[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-GoogleCloudPlatform--data-science-on-gcp":3,"tool-GoogleCloudPlatform--data-science-on-gcp":61},[4,18,26,36,44,53],{"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",158594,2,"2026-04-16T23:34:05",[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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":109,"github_topics":111,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":120,"updated_at":121,"faqs":122,"releases":152},8133,"GoogleCloudPlatform\u002Fdata-science-on-gcp","data-science-on-gcp","Source code accompanying book: Data Science on the Google Cloud Platform, Valliappa Lakshmanan, O'Reilly 2017","data-science-on-gcp 是畅销书《Data Science on the Google Cloud Platform》的官方配套代码库，旨在帮助读者将数据科学理论转化为云端实践。它提供了一套完整的示例项目，涵盖从数据摄取、处理到机器学习模型训练与部署的全流程，有效解决了用户在谷歌云平台（GCP）上搭建复杂数据管道时遇到的环境配置难、代码复用性低等痛点。\n\n这套资源特别适合希望掌握云原生数据技能的数据科学家、机器学习工程师以及后端开发者。无论是初学者还是资深从业者，都能通过它快速上手 GCP 的核心服务。其技术亮点在于紧跟前沿，代码已全面更新至支持 TensorFlow 2.0，并深度整合了 BigQuery ML 进行大规模数据分析，以及利用 Cloud Functions 实现无服务器架构的事件驱动处理。此外，项目提供了便捷的 Google Cloud Shell 一键运行入口，并与 Qwiklabs 实验平台紧密联动，确保所有代码经过持续测试，让用户能在真实的生产级环境中验证所学内容，极大降低了学习门槛和试错成本。","# data-science-on-gcp\n\nSource code accompanying book:\n\n\u003Ctable>\n\u003Ctr>\n  \u003Ctd>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGoogleCloudPlatform_data-science-on-gcp_readme_fab137da0679.jpg\" height=\"100\"\u002F>\n  \u003C\u002Ftd>\n  \u003Ctd>\n  \u003Ca href=\"https:\u002F\u002Fwww.amazon.com\u002FData-Science-Google-Cloud-Platform\u002Fdp\u002F1098118952\u002F\">Data Science on the Google Cloud Platform, 2nd Edition\u003C\u002Fa> \u003Cbr\u002F>\n  Valliappa Lakshmanan \u003Cbr\u002F>\n  O'Reilly, Apr 2022\n  \u003C\u002Ftd>\n  \u003Ctd>\n  Branch \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002F\">2nd Edition\u003C\u002Fa> [also main]\n  \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n  \u003Ctd>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGoogleCloudPlatform_data-science-on-gcp_readme_e2a3e9f76603.jpg\" height=\"100\"\u002F>\n  \u003C\u002Ftd>\n  \u003Ctd>\n  Data Science on the Google Cloud Platform \u003Cbr\u002F>\n  Valliappa Lakshmanan \u003Cbr\u002F>\n  O'Reilly, Jan 2017\n  \u003C\u002Ftd>\n  \u003Ctd>\n  Branch \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002Ftree\u002Fedition1_tf2\">edition1_tf2\u003C\u002Fa> (obsolete, and will not be maintained)\n  \u003C\u002Ftd>\n\u003C\u002Ftable>\n\n### Try out the code on Google Cloud Platform\n\u003Ca href=\"https:\u002F\u002Fconsole.cloud.google.com\u002Fcloudshell\u002Fopen?git_repo=https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp&page=editor&open_in_editor=README.md\"> \u003Cimg alt=\"Open in Cloud Shell\" src =\"http:\u002F\u002Fgstatic.com\u002Fcloudssh\u002Fimages\u002Fopen-btn.png\">\u003C\u002Fa>\n\nThe code on Qwiklabs (see below) is **continually tested**, and this repo is kept up-to-date.\n\nIf the code doesn't work for you, I recommend that you try the corresponding Qwiklab lab to see if there is some step that you missed.\nIf you still have problems, please leave feedback in Qwiklabs, or file an issue in this repo.