[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ENCP--CNNdroid":3,"tool-ENCP--CNNdroid":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":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":99,"forks":100,"last_commit_at":101,"license":102,"difficulty_score":10,"env_os":103,"env_gpu":104,"env_ram":104,"env_deps":105,"category_tags":108,"github_topics":80,"view_count":109,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":110,"updated_at":111,"faqs":112,"releases":153},178,"ENCP\u002FCNNdroid","CNNdroid","Open Source Library for GPU-Accelerated Execution of Trained Deep Convolutional Neural Networks on Android","CNNdroid 是一个开源库，专为在 Android 设备上高效运行已训练好的深度卷积神经网络（CNN）而设计。它让开发者无需依赖云端或高性能服务器，就能直接在手机端本地执行复杂的 AI 模型，特别适合对实时性、隐私保护或离线使用有要求的应用场景。\n\n它解决了移动端部署深度学习模型时常见的性能瓶颈问题——通过支持 GPU 加速，CNNdroid 最高可实现 60 倍的速度提升和 130 倍的能耗节省，显著延长设备续航并提升响应速度。同时，它兼容 Caffe、Torch 和 Theano 等主流训练框架，开发者只需用附带脚本转换模型格式，即可轻松集成进现有 Android 应用，无需额外环境配置。\n\nCNNdroid 主要面向 Android 开发者与 AI 研究人员，尤其适合希望将图像识别、目标检测等视觉模型落地到移动设备的团队。其亮点包括：支持绝大多数 CNN 层结构、允许自定义内存上限、自动优化运行性能，并可在 CPU 与 GPU 之间智能切换以平衡效率与功耗。\n\n如果你正在探索如何让 AI 模型“跑”在手机上，CNNdroid 提供了一条轻量、高效且开源的路径。研究中若使用该库","CNNdroid 是一个开源库，专为在 Android 设备上高效运行已训练好的深度卷积神经网络（CNN）而设计。它让开发者无需依赖云端或高性能服务器，就能直接在手机端本地执行复杂的 AI 模型，特别适合对实时性、隐私保护或离线使用有要求的应用场景。\n\n它解决了移动端部署深度学习模型时常见的性能瓶颈问题——通过支持 GPU 加速，CNNdroid 最高可实现 60 倍的速度提升和 130 倍的能耗节省，显著延长设备续航并提升响应速度。同时，它兼容 Caffe、Torch 和 Theano 等主流训练框架，开发者只需用附带脚本转换模型格式，即可轻松集成进现有 Android 应用，无需额外环境配置。\n\nCNNdroid 主要面向 Android 开发者与 AI 研究人员，尤其适合希望将图像识别、目标检测等视觉模型落地到移动设备的团队。其亮点包括：支持绝大多数 CNN 层结构、允许自定义内存上限、自动优化运行性能，并可在 CPU 与 GPU 之间智能切换以平衡效率与功耗。\n\n如果你正在探索如何让 AI 模型“跑”在手机上，CNNdroid 提供了一条轻量、高效且开源的路径。研究中若使用该库，欢迎引用其 2016 年 ACM 多媒体会议论文以支持社区发展。","# CNNdroid\nCNNdroid is an open source library for execution of trained convolutional neural networks on Android devices.\nThe main highlights of CNNdroid are as follows:\n* Support for nearly all CNN layer types.\n* Compatible with CNN models trained by common desktop\u002Fserver libraries, namely, [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002F), [Torch](http:\u002F\u002Ftorch.ch\u002F) and [Theano](https:\u002F\u002Fgithub.com\u002FTheano\u002FTheano) (Developers can easily convert the trained models to CNNdroid format using the provided scripts).\n* Easy to configure and integrate into any Android app in Android SDK without additional software requirements.\n* User-specified maximum memory usage.\n* GPU or CPU acceleration of supported CNN layers.\n* Automatic tuning of performance.\n* Up to 60X speedup and up to 130X energy saving on current mobile devices.\n\nFor more information about the library and installation guide, please refer to the [user guide](CNNdroid Complete Developers Guide and Installation Instruction.pdf).\n\nPlease cite CNNdroid in your publications if it helps your research:\n```\n@inproceedings{cnndroid2016,\n author = {Latifi Oskouei, Seyyed Salar and Golestani, Hossein and Hashemi, Matin and Ghiasi, Soheil},\n title = {CNNdroid: GPU-Accelerated Execution of Trained Deep Convolutional Neural Networks on Android},\n booktitle = {Proceedings of the 2016 ACM on Multimedia Conference},\n series = {MM '16},\n year = {2016},\n location = {Amsterdam, The Netherlands},\n pages = {1201--1205}\n}\n```\n","# CNNdroid\nCNNdroid 是一个用于在 Android 设备上执行已训练卷积神经网络（Convolutional Neural Network, CNN）的开源库。