[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-GoogleCloudPlatform--tf-estimator-tutorials":3,"tool-GoogleCloudPlatform--tf-estimator-tutorials":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":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":98,"forks":99,"last_commit_at":100,"license":101,"difficulty_score":10,"env_os":78,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":116,"updated_at":117,"faqs":118,"releases":119},3993,"GoogleCloudPlatform\u002Ftf-estimator-tutorials","tf-estimator-tutorials","This repository includes tutorials on how to use the TensorFlow estimator APIs to perform various ML tasks, in a systematic and standardised way","tf-estimator-tutorials 是一套系统化的 TensorFlow Estimator API 实战教程，旨在帮助开发者以标准、规范的方式完成各类机器学习任务。它覆盖了从基础的分类、回归、聚类，到复杂的时序分析、图像识别（CNN）、文本处理（RNN\u002FLSTM）及降维等广泛场景，有效解决了用户在模型构建中面临的技术选型难、代码不规范及工程化落地复杂等痛点。\n\n这套教程特别适合具有一定 Python 基础、希望深入掌握 TensorFlow 工业级开发流程的机器学习工程师与研究人员。其独特亮点在于提供了一套“元数据驱动”的特征工程标准方案，能够灵活处理数值型、类别型等多种特征，并内置了自动缩放、特征交叉及嵌入等高级技巧。此外，内容还详细讲解了如何利用 tf.Transform 进行预处理、使用 TFMA 评估模型质量，以及通过自定义 Estimator 和输入管道（input_fn）高效读取 CSV 或 TFRecords 数据。无论是想快速上手预训练模型（Canned Estimators），还是探索宽深网络组合与动态学习率调整，都能在此找到清晰的代码指引与最佳实践。","# TensorFlow Estimator APIs Tutorials\n\n## Setup\nPlease follow the directions in INSTALL if you need help setting up your environment.\n\n## Theses tutorials use the TF estimator APIs to cover:\n\n* Various ML tasks, currently covering:\n  * Classification\n  * Regression\n  * Clustering (k-means)\n  * Time-series Analysis (AR Models)\n  * Dimensionality Reduction (Autoencoding)\n  * Sequence Models (RNN and LSTMs)\n  * Image Analysis (CNN for Image Classification)\n  * Text Analysis (Text Classification with embeddings, CNN, and RNN)\n*  How to use **canned estimators**  to train ML models.\n\n* How to use **tf.Transform** for preprocessing and feature engineering (TF v1.7)\n\n* Implement **TensorFlow Model Analysis (TFMA)** to assess the quality of the mode (TF v1.7)\n\n* How to use **tf.Hub** text feature column embeddings (TF v1.7)\n\n* How to implement **custom estimators** (model_fn & EstimatorSpec).\n\n* A standard **metadata-driven** approach to build the model **feature_column**(s) including:\n  * **numerical** features\n  * **categorical** features with **vocabulary**,\n  * **categorical** features **hash bucket**, and\n  * **categorical** features with **identity**\n\n* Data **input pipelines** (input_fn) using:\n  * tf.estimator.inputs.**pandas_input_fn**,\n  * tf.train.**string_input_producer**, and\n  * tf.data.**Dataset** APIs to read both **.csv** and **.tfrecords** (tf.example) data files\n  * tf.contrib.timeseries.**RandomWindowInputFn** and **WholeDatasetInputFn** for time-series data\n  * Feature **preprocessing** and **creation** as part of reading data (input_fn), for example, sin, sqrt, polynomial expansion, fourier transform, log, boolean comparisons, euclidean distance, custom formulas, etc.