\n\n### Try out the code on Qwiklabs\n\n- [Data Science on the Google Cloud Platform Quest](https:\u002F\u002Fgoogle.qwiklabs.com\u002Fquests\u002F43)\n- [Data Science on Google Cloud Platform: Machine Learning Quest](https:\u002F\u002Fgoogle.qwiklabs.com\u002Fquests\u002F50)\n\n\n\n### Purchase book\n[Read on-line or download PDF of book](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fdata-science-on\u002F9781098118945\u002F)\n\n[Buy on Amazon.com](https:\u002F\u002Fwww.amazon.com\u002FData-Science-Google-Cloud-Platform-dp-1098118952\u002Fdp\u002F1098118952\u002F)\n\n### Updates to book\nI updated the book in Nov 2019 with TensorFlow 2.0, Cloud Functions, and BigQuery ML.\n","# 数据科学在GCP上\n\n随书提供的源代码：\n\n\u003Ctable>\n\u003Ctr>\n  \u003Ctd>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGoogleCloudPlatform_data-science-on-gcp_readme_fab137da0679.jpg\" height=\"100\"\u002F>\n  \u003C\u002Ftd>\n  \u003Ctd>\n  \u003Ca href=\"https:\u002F\u002Fwww.amazon.com\u002FData-Science-Google-Cloud-Platform\u002Fdp\u002F1098118952\u002F\">《Google Cloud Platform 上的数据科学（第2版）》\u003C\u002Fa> \u003Cbr\u002F>\n  瓦利亚帕·拉克什马南 \u003Cbr\u002F>\n  O'Reilly，2022年4月\n  \u003C\u002Ftd>\n  \u003Ctd>\n  分支 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002F\">第2版\u003C\u002Fa> [同时也是主分支]\n  \u003C\u002Ftd>\n\u003C\u002Ftr>\n\u003Ctr>\n  \u003Ctd>\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGoogleCloudPlatform_data-science-on-gcp_readme_e2a3e9f76603.jpg\" height=\"100\"\u002F>\n  \u003C\u002Ftd>\n  \u003Ctd>\n  《Google Cloud Platform 上的数据科学》 \u003Cbr\u002F>\n  瓦利亚帕·拉克什马南 \u003Cbr\u002F>\n  O'Reilly，2017年1月\n  \u003C\u002Ftd>\n  \u003Ctd>\n  分支 \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002Ftree\u002Fedition1_tf2\">edition1_tf2\u003C\u002Fa>（已过时，不再维护）\n  \u003C\u002Ftd>\n\u003C\u002Ftable>\n\n### 在 Google Cloud Platform 上试用代码\n\u003Ca href=\"https:\u002F\u002Fconsole.cloud.google.com\u002Fcloudshell\u002Fopen?git_repo=https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp&page=editor&open_in_editor=README.md\"> \u003Cimg alt=\"在 Cloud Shell 中打开\" src =\"http:\u002F\u002Fgstatic.com\u002Fcloudssh\u002Fimages\u002Fopen-btn.png\">\u003C\u002Fa>\n\nQwiklabs 上的代码（见下文）**持续经过测试**，本仓库也会保持最新状态。\n\n如果代码无法正常运行，建议您尝试对应的 Qwiklab 实验，看看是否遗漏了某些步骤。若仍有问题，请在 Qwiklabs 上留下反馈，或在此仓库中提交问题。\n  \n### 在 Qwiklabs 上试用代码\n\n- [Google Cloud Platform 上的数据科学探索之旅](https:\u002F\u002Fgoogle.qwiklabs.com\u002Fquests\u002F43)\n- [Google Cloud Platform 上的数据科学：机器学习探索之旅](https:\u002F\u002Fgoogle.qwiklabs.com\u002Fquests\u002F50)\n\n\n\n### 购买本书\n[在线阅读或下载 PDF 版本](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fdata-science-on\u002F9781098118945\u002F)\n\n[在 Amazon.com 上购买](https:\u002F\u002Fwww.amazon.com\u002FData-Science-Google-Cloud-Platform-dp-1098118952\u002Fdp\u002F1098118952\u002F)\n\n### 书籍更新\n我在 2019 年 11 月对本书进行了更新，加入了 TensorFlow 2.0、Cloud Functions 和 BigQuery ML。","# data-science-on-gcp 快速上手指南\n\n本指南基于《Data Science on the Google Cloud Platform》（第 2 版）配套源码，帮助开发者快速在 Google Cloud Platform (GCP) 上运行数据科学与机器学习示例。\n\n## 环境准备\n\n*   **系统要求**：无需本地安装复杂环境，推荐使用浏览器访问。\n*   **前置依赖**：\n    *   拥有有效的 **Google Cloud Platform (GCP)** 账号。\n    *   已启用 billing（计费）功能的项目（部分高级功能如 BigQuery ML、AI Platform 需要）。\n    *   熟悉基本的 Linux 命令行操作。