[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Halfish--cs231n":3,"tool-Halfish--cs231n":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",159636,2,"2026-04-17T23:33:34",[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":77,"owner_email":78,"owner_twitter":79,"owner_website":79,"owner_url":80,"languages":81,"stars":94,"forks":95,"last_commit_at":96,"license":79,"difficulty_score":32,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":118},8850,"Halfish\u002Fcs231n","cs231n","斯坦福 cs231n 作业代码实践","cs231n 是斯坦福大学“卷积神经网络视觉识别”课程的配套作业代码实践项目。它旨在帮助学习者通过亲手编写代码，深入理解卷积神经网络（CNN）的核心原理与实现细节，从而解决单纯阅读理论或观看视频难以掌握深度学习底层逻辑的问题。\n\n该项目非常适合希望系统入门计算机视觉的开发者、人工智能研究人员以及高校学生使用。与其依赖现成的框架调用，cs231n 引导用户从零开始构建神经网络层、损失函数及优化器，这种“造轮子”的过程能极大地夯实算法基础。虽然本项目基于 2016 年的课程资料，部分技术细节略显陈旧，但其对反向传播、梯度下降等核心数学推导的代码复现依然具有极高的教学价值。对于想要透过现象看本质，真正搞懂 AI 模型如何“看见”世界的学习者来说，完成这套作业带来的收获远超阅读任何二手教程。","## CS231n Convolutional Neural Networks for Visual Recognition\n\n斯坦福 cs231n 作业代码实践，代码实现主要参考了 [lightaime\u002Fcs231n](https:\u002F\u002Fgithub.com\u002Flightaime\u002Fcs231n)\n\n- 教程笔记 [cs231n.github.io](http:\u002F\u002Fcs231n.github.io\u002F)\n- 课程主页 [stanford cs231n](http:\u002F\u002Fcs231n.stanford.edu\u002Findex.html)\n- 进度安排 [course syllabus](http:\u002F\u002Fcs231n.stanford.edu\u002Fsyllabus.html)\n\n上面的网页有时候不稳定，可能要 FQ 才能访问。\n\n下载课程作业源代码:  [Assignment #1](http:\u002F\u002Fcs231n.stanford.edu\u002Fassignments\u002F2016\u002Fwinter1516_assignment1.zip) & [Assignment #2](http:\u002F\u002Fcs231n.stanford.edu\u002Fassignments\u002F2016\u002Fwinter1516_assignment2.zip) & [Assignment #3](http:\u002F\u002Fcs231n.stanford.edu\u002Fassignments\u002F2016\u002Fwinter1516_assignment3.zip)\n\n网上有很多的[资料](http:\u002F\u002Fblog.csdn.net\u002Fzhangxb35\u002Farticle\u002Fdetails\u002F55223825)，包括中文翻译，课程视频等，但是个人觉得都不如写完作业代码的收获大。\n\n我的 CSDN 博客笔记： [cs231n 课程作业](http:\u002F\u002Fblog.csdn.net\u002Fzhangxb35\u002Farticle\u002Fcategory\u002F6727687)\n\n---\n\n注：我的这个是 2016 年做的作业，内容略旧，仅供参考。\n","## CS231n 视觉识别中的卷积神经网络\n\n斯坦福 CS231n 课程的作业代码实践，代码实现主要参考了 [lightaime\u002Fcs231n](https:\u002F\u002Fgithub.com\u002Flightaime\u002Fcs231n)。\n\n- 教程笔记 [cs231n.github.io](http:\u002F\u002Fcs231n.github.io\u002F)\n- 课程主页 [斯坦福 CS231n](http:\u002F\u002Fcs231n.stanford.edu\u002Findex.html)\n- 进度安排 [课程大纲](http:\u002F\u002Fcs231n.stanford.edu\u002Fsyllabus.html)\n\n上述网页有时不太稳定，可能需要翻墙才能访问。