[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-Kyubyong--tensorflow-exercises":3,"similar-Kyubyong--tensorflow-exercises":65},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":21,"owner_website":22,"owner_url":23,"languages":24,"stars":29,"forks":30,"last_commit_at":31,"license":32,"difficulty_score":33,"env_os":34,"env_gpu":35,"env_ram":35,"env_deps":36,"category_tags":41,"github_topics":43,"view_count":44,"oss_zip_url":21,"oss_zip_packed_at":21,"status":45,"created_at":46,"updated_at":47,"faqs":48,"releases":64},1021,"Kyubyong\u002Ftensorflow-exercises","tensorflow-exercises","TensorFlow Exercises - focusing on the comparison with NumPy.","tensorflow-exercises 是一套专为 TensorFlow 初学者设计的学习练习集，巧妙通过与 NumPy 的对比来降低学习曲线。如果你已经熟悉 NumPy 的数值计算方式，这个项目能帮你快速理解 TensorFlow 的张量操作和计算图机制，将已有知识平滑迁移到深度学习框架中。\n\n项目内容系统全面，从基础概念到实战应用一应俱全：涵盖常量与变量、数据读取、张量变换、数学运算等核心模块，同时包含神经网络、Seq2Seq、图像和音频处理等进阶主题。每个知识点都配有清晰的代码示例，直观展示 TensorFlow 与 NumPy 在实现方式上的异同。\n\n特别适合有 Python 和 NumPy 基础，希望快速入门深度学习的开发者、数据科学家和研究人员。通过手把手的练习模式，你能避免枯燥的文档阅读，在实践中高效掌握 TensorFlow 的核心用法，为构建深度学习模型打下扎实基础。","# TensorFlow Exercises\n\nTensorFlow is arugably the most popular deep learning library as of 2017.\n\nThis is designed to help those who want to familiarize themselves with TensorFlow functions. Particulary, I focus on comparing TensorFlow functions with the equivalent functions in NumPy, the de facto standard numerical computation library. I hope this will help you get comfortable with TensorFlow quickly.\n\nThe basic outline will be as follows, though this is not 100% fixed.\n\n* Constants, Sequences, and Random Values (DONE)\n* Graphs (DONE)\n* Variables (DONE)\n* Reading Data (DONE)\n* Tensor Transformations (DONE)\n* Math Part 1 (DONE)\n* Math Part 2 (DONE)\n* Math Part 3 (DONE)\n* Strings (WIP)\n* Control Flow (DONE)\n* Images (WIP)\n* Sparse Tensors (DONE)\n* Neural Network Part 1 (DONE)\n* Neural Network Part 2 (DONE)\n* Neural Network Part 3 (WIP)\n* Seq2Seq (DONE)\n* Audio_Processing (DONE)\n\nEnjoy!\n","# TensorFlow 练习\n\n截至2017年，TensorFlow 可以说是最受欢迎的深度学习（deep learning）库。\n\n本项目旨在帮助那些想要熟悉 TensorFlow 函数的人。特别是，我专注于将 TensorFlow 函数与 NumPy（事实上的标准数值计算库）中的等效函数进行比较。希望这能帮助你快速上手 TensorFlow。\n\n基本大纲如下，但请注意这并非完全确定。\n\n* 常量、序列和随机值（DONE）\n* Graphs（计算图）（DONE）\n* Variables（变量）（DONE）\n* 数据读取（DONE）\n* 张量变换（DONE）\n* 数学运算 第1部分（DONE）\n* 数学运算 第2部分（DONE）\n* 数学运算 第3部分（DONE）\n* Strings（字符串）（WIP）\n* Control Flow（控制流）（DONE）\n* Images（图像）（WIP）\n* Sparse Tensors（稀疏张量）（DONE）\n* 神经网络 第1部分（DONE）\n* 神经网络 第2部分（DONE）\n* 神经网络 第3部分（WIP）\n* Seq2Seq（序列到序列）（DONE）\n* 音频处理（DONE）\n\n祝你学习愉快！","# TensorFlow Exercises 快速上手指南\n\n## 环境准备\n\n- **操作系统**：Linux、macOS 或 Windows\n- **Python 版本**：3.7 及以上\n- **前置依赖**：TensorFlow 2.x、NumPy、Jupyter Notebook\n\n## 安装步骤\n\n```bash\n# 1. 