂但不会写代码，环境配置和 Tensor 形状调试耗时巨大，常常卡在基础 API 调用上导致进度停滞。\n- 缺乏完整项目流程参考，模型训练失败时不知如何排查，只能盲目调整参数，效率极低。\n\n### 使用 TensorFlow-and-DeepLearning-Tutorial 后\n- 跟随 TensorFlow-and-DeepLearning-Tutorial 的 Season 1 章节，按部就班掌握 CNN 构建流程，建立清晰知识体系。\n- 直接复用教程中的代码模板，快速验证想法，减少底层 API 调试时间，将精力集中在业务逻辑上。\n- 参考教程中的训练日志和错误处理经验，迅速定位过拟合问题并优化模型，显著缩短开发周期。\n\n它将零散的知识点串联成可执行的实战路径，帮助开发者跨越从理论到代码的鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCreatCodeBuild_TensorFlow-and-DeepLearning-Tutorial_c5cf00d5.png","CreatCodeBuild","I am a coder","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FCreatCodeBuild_2c94fa3f.jpg",null,"https:\u002F\u002Fgithub.com\u002FCreatCodeBuild",[81,85,89],{"name":82,"color":83,"percentage":84},"Python","#3572A5",91.3,{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",8.4,{"name":90,"color":91,"percentage":92},"JavaScript","#f1e05a",0.3,2306,610,"2026-04-03T06:18:33","未说明",{"notes":98,"python":96,"dependencies":99},"该仓库为深度学习教程集合。第一季介绍 TensorFlow、全连接神经网络和卷积神经网络；第二季涉及自然语言处理。具体的版本依赖、硬件要求及操作系统兼容性未在提供的 README 片段中明确说明，建议查看仓库内具体代码文件或 requirements.txt 获取详细配置。",[100],"tensorflow",[13],[103,100,104,105],"deep-learning","deep-learning-tutorial","tensorboard","2026-03-27T02:49:30.150509","2026-04-06T05:26:22.502051",[109,114,119,124,129,134,139],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},3231,"使用 TensorFlow 时遇到 GPU 显存不足的问题如何解决？","显卡没有类似 CPU 内存的 Swap 空间。显存不够只有将网络的体量变小或者将 Batch 变小。实在不行只有升级显卡。或者使用其他框架，TF 目前很吃内存。","https:\u002F\u002Fgithub.com\u002FCreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial\u002Fissues\u002F7",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},3232,"如何将训练好的模型用于导入图片进行判别或人脸识别？","仅仅是教程里面的方法还不行。人脸识别分两种：一种是知道图片中哪里是人脸（相对简单），一种是知道这是哪个人的脸（难很多）。可能需要修改卷积网络层，增加更多的 pool 和 relu。","https:\u002F\u002Fgithub.com\u002FCreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial\u002Fissues\u002F15",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},3233,"对 MNIST 数据集做数据增强（Data Augmentation）时维度不匹配怎么办？","tf.image 的增强方法接受 3 维矩阵，而 MNIST 读出来的是 4 维的。建议改用 SVHN 数据集，原理差不多。或者使用 tflearn 的 ImageAugmentation 功能来处理。","https:\u002F\u002Fgithub.com\u002FCreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial\u002Fissues\u002F18",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},3234,"Tensorboard 启动正常但页面空白不显示内容怎么办？","可能是版本问题。TensorFlow 更新很快，教程可能基于旧版本。如果版本差异大（如 1.3.0），不建议按照旧教程来做，TF 已经和一年以前很不一样了。","https:\u002F\u002Fgithub.com\u002FCreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial\u002Fissues\u002F29",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},3235,"Linux 下学习 TensorFlow 推荐什么 IDE？PyCharm 自动提示不全怎么办？","可以使用 PyCharm。但 PyCharm 无法自动检索出 TF 所有的变量、类、方法，因为很多有 Native Extension 的库都不能被检索变量名，这与 Python 语言机制有关系，并非环境调试问题。","https:\u002F\u002Fgithub.com\u002FCreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial\u002Fissues\u002F4",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},3236,"如何训练单一分类模型以得到图片符合该分类的概率？","在准备训练数据时，一半图片为你的目标，一半为其他。这样可以训练得到一个概率值。","https:\u002F\u002Fgithub.com\u002FCreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial\u002Fissues\u002F19",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},3237,"有没有关于 Tensorboard 数据可视化功能的教程？","作者已经推出了相关教程。如果没看到更新，可能是视频平台（如 B 站）缓存或限速问题，建议检查最新一期视频。","https:\u002F\u002Fgithub.com\u002FCreatCodeBuild\u002FTensorFlow-and-DeepLearning-Tutorial\u002Fissues\u002F2",[]]