\n\n> **注意**：本项目代码主要针对 GCP 环境设计，强烈建议直接在 GCP 环境中运行，而非本地配置。\n\n## 安装步骤\n\n最推荐的安装方式是直接使用 **Google Cloud Shell**，它预装了所有必要的依赖（Python, TensorFlow, gcloud CLI 等），无需手动配置。\n\n1.  **一键打开 Cloud Shell 编辑器**：\n    点击以下按钮或复制链接到浏览器，系统将自动克隆仓库并打开编辑器：\n\n    [![Open in Cloud Shell](http:\u002F\u002Fgstatic.com\u002Fcloudssh\u002Fimages\u002Fopen-btn.png)](https:\u002F\u002Fconsole.cloud.google.com\u002Fcloudshell\u002Fopen?git_repo=https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp&page=editor&open_in_editor=README.md)\n\n    或者直接访问链接：\n    `https:\u002F\u002Fconsole.cloud.google.com\u002Fcloudshell\u002Fopen?git_repo=https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp&page=editor&open_in_editor=README.md`\n\n2.  **验证环境**：\n    进入 Cloud Shell 终端后，确认代码已克隆至当前目录：\n    ```bash\n    ls -la\n    ```\n    您应该能看到与书籍章节对应的文件夹（如 `ch02`, `ch03` 等）。\n\n3.  **（可选）通过 Qwiklabs 练习**：\n    如果您希望通过引导式实验学习，可以访问官方 Qwiklabs 课程，环境会自动配置好：\n    *   [Data Science on the Google Cloud Platform Quest](https:\u002F\u002Fgoogle.qwiklabs.com\u002Fquests\u002F43)\n    *   [Data Science on Google Cloud Platform: Machine Learning Quest](https:\u002F\u002Fgoogle.qwiklabs.com\u002Fquests\u002F50)\n\n## 基本使用\n\n本书代码按章节组织，每个文件夹包含该章节的独立示例。以下以运行一个典型的 Python 脚本为例：\n\n1.  **进入对应章节目录**：\n    假设您要运行第 2 章的示例：\n    ```bash\n    cd ch02\n    ```\n\n2.  **设置项目 ID**：\n    在执行任何 GCP 命令前，需导出您的项目 ID：\n    ```bash\n    export PROJECT_ID=$(gcloud config get-value project)\n    echo \"Using project: $PROJECT_ID\"\n    ```\n\n3.  **运行示例代码**：\n    根据具体章节的 README 指示运行脚本。例如，运行一个简单的数据处理脚本：\n    ```bash\n    python3 preprocess.py\n    ```\n    或者提交一个 Cloud Dataflow 作业（需确保已启用相关 API）：\n    ```bash\n    python3 pipeline.py \\\n      --project=$PROJECT_ID \\\n      --region=us-central1 \\\n      --staging_location=gs:\u002F\u002F${PROJECT_ID}-staging \\\n      --temp_location=gs:\u002F\u002F${PROJECT_ID}-temp \\\n      --runner=DataflowRunner\n    ```\n\n4.  **查看结果**：\n    大多数示例会将结果输出到 **BigQuery** 表或 **Google Cloud Storage (GCS)** 桶中。您可以使用以下命令查看 GCS 文件：\n    ```bash\n    gsutil ls gs:\u002F\u002F${PROJECT_ID}-*\u002Foutput\n    ```\n\n> **提示**：具体每个章节的运行参数和前置 API 启用要求，请参阅各章节文件夹内的 `README.md` 文件。如果代码执行失败，建议优先对照 Qwiklabs 实验步骤检查是否遗漏了特定的 API 启用或权限配置步骤。","某电商公司的数据团队需要在 Google Cloud Platform 上构建一个实时推荐系统，但团队成员对云原生机器学习流程尚不熟悉。\n\n### 没有 data-science-on-gcp 时\n- 工程师需手动查阅分散的文档来配置 BigQuery、Dataflow 和 Vertex AI，环境搭建耗时数天且极易出错。\n- 缺乏经过验证的代码模板，导致数据预处理与模型训练脚本反复调试，开发进度严重滞后。\n- 团队成员难以掌握云最佳实践，编写的代码在扩展性和成本控制上表现糟糕，资源浪费严重。\n- 遇到报错时只能盲目搜索，无法确认是自身操作失误还是平台兼容性问题，排查效率极低。\n\n### 使用 data-science-on-gcp 后\n- 直接复用书中配套的成熟代码库，通过 Cloud Shell 一键拉起完整实验环境，将准备时间从数天缩短至小时级。\n- 基于官方持续更新的示例（涵盖 TensorFlow 2.0 和 BigQuery ML），快速组装出高质量的数据流水线与模型训练任务。\n- 遵循架构师 Valliappa Lakshmanan 总结的云原生模式，天然实现弹性伸缩与成本优化，避免资源闲置。\n- 结合 Qwiklabs 实战演练进行对照学习，迅速定位并解决环境差异导致的问题，大幅降低试错成本。\n\ndata-science-on-gcp 通过将权威理论与可执行代码深度融合，帮助团队零门槛落地企业级云数据科学项目。