\n\n* A standard approach to prepare **wide** (sparse) and **deep** (dense) feature_column(s) for Wide and Deep **DNN Liner Combined Models**\n\n* The use of **normalizer_fn** in numeric_column() to **scale** the numeric features using pre-computed statistics (for Min-Max or Standard scaling)\n\n* The use of **weight_column** in the canned estimators, as well as in **loss function** in custom estimators.\n\n* Implicit **Feature Engineering** as part of defining feature_colum(s), including:\n  * crossing\n  * embedding\n  * indicators (encoding categorical features), and\n  * bucketization\n\n*  How to use the  tf.contrib.learn.**experiment** APIs to train, evaluate, and export models\n\n* Howe to use the tf.estimator.**train_and_evaluate** function (along with trainSpec & evalSpec) train, evaluate, and export models\n\n* How to use **tf.train.exponential_decay** function as a learning rate scheduler\n\n* How to **serve** exported model (export_savedmodel) using **csv** and **json** inputs\n\n## Coming Soon:\n* Early-stopping implementation\n* DynamicRnnEstimator and the use of variable-length sequences\n* Collaborative Filtering for Recommendation Models\n* Text Analysis (Topic Models, etc.)\n* Keras examples\n\n\n\n","# TensorFlow Estimator API 教程\n\n## 环境设置\n如果您需要帮助设置环境，请按照 INSTALL 文件中的说明进行操作。\n\n## 本系列教程使用 TF Estimator API 涵盖以下内容：\n\n* 各种机器学习任务，目前包括：\n  * 分类\n  * 回归\n  * 聚类（k-means）\n  * 时间序列分析（AR 模型）\n  * 降维（自编码）\n  * 序列模型（RNN 和 LSTM）\n  * 图像分析（用于图像分类的 CNN）\n  * 文本分析（使用嵌入、CNN 和 RNN 进行文本分类）\n* 如何使用 **预制 Estimator** 训练机器学习模型。\n\n* 如何使用 **tf.Transform** 进行预处理和特征工程（TF v1.7）。\n\n* 实现 **TensorFlow 模型分析 (TFMA)** 来评估模型质量（TF v1.7）。\n\n* 如何使用 **tf.Hub** 的文本特征列嵌入（TF v1.7）。\n\n* 如何实现 **自定义 Estimator**（model_fn 和 EstimatorSpec）。\n\n* 一种基于元数据的标准方法来构建模型的 **feature_column(s)**，包括：\n  * **数值** 特征\n  * 带有 **词汇表** 的 **分类** 特征\n  * 使用 **哈希桶** 的 **分类** 特征\n  * 使用 **标识符** 的 **分类** 特征\n\n* 数据 **输入管道**（input_fn），使用：\n  * tf.estimator.inputs.**pandas_input_fn**\n  * tf.train.**string_input_producer**\n  * tf.data.**Dataset** API 来读取 **.csv** 和 **.tfrecords**（tf.example）数据文件\n  * tf.contrib.timeseries.**RandomWindowInputFn** 和 **WholeDatasetInputFn** 用于时间序列数据\n  * 在读取数据的过程中（input_fn）进行特征 **预处理** 和 **创建**，例如：正弦、平方根、多项式展开、傅里叶变换、对数、布尔比较、欧几里得距离、自定义公式等。\n\n* 一种标准方法来准备 **宽**（稀疏）和 **深**（稠密）的 feature_column(s)，用于宽深结合的 **DNN 线性组合模型**。\n\n* 在 numeric_column() 中使用 **normalizer_fn**，通过预先计算的统计信息对数值特征进行 **缩放**（用于最小-最大缩放或标准化缩放）。\n\n* 在预制 Estimator 中以及自定义 Estimator 的 **损失函数** 中使用 **weight_column**。\n\n* 在定义 feature_column(s) 的过程中进行隐式的 **特征工程**，包括：\n  * 特征交叉\n  * 特征嵌入\n  * 指示器（对分类特征进行编码）\n  * 分桶化\n\n* 如何使用 tf.contrib.learn.**experiment** API 来训练、评估和导出模型。\n\n* 如何使用 tf.estimator.