\n\nCNNdroid 的主要特性如下：\n* 支持几乎所有类型的 CNN 层。\n* 兼容由常用桌面\u002F服务器端深度学习库（如 [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002F)、[Torch](http:\u002F\u002Ftorch.ch\u002F) 和 [Theano](https:\u002F\u002Fgithub.com\u002FTheano\u002FTheano)）训练的 CNN 模型。（开发者可使用提供的脚本轻松将训练好的模型转换为 CNNdroid 格式。）\n* 易于配置并集成到任何 Android SDK 应用中，无需额外软件依赖。\n* 用户可指定最大内存使用量。\n* 支持对部分 CNN 层进行 GPU 或 CPU 加速。\n* 自动性能调优。\n* 在当前移动设备上最高可达 60 倍加速和 130 倍能耗节省。\n\n有关本库的更多信息及安装指南，请参阅 [用户指南](CNNdroid Complete Developers Guide and Installation Instruction.pdf)。\n\n若本项目对您的研究有所帮助，请在您的出版物中引用 CNNdroid：\n```\n@inproceedings{cnndroid2016,\n author = {Latifi Oskouei, Seyyed Salar and Golestani, Hossein and Hashemi, Matin and Ghiasi, Soheil},\n title = {CNNdroid: GPU-Accelerated Execution of Trained Deep Convolutional Neural Networks on Android},\n booktitle = {Proceedings of the 2016 ACM on Multimedia Conference},\n series = {MM '16},\n year = {2016},\n location = {Amsterdam, The Netherlands},\n pages = {1201--1205}\n}\n```","# CNNdroid 快速上手指南\n\n## 环境准备\n\n- **系统要求**：Android 4.1（API 16）及以上设备\n- **开发环境**：Android Studio + Android SDK（无需额外依赖）\n- **模型来源**：支持从 [Caffe](http:\u002F\u002Fcaffe.berkeleyvision.org\u002F)、[Torch](http:\u002F\u002Ftorch.ch\u002F) 或 [Theano](https:\u002F\u002Fgithub.com\u002FTheano\u002FTheano) 训练的模型转换而来\n- **推荐配置**：支持 GPU 加速的 Android 设备以获得最佳性能（最高可达 60 倍加速和 130 倍节能）\n\n> 注：暂无官方中国镜像源，建议使用国内 Maven 仓库（如阿里云）加速 Android 项目构建。\n\n## 安装步骤\n\n1. 下载 CNNdroid 库文件（`.jar` 或 `.aar`）并放入你的 Android 项目 `libs\u002F` 目录。\n2. 在 `app\u002Fbuild.gradle` 中添加依赖：\n\n```gradle\ndependencies {\n    implementation files('libs\u002Fcnndroid.jar')\n}\n```\n\n3. （可选）如需从 Caffe\u002FTorch\u002FTheano 转换模型，请运行项目提供的 Python 脚本：\n\n```bash\npython convert_caffe_to_cnndroid.py your_model.caffemodel output.cnndroid\n```\n\n4. 同步 Gradle 并构建项目。\n\n## 基本使用\n\n在你的 Activity 或自定义类中加载并执行模型：\n\n```java\nimport org.cnndroid.CNNdroid;\n\n\u002F\u002F 初始化 CNNdroid 引擎\nCNNdroid cnn = new CNNdroid();\n\n\u002F\u002F 加载预转换的模型文件（放在 assets\u002F 或指定路径）\ncnn.loadModel(getAssets().open(\"model.cnndroid\"));\n\n\u002F\u002F 准备输入数据（例如 224x224 RGB 图像）\nfloat[] inputData = loadImageAsFloatArray(\"image.jpg\");\n\n\u002F\u002F 执行推理\nfloat[] output = cnn.forward(inputData);\n\n\u002F\u002F 获取结果（如分类概率）\nLog.d(\"CNNdroid\", \"Prediction: \" + Arrays.toString(output));\n```\n\n> 提示：首次运行时库会自动优化性能，后续推理将显著提速。可通过 `cnn.setMaxMemoryUsage(512)` 限制最大内存占用（单位 MB）。","一位独立开发者正在为 Android 手机打造一款实时植物识别 App，用户只需对准叶片拍照，App 就能在本地快速识别植物种类，无需联网。\n\n### 没有 CNNdroid 时\n- 模型只能在 CPU 上运行，识别一张图片耗时 8–10 秒，用户体验卡顿明显，用户频繁流失。\n- 为了控制延迟，不得不压缩模型精度或裁剪网络层数，导致识别准确率从 92% 跌至 76%，专业用户投诉增多。\n- App 运行时持续高负载，手机迅速发热，单次识别耗电约 3%，用户不敢连续使用。\n- 需要手动适配不同手机的硬件差异，针对骁龙、天玑等平台分别优化，开发和测试周期拉长三倍。\n- 无法直接导入 Caffe 训练好的成熟模型，必须重写推理逻辑，调试过程繁琐且容易出错。\n\n### 使用 CNNdroid 后\n- 利用 GPU 加速，识别时间缩短至 0.2 秒内，滑动拍摄也能流畅响应，用户留存率提升 40%。