克隆项目仓库\ngit clone https:\u002F\u002Fgithub.com\u002F...\u002Ftensorflow-exercises.git\ncd tensorflow-exercises\n\n# 2. 创建虚拟环境（推荐）\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Linux\u002FmacOS\n# 或\nvenv\\Scripts\\activate  # Windows\n\n# 3. 使用国内镜像安装 TensorFlow\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow\n\n# 4. 安装 Jupyter Notebook\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple notebook\n\n# 5. 安装其他依赖（如有 requirements.txt）\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple -r requirements.txt\n```\n\n## 基本使用\n\n```bash\n# 启动 Jupyter Notebook\njupyter notebook\n```\n\n在浏览器中打开示例文件（如 `Constants.ipynb`），逐行运行代码块即可开始学习。每个 Notebook 都包含 TensorFlow 函数与 NumPy 的对比示例，帮助快速理解 TensorFlow 用法。","小李是一名有3年经验的数据分析师，擅长使用NumPy进行数据处理，最近公司启动图像分类项目，需要他快速上手TensorFlow搭建卷积神经网络。\n\n### 没有 tensorflow-exercises 时\n- **函数命名陷阱频发**：习惯性使用`np.random.randn()`却忘记在TensorFlow中要用`tf.random_normal()`，调试半小时才发现返回的是Tensor而非数组，导致后续操作报错\n- **静态图概念难以理解**：卡在`Session.run()`机制上，不明白为什么直接打印变量只显示Tensor对象，而NumPy能立即看到结果，反复查阅文档仍无法快速定位问题\n- **调试效率低下**：想验证数据预处理逻辑是否正确，只能先在NumPy中写好，再手动\"翻译\"成TensorFlow代码，两个环境来回切换，耗费大量时间\n- **学习路径碎片化**：官方文档示例过于复杂，Stack Overflow答案零散不成体系，不知道哪些API是必须先掌握的，经常学了用不到，用到的又没学\n\n### 使用 tensorflow-exercises 后\n- **函数差异一目了然**：通过\"Constants, Sequences, and Random Values\"章节的对比练习，10分钟就掌握了`tf.zeros()`与`np.zeros()`的关键区别，再也不会混淆返回值类型\n- **概念理解有章可循**：跟着\"Graphs\"和\"Variables\"的渐进式示例，通过对比NumPy的即时执行，快速理解了TensorFlow 1.x的静态图机制，半天就突破了之前的认知障碍\n- **调试思路清晰高效**：参考\"Tensor Transformations\"中的对应关系，直接在Jupyter Notebook里用`eval()`方法结合NumPy输出中间结果，验证逻辑的时间从2小时缩短到15分钟\n- **系统化掌握核心API**：按照README的完成度标记，优先学习\"DONE\"章节，3天内就掌握了搭建CNN所需的`tf.nn.conv2d`、`tf.layers`等关键函数，顺利启动项目开发\n\ntensorflow-exercises通过NumPy对比的方式，让有科学计算基础的开发者在3天内完成从困惑到上手的转变，显著降低了框架迁移的学习成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FKyubyong_tensorflow-exercises_bba9fd29.png","Kyubyong","Kyubyong Park","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FKyubyong_1c5ad752.jpg","Lives in Seoul, Korea. \r\nStudied Linguistics at SNU and Univ. of Hawaii.","TUNiB","Seoul, Korea","kbpark.linguist@gmail.com",null,"https:\u002F\u002Fwww.facebook.com\u002Fkyubyong","https:\u002F\u002Fgithub.com\u002FKyubyong",[25],{"name":26,"color":27,"percentage":28},"Python","#3572A5",100,535,171,"2026-03-21T18:32:49","NOASSERTION",1,"","未说明",{"notes":37,"python":35,"dependencies":38},"README未提供详细的运行环境配置信息。项目为TensorFlow练习集合，需自行安装配置TensorFlow和NumPy环境。",[39,40],"tensorflow","numpy",[42],"开发框架",[39,6,40],3,"ready","2026-03-27T02:49:30.150509","2026-04-06T08:41:34.445062",[49,54,59],{"id":50,"question_zh":51,"answer_zh":52,"source_url":53},4545,"Seq2Seq_solutions.ipynb 中的 loss 函数计算报错怎么办？","在 Seq2Seq_solutions.ipynb 中，loss 函数的使用有误。