\n\n下载课程作业源代码：[作业 #1](http:\u002F\u002Fcs231n.stanford.edu\u002Fassignments\u002F2016\u002Fwinter1516_assignment1.zip)、[作业 #2](http:\u002F\u002Fcs231n.stanford.edu\u002Fassignments\u002F2016\u002Fwinter1516_assignment2.zip) 和 [作业 #3](http:\u002F\u002Fcs231n.stanford.edu\u002Fassignments\u002F2016\u002Fwinter1516_assignment3.zip)。\n\n网上有很多资料，包括中文翻译、课程视频等，例如 [这篇博客](http:\u002F\u002Fblog.csdn.net\u002Fzhangxb35\u002Farticle\u002Fdetails\u002F55223825)，但个人认为，完成作业代码后的收获更大。\n\n我的 CSDN 博客笔记：[CS231n 课程作业](http:\u002F\u002Fblog.csdn.net\u002Fzhangxb35\u002Farticle\u002Fcategory\u002F6727687)\n\n---\n\n注：我做的这个是 2016 年的作业，内容略旧，仅供参考。","# CS231n 快速上手指南\n\n本指南基于斯坦福 CS231n 课程（卷积神经网络视觉识别）的开源作业代码，旨在帮助开发者通过实战掌握深度学习核心概念。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n- **操作系统**：Linux (推荐 Ubuntu)、macOS 或 Windows (需配合 WSL 使用)\n- **Python 版本**：Python 3.6+ (原作业基于 Python 2.7\u002F3.5，建议使用 Python 3 并适配代码)\n- **前置依赖**：\n  - `numpy`：数值计算\n  - `matplotlib`：绘图与可视化\n  - `jupyter notebook`：交互式运行作业文件\n  - `future`：用于 Python 2\u002F3 兼容性（如需要）\n\n> **提示**：国内用户推荐使用清华或阿里镜像源加速安装，避免网络超时。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   由于原仓库可能更新不及时，建议参考社区维护版本或直接下载官方作业包。\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Flightaime\u002Fcs231n.git\n   cd cs231n\n   ```\n   *或者手动下载官方作业压缩包并解压：*\n   ```bash\n   # 示例：下载 Assignment 1 (请替换为实际需要的作业链接)\n   wget http:\u002F\u002Fcs231n.stanford.edu\u002Fassignments\u002F2016\u002Fwinter1516_assignment1.zip\n   unzip winter1516_assignment1.zip\n   cd assignment1\n   ```\n\n2. **安装依赖库**\n   使用国内镜像源快速安装所需 Python 包：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   *若项目中无 `requirements.txt`，可手动安装核心依赖：*\n   ```bash\n   pip install numpy matplotlib jupyter future -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **获取数据集**\n   进入作业目录后，运行提供的脚本下载 CIFAR-10 数据集：\n   ```bash\n   cd cs231n\u002Fdatasets\n   .\u002Fget_datasets.sh\n   ```\n   *注：若脚本下载失败（因网络限制），可手动从 [CIFAR-10 官网](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html) 下载 `cifar-10-python.tar.gz` 并放入该目录解压。*\n\n## 基本使用\n\n完成环境配置后，即可开始交互式学习：\n\n1. **启动 Jupyter Notebook**\n   在作业根目录下运行：\n   ```bash\n   jupyter notebook\n   ```\n\n2. **打开作业文件**\n   浏览器将自动打开界面，选择对应的 `.ipynb` 文件（例如 `assignment1\u002Fknn.ipynb`）。\n\n3. **运行代码单元格**\n   - 按顺序执行代码块（Shift + Enter）。\n   - 根据注释提示填充缺失的代码函数（通常标记为 `TODO`）。\n   - 观察输出结果和可视化图表，验证算法实现是否正确。