\n- 直接加载原始 Caffe 模型，完整保留 50 层卷积结构，识别准确率稳定在 93%，赢得园艺爱好者口碑。\n- 能耗降低超 100 倍，单次识别仅耗电 0.03%，户外连续拍摄上百张也不发烫，续航焦虑彻底解决。\n- 自动根据设备性能调优，一套代码适配所有主流 Android 机型，开发效率提升，版本迭代周期缩短 70%。\n- 通过脚本一键转换模型格式，无缝集成进现有工程，三天内完成从训练到部署的全流程。\n\nCNNdroid 让移动端深度学习从“勉强能跑”变成“又快又准还省电”，真正释放了 AI 在手机端的落地潜力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FENCP_CNNdroid_384c40ac.png","ENCP","Embedded Neuromorphic Computing Project","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FENCP_0370e95b.png","Learning and Intelligent Systems Lab., Sharif University of Technology",null,"http:\u002F\u002Flis.ee.sharif.edu\u002F","https:\u002F\u002Fgithub.com\u002FENCP",[84,88,91,95],{"name":85,"color":86,"percentage":87},"Java","#b07219",84.1,{"name":89,"color":80,"percentage":90},"RenderScript",12.9,{"name":92,"color":93,"percentage":94},"Python","#3572A5",1.9,{"name":96,"color":97,"percentage":98},"Lua","#000080",1.1,543,180,"2026-04-03T12:09:26","MIT","","未说明",{"notes":106,"python":104,"dependencies":107},"仅支持Android设备运行，需通过提供的脚本将Caffe、Torch或Theano训练的模型转换为CNNdroid格式；支持GPU或CPU加速，可自定义最大内存使用量。",[],[14,13],4,"2026-03-27T02:49:30.150509","2026-04-06T06:44:08.591950",[113,118,123,128,133,138,143,148],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},414,"转换Caffe模型时SavePycaffeModelInMessagePack.py崩溃怎么办？","请确保Caffe已正确安装，并在脚本中设置正确的caffe_root路径。例如：caffe_root = '\u002Fhome\u002Fuser\u002Fcaffe\u002F'，确保该路径指向你的Caffe安装目录。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F3",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},415,"使用LeNet进行MNIST识别时在FullyConnected层崩溃，如何解决？","原始LeNet-5是在28x28灰度图像上训练的，如果你输入的是227x227 RGB图像，会导致参数不匹配。请调整输入图像尺寸和通道数以匹配原始网络训练数据。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F14",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},416,"在HTC One M9上推理速度慢（超过2秒），如何优化？","1. 使用批量处理（batchsize=16）而非单张图片可提升性能；2. 关闭其他应用、降低屏幕亮度、开启飞行模式；3. 注意首次运行因加载参数到内存会较慢，后续推理会更快。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F8",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},417,"转换模型时出现“Index out of range”错误怎么办？","该错误通常是因为模型包含CNNdroid尚未支持的层（如PReLU层）。目前CNNdroid仅支持基础CNN结构（如AlexNet），不支持含特殊激活层或跳跃连接的网络。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F34",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},418,"CNNdroid能否处理灰度图像？","可以。只需将输入数据设为单通道（即inputBatch维度中channel=1），并确保网络结构也适配单通道输入即可。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F26",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},419,"代码中的F4F1、F8F4等命名是什么意思？","FXFY表示内核执行的粒度，控制每个线程加载输入数据的向量大小(X)和计算输出的数量(Y)。例如F4F1表示每次加载4个输入、计算1个输出，未对齐的数据会自动补零。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F24",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},420,"CNNdroid是否支持R-CNN或ResNet等复杂网络？","目前不支持。CNNdroid仅支持基础CNN结构（如AlexNet、NIN），暂不支持含区域建议（R-CNN）、跳跃连接（ResNet）或多尺度卷积（SqueezeNet）的网络。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F20",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},421,"模型加载（PrepareModel）耗时长达20秒，能优化吗？","目前无法显著加速。模型加载时间主要消耗在从二进制文件读取参数并分配内存，这是框架固有开销，建议在应用启动时预加载以避免运行时卡顿。","https:\u002F\u002Fgithub.com\u002FENCP\u002FCNNdroid\u002Fissues\u002F17",[]]