**train_and_evaluate** 函数（配合 trainSpec 和 evalSpec）来训练、评估和导出模型。\n\n* 如何使用 **tf.train.exponential_decay** 函数作为学习率调度器。\n\n* 如何使用 **csv** 和 **json** 输入来 **服务** 已导出的模型（export_savedmodel）。\n\n## 即将推出：\n* 早停机制的实现\n* DynamicRnnEstimator 及变长序列的使用\n* 用于推荐系统的协同过滤\n* 文本分析（主题模型等）\n* Keras 示例","# tf-estimator-tutorials 快速上手指南\n\n本指南基于 `tf-estimator-tutorials` 项目，帮助开发者快速掌握 TensorFlow Estimator API 的核心用法，涵盖从数据输入、特征工程到模型训练、评估及导出的全流程。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 Linux 环境以获得最佳兼容性)\n*   **Python 版本**：Python 3.5 - 3.7 (注：本项目主要基于 TensorFlow 1.x 版本特性，如 `tf.contrib` 和 `tf.Transform`)\n*   **核心依赖**：\n    *   TensorFlow (建议版本 1.7 - 1.15，以支持文中提到的 `tf.Transform`, `TFMA`, `tf.Hub` 等特定功能)\n    *   Pandas (用于数据处理)\n    *   NumPy\n    *   Matplotlib (可选，用于可视化)\n\n> **注意**：由于该教程大量使用了 TensorFlow 1.x 的 `contrib` 模块及部分已废弃 API，建议在虚拟环境中安装 TensorFlow 1.15 版本以确保代码正常运行。\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    首先将项目代码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform\u002Ftf-estimator-tutorials.git\n    cd tf-estimator-tutorials\n    ```\n\n2.  **创建虚拟环境并安装依赖**\n    推荐使用 `venv` 或 `conda` 隔离环境。以下以 `pip` 为例：\n    ```bash\n    python -m venv venv\n    source venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n    \n    # 安装 TensorFlow 1.15 及其他依赖\n    # 国内用户可使用清华源加速下载\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.15.0 pandas numpy matplotlib\n    ```\n\n3.  **验证环境**\n    进入项目目录，尝试运行一个简单的示例脚本（如分类任务）以确认环境配置无误：\n    ```bash\n    python classification\u002Ftrain_and_eval.py\n    ```\n    *(注：具体脚本路径请参考项目子目录结构)*\n\n## 基本使用\n\n本项目的核心是通过 `input_fn` 构建数据管道，定义 `feature_columns` 进行特征工程，并使用 `Estimator` 进行模型训练。以下是一个基于 **Canned Estimator (预制估计器)** 处理表格数据的极简示例流程。\n\n### 1. 定义特征列 (Feature Columns)\n使用元数据驱动的方式定义数值型和类别型特征：\n```python\nimport tensorflow as tf\n\n# 定义数值特征\nage = tf.feature_column.numeric_column(\"age\")\n\n# 定义类别特征 (使用词汇表)\ngender = tf.feature_column.categorical_column_with_vocabulary_list(\n    \"gender\", [\"male\", \"female\"])\n\n# 定义类别特征 (使用 Hash Bucket，适用于高基数特征)\noccupation = tf.feature_column.categorical_column_with_hash_bucket(\n    \"occupation\", hash_bucket_size=1000)\n\n# 特征交叉 (Feature Crossing)\ncrossed_feature = tf.feature_column.crossed_column([age, occupation], hash_bucket_size=10000)\n\n# 将特征列列表传递给模型\nbase_features = [age, gender, occupation, crossed_feature]\n```\n\n### 2. 构建输入函数 (Input Function)\n使用 `pandas_input_fn` 快速读取 DataFrame 数据：\n```python\nimport pandas as pd\n\n# 假设 df 是包含数据的 Pandas DataFrame\ndf = pd.read_csv(\"data.csv\")\n\ndef train_input_fn():\n    return tf.estimator.inputs.pandas_input_fn(\n        x=df[[\"age\", \"gender\", \"occupation\"]],\n        y=df[\"label\"],\n        batch_size=32,\n        num_epochs=None,\n        shuffle=True)\n```\n\n### 3. 