\n\n**最简单的验证示例**（以 KNN 分类器为例）：\n在 `knn.ipynb` 中，完成 `compute_distances_two_loops` 函数后，运行下方测试代码：\n```python\ndistances_two_loops = classifier.compute_distances_two_loops(X_test)\nprint('Difference between two loops and no loops: %f' % np.linalg.norm(distances_two_loops - distances_no_loops))\n```\n若输出差异值接近 `0.000000`，则表明实现正确。","一名计算机视觉方向的研究生正试图从零开始理解卷积神经网络（CNN）的底层原理，以完成图像分类的毕业设计。\n\n### 没有 cs231n 时\n- **理论脱节实践**：虽然阅读了大量论文和博客，但面对反向传播、梯度下降等抽象公式，无法将其转化为可运行的代码逻辑。\n- **环境搭建受阻**：斯坦福官网及作业资源访问不稳定，下载原始数据集和 starter code 耗时耗力，甚至因网络问题被迫中断学习。\n- **调试无从下手**：自行编写神经网络层时，遇到维度不匹配或梯度消失问题，缺乏标准的参考实现来定位错误根源。\n- **学习路径碎片化**：网上的中文资料质量参差不齐，缺乏系统性的作业引导，导致知识点的掌握支离破碎。\n\n### 使用 cs231n 后\n- **代码即教材**：直接基于 cs231n 提供的作业框架，亲手实现从全连接到卷积层的每一个函数，将数学公式瞬间具象化为可执行的 Python 代码。\n- **资源一站式获取**：利用整理好的国内镜像源和作业代码包，无需担心网络限制，快速拉取包含完整数据预处理和模型评估的标准化工程。\n- **对照调试高效**：通过对比自己实现的代码与 cs231n 的标准答案，迅速发现矩阵运算中的转置错误，深刻理解了梯度检查（Gradient Check）的重要性。\n- **体系化进阶**：跟随课程安排的 Assignment 1 到 3 循序渐进，从基础的 SVM 分类器平滑过渡到复杂的 CNN 架构训练，构建了完整的知识闭环。\n\ncs231n 通过“动手写代码”的核心机制，将晦涩的视觉算法理论转化为直观的工程能力，是连接学术概念与工业落地的最佳桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FHalfish_cs231n_af3b21ab.png","Halfish","Bruce","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FHalfish_c8650c33.jpg","Focus on natural language processing.","Sun Yat-sen University","Guangzhou, China","zhangxb.sysu@gmail.com",null,"https:\u002F\u002Fgithub.com\u002FHalfish",[82,86,90],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",98.2,{"name":87,"color":88,"percentage":89},"Python","#3572A5",1.8,{"name":91,"color":92,"percentage":93},"Shell","#89e051",0,664,224,"2026-04-09T03:11:17","","未说明",{"notes":100,"python":98,"dependencies":101},"该仓库为 2016 年斯坦福 CS231n 课程的作业代码实践，内容较旧仅供参考。主要资源（课程主页、作业压缩包）需从斯坦福官网下载，部分链接可能不稳定或需要特殊网络环境访问。README 中未列出具体的运行环境配置、依赖库及版本要求。",[],[14],[104,64],"machine-learning","2026-03-27T02:49:30.150509","2026-04-18T14:15:10.518861",[108,113],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},39702,"在 cs231n assignment2 的 cnn.py 中，第一个全连接层的输入维度为什么是 F*H\u002F2*W\u002F2？","该维度是通过从后向前推导得出的。具体计算依赖于卷积层参数，请查看代码第 79 行，其中定义了 pad（填充）和 stride（步长）。卷积后的输出维度计算公式为：(H - HH + 2×pad) \u002F stride + 1。根据代码中设定的 pad 和 stride 值（通常 stride=2 会导致尺寸减半），可以推导出最终的特征图尺寸。","https:\u002F\u002Fgithub.com\u002FHalfish\u002Fcs231n\u002Fissues\u002F2",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},39703,"在 cs231n assignment1 的两层网络实验中，为什么随机生成的矩阵运算结果能与 correct_scores 保持一致？","correct_scores 是课程设计者提供的参考答案。之所以随机生成的矩阵经过运算后能与其基本相同，是因为代码中使用了 `np.random.seed()` 固定了随机数种子。这确保了每次运行时代码生成的随机权重和偏差是确定的，从而复现相同的计算结果。","https:\u002F\u002Fgithub.com\u002FHalfish\u002Fcs231n\u002Fissues\u002F3",[]]