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGoogleCloudPlatform_data-science-on-gcp_fab137da.jpg","GoogleCloudPlatform","Google Cloud Platform","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FGoogleCloudPlatform_85ccccae.png","",null,"https:\u002F\u002Fcloud.google.com","https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",90.7,{"name":85,"color":86,"percentage":87},"Python","#3572A5",8.1,{"name":89,"color":90,"percentage":91},"Shell","#89e051",1.1,{"name":93,"color":94,"percentage":95},"Dockerfile","#384d54",0,1425,729,"2026-04-13T20:45:33","Apache-2.0",4,"未说明 (主要通过 Google Cloud Shell 或 Qwiklabs 在云端运行)","未说明",{"notes":104,"python":102,"dependencies":105},"本项目是《Data Science on the Google Cloud Platform》第二版书籍的配套代码。主要设计为在 Google Cloud Platform (GCP) 上运行，推荐通过 Cloud Shell 一键打开或使用 Qwiklabs 实验环境进行练习。代码持续在 Qwiklabs 上进行测试以确保可用性。书中内容已更新以支持 TensorFlow 2.0、Cloud Functions 和 BigQuery ML。第一版分支已过时不再维护。",[106,107,108],"TensorFlow 2.0+","BigQuery ML","Cloud Functions",[14,110,16],"其他",[112,113,114,115,116,117,118,119],"data-analysis","data-visualization","cloud-computing","machine-learning","data-pipeline","data-processing","data-science","data-engineering","2026-03-27T02:49:30.150509","2026-04-17T08:25:58.203214",[123,128,133,138,143,148],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},36377,"如何在 Vertex AI Workbench 中为深度学习训练附加 GPU？","如果您使用的是“托管式笔记本”（Managed Notebooks），其运行在租户项目中，监控和控制权限受限，类似于 Google Colab，可能无法直接像用户管理式笔记本那样灵活附加 GPU 或查看完整监控指标。建议尝试在小样本数据上先进行测试，而不是在全量数据集上运行。如果必须使用特定 GPU 配置，可能需要参考 Google Cloud 文档创建单独的 CustomJob，或者考虑切换到用户管理式笔记本以获得更多控制权。","https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002Fissues\u002F165",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},36378,"Chapter 9 中使用旧版代码训练模型时出现 'Table not initialized' 或 'Table already initialized' 错误怎么办？","这些错误通常是由于 TensorFlow 版本不兼容导致的。现在 Cloud AI Platform 已支持 Python 3.7 和 TensorFlow 2.1，所有此类问题均已修复。无需再使用特殊的 Docker 镜像，只需按照书中的说明更新 TensorFlow 和 Python 版本即可。请确保更新源代码仓库至最新版本，并在提交训练任务时使用兼容的运行时环境。如果仍使用旧版部署脚本导致模型以 TensorFlow 1.14 部署，请更新相关命令以匹配新的运行时版本。","https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002Fissues\u002F81",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},36379,"运行 Chapter 2 的 call_cf.sh 脚本时无法触发 Cloud Function 且无文件添加到存储桶，原因是什么？","该问题通常是由脚本中 curl 命令使用的 URL 变量不正确导致的。请检查并修复 URL 变量，确保其指向正确的 Cloud Function 触发端点。此外，确认是否使用了最新的包含 UPATH 变量的版本。如果手动执行命令正常但脚本无效，重点排查脚本中的变量传递和 URL 构造逻辑。","https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002Fissues\u002F98",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},36380,"运行 ingest_flights.py 脚本时遇到 500 Internal Server Error 是什么原因？","该错误通常是因为脚本中用于请求数据的链接（如 'https:\u002F\u002Fwww.transtats.bts.gov\u002FDownLoad_Table.asp?Table_ID=236&Has_Group=3&Is_Zipped=0'）已失效或服务器暂时不可用。请检查该 URL 是否仍然有效，或者查看是否有新的数据下载接口地址。如果链接确实已变更，需要更新脚本中的 URL 指向新的有效地址。","https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002Fissues\u002F119",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},36381,"AppEngine 日志中出现 '[CRITICAL] WORKER TIMEOUT' 错误如何解决？","此问题已在 Pull Request #30 中由贡献者 Canas 修复。该错误通常发生在处理耗时较长的 Cron 请求时，导致工作进程超时退出。请拉取最新的代码更新，其中包含了针对此超时问题的修复方案。","https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Fdata-science-on-gcp\u002Fissues\u002F9",{"id":149,"question_zh":150,"answer_zh":151,"source_url":132},36382,"在 Chapter 9 中遇到 'hypertune' 模块无法导入的问题怎么办？","这是因为旧版代码依赖的 'hypertune' 模块在新的环境中可能不再直接可用或需要特定配置。随着 Cloud AI Platform 升级到支持 Python 3.7 和 TensorFlow 2.1，原有的特殊 Docker 镜像需求已被移除。请使用更新后的源代码仓库，按照书中最新指示操作，通常不再需要手动处理 hypertune 的导入问题，或者该功能已集成到新的训练流程中。",[]]