创建并训练模型\n使用预制的线性分类器或深度神经网络分类器：\n```python\n# 创建 DNN 分类器\nclassifier = tf.estimator.DNNClassifier(\n    feature_columns=[tf.feature_column.indicator_column(c) if isinstance(c, tf.feature_column.CategoricalColumn) else c for c in base_features],\n    hidden_units=[64, 32],\n    n_classes=2,\n    model_dir=\"\u002Ftmp\u002Fmodel_dir\")\n\n# 训练模型\nclassifier.train(input_fn=train_input_fn, steps=1000)\n```\n\n### 4. 评估与导出\n使用 `train_and_evaluate` 或单独进行评估，并导出 SavedModel 用于服务：\n```python\n# 评估\neval_result = classifier.evaluate(input_fn=eval_input_fn)\nprint(eval_result)\n\n# 导出模型以供 Serving (支持 CSV\u002FJSON 输入)\nreceiver_fn = tf.estimator.build_parsing_serving_input_receiver_fn(\n    tf.feature_column.make_parse_example_spec(base_features))\nexport_path = classifier.export_savedmodel(\"\u002Ftmp\u002Fexport_dir\", receiver_fn)\n```\n\n通过以上步骤，您可以快速复现项目中涵盖的分类、回归、时间序列分析及文本处理等多种机器学习任务。更多高级用法（如自定义 `model_fn`、TFMA 评估、Wide & Deep 模型组合）请参考项目各子目录下的具体教程脚本。","某电商数据团队正致力于构建一个能够同时处理用户画像（稀疏特征）和商品图像（密集特征）的混合推荐模型，以预测用户的点击率。\n\n### 没有 tf-estimator-tutorials 时\n- **特征工程混乱**：开发人员需手动编写大量重复代码来处理数值归一化、类别哈希及特征交叉，导致宽深模型（Wide & Deep）的特征列定义极易出错且难以维护。\n- **训练流程割裂**：缺乏标准化的输入管道（input_fn），读取 CSV 或 TFRecord 数据时格式不统一，且训练、评估与导出模型的过程分散，难以实现自动化流转。\n- **模型评估缺失**：缺少集成的模型分析工具，团队无法系统化地量化模型在不同切片上的表现，只能依赖简单的准确率指标，难以发现潜在偏差。\n- **自定义门槛高**：当需要引入复杂的损失函数或动态学习率衰减时，由于缺乏自定义 Estimator 的参考范例，开发人员往往陷入底层 API 的细节泥潭中。\n\n### 使用 tf-estimator-tutorials 后\n- **元数据驱动开发**：直接复用其标准的元数据驱动方法，快速构建包含数值缩放、类别嵌入及特征交叉的特征列，将宽深模型的特征定义时间缩短 70%。\n- **流水线标准化**：采用教程中成熟的 `input_fn` 模板，无缝切换 pandas 或 Dataset API 读取多源数据，并利用 `train_and_evaluate` 一键完成训练、评估与模型导出。\n- **深度模型分析**：集成 TensorFlow Model Analysis (TFMA) 实践方案，自动生成多维度的模型质量报告，精准定位模型在特定用户群中的表现短板。\n- **灵活定制落地**：参照自定义 Estimator 范例，轻松实现带权重损失的训练逻辑及指数级学习率衰减策略，无需从零摸索底层架构。\n\ntf-estimator-tutorials 通过提供系统化、标准化的最佳实践，将原本碎片化的机器学习工程流程整合为高效可复用的生产级管线。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FGoogleCloudPlatform_tf-estimator-tutorials_7b6969c1.png","GoogleCloudPlatform","Google Cloud Platform","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FGoogleCloudPlatform_85ccccae.png","",null,"https:\u002F\u002Fcloud.google.com","https:\u002F\u002Fgithub.com\u002FGoogleCloudPlatform",[83,87,91,95],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",99.1,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0.8,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0,{"name":96,"color":97,"percentage":94},"TSQL","#e38c00",670,228,"2026-03-30T05:37:16","Apache-2.0","未说明",{"notes":104,"python":102,"dependencies":105},"README 中未明确列出具体的操作系统、硬件配置或 Python 版本要求，仅提示参考 INSTALL 文件进行环境设置。该项目主要基于 TensorFlow 1.7 版本（包含 tf.contrib 模块），涉及估计器 API、数据预处理及模型分析等功能。",[106,107,108,109,110],"tensorflow (提及 v1.7)","tf.Transform","TensorFlow Model Analysis (TFMA)","tf.Hub","pandas",[13],[113,114,115],"tensorflow","machine-learning","python","2026-03-27T02:49:30.150509","2026-04-06T05:36:08.053697",[],[]]