错误的代码是：`loss = tf.nn.sparse_softmax_cross_entropy_with_logits(logits=logits, labels=y)` 应该改为：`loss = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=dec_inputs)` 主要修改点：1) 使用 `softmax_cross_entropy_with_logits` 而不是 `sparse_softmax_cross_entropy_with_logits`；2) 标签应使用 `dec_inputs` 而不是 `y`。这是因为 seq2seq 模型中需要使用解码器的输入作为标签，而不是原始目标标签。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftensorflow-exercises\u002Fissues\u002F6",{"id":55,"question_zh":56,"answer_zh":57,"source_url":58},4546,"Tensor Transformation Solutions 中出现 NameError: name 'x' is not defined 如何解决？","在 Tensor Transformation Solutions 中，变量名大小写不一致导致 NameError。错误的代码是：`out = tf.one_hot(x, 6)` 应该改为：`out = tf.one_hot(X, 6)` 问题原因是定义变量时使用了大写 `X = tf.constant([[0, 5, 3], [4, 2, 1]])`，但在使用时用了小写 `x`。Python 变量名区分大小写，请保持变量名前后一致。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftensorflow-exercises\u002Fissues\u002F4",{"id":60,"question_zh":61,"answer_zh":62,"source_url":63},4547,"Variables_Solutions.ipynb 中 V.initialized_value() 报错 'Tensor' object is not callable 怎么办？","在 Variables_Solutions.ipynb 中，`V.initialized_value()` 的正确用法是作为属性而不是方法调用。错误的代码可能包含括号：`V.initialized_value()` 应该改为：`V.initialized_value` 即：`W = tf.Variable(V.initialized_value * 2.0)` 这是因为 `initialized_value` 是 Variable 对象的属性，返回一个 Tensor，而不是方法。如果加括号调用会触发 'Tensor' object is not callable 错误。","https:\u002F\u002Fgithub.com\u002FKyubyong\u002Ftensorflow-exercises\u002Fissues\u002F2",[],[66,76,86,94,102,115],{"id":67,"name":68,"github_repo":69,"description_zh":70,"stars":71,"difficulty_score":44,"last_commit_at":72,"category_tags":73,"status":45},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",[42,74,75],"图像","Agent",{"id":77,"name":78,"github_repo":79,"description_zh":80,"stars":81,"difficulty_score":82,"last_commit_at":83,"category_tags":84,"status":45},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",140436,2,"2026-04-05T23:32:43",[42,75,85],"语言模型",{"id":87,"name":88,"github_repo":89,"description_zh":90,"stars":91,"difficulty_score":82,"last_commit_at":92,"category_tags":93,"status":45},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",[42,74,75],{"id":95,"name":96,"github_repo":97,"description_zh":98,"stars":99,"difficulty_score":82,"last_commit_at":100,"category_tags":101,"status":45},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",[42,85],{"id":103,"name":104,"github_repo":105,"description_zh":106,"stars":107,"difficulty_score":82,"last_commit_at":108,"category_tags":109,"status":45},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",[74,110,111,112,75,113,85,42,114],"数据工具","视频","插件","其他","音频",{"id":116,"name":117,"github_repo":118,"description_zh":119,"stars":120,"difficulty_score":44,"last_commit_at":121,"category_tags":122,"status":45},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",[75,74,42,85,113]]