[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-L1aoXingyu--pytorch-beginner":3,"tool-L1aoXingyu--pytorch-beginner":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":68,"owner_location":76,"owner_email":77,"owner_twitter":68,"owner_website":68,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":68,"difficulty_score":91,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":68,"oss_zip_packed_at":68,"status":102,"created_at":103,"updated_at":104,"faqs":105,"releases":146},5533,"L1aoXingyu\u002Fpytorch-beginner","pytorch-beginner","pytorch tutorial for beginners","pytorch-beginner 是一个专为 PyTorch 初学者打造的轻量级入门项目，旨在通过最简洁的代码示例，帮助用户快速掌握深度学习框架的核心用法。对于许多刚接触人工智能领域的学习者而言，官方文档往往理论深厚但实践门槛较高，复杂的工程结构容易让人望而却步。pytorch-beginner 正是为了解决这一痛点而生，它剥离了冗余的工程配置，将焦点回归到模型构建、训练与评估的基础逻辑上，让学习者能直观地理解代码背后的原理。\n\n该项目非常适合零基础的开发者、高校学生以及希望快速上手 PyTorch 的研究人员使用。如果你是一名想要转行 AI 的程序员，或者正在寻找清晰代码范例的教学者，这里提供的“玩具级”项目将是理想的起点。其独特的技术亮点在于极致的简约性：基于 Python 3.7 和 PyTorch 1.0.0+ 环境，仅保留最必要的代码行数，确保每一行逻辑都清晰可读。通过运行这些精简示例，用户无需深陷复杂的环境配置或架构设计，即可在实践中建立对张量操作、神经网络层及优化器的直观认知，从而平滑地跨越从理论到实战的鸿沟。","# pytorch-beginner\nToy project for pytorch beginner with simplest code. \n\n## Requirements\npython 3.7\npytorch 1.0.0+",null,"# pytorch-beginner 快速上手指南\n\n## 环境准备\n在开始之前，请确保您的开发环境满足以下最低要求：\n- **Python**: 3.7 版本\n- **PyTorch**: 1.0.0 或更高版本\n\n## 安装步骤\n\n1. **安装依赖**\n   建议使用国内镜像源（如清华源）以加速下载：\n   ```bash\n   pip install torch>=1.0.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n2. **获取项目代码**\n   克隆或下载 `pytorch-beginner` 项目到本地：\n   ```bash\n   git clone \u003C项目仓库地址>\n   cd pytorch-beginner\n   ```\n\n## 基本使用\n本项目旨在提供最简单的 PyTorch 入门代码。进入项目目录后，直接运行主脚本即可体验基础流程：\n\n```bash\npython main.py\n```\n\n*注：具体脚本文件名请以项目实际文件为准，通常为 `main.py` 或 `train.py`。*","一名计算机专业的大二学生试图从零开始学习深度学习，但在配置环境和理解 PyTorch 基础代码结构时陷入了困境。\n\n### 没有 pytorch-beginner 时\n- 面对官方文档中复杂的示例和过时的 API 调用，初学者难以分辨哪些是核心逻辑，哪些是工程化封装，导致无从下手。\n- 自行搭建最小可运行模型时，常因 Python 版本与 PyTorch 版本不兼容（如 3.7 与 1.0+ 的匹配问题）而耗费数小时排查环境报错。\n- 缺乏标准化的简单代码参考，每次修改网络层或损失函数都需要反复查阅碎片化的博客教程，学习效率极低且容易出错。\n- 由于示例代码过于庞大，无法快速验证自己的小想法，挫败感强烈，往往在入门阶段就选择放弃。\n\n### 使用 pytorch-beginner 后\n- 直接获取专为新手设计的极简代码项目，清晰剥离了无关的工程细节，让学生能一眼看懂数据加载、模型定义到训练循环的核心流程。\n- 项目明确标注了 Python 3.7 和 PyTorch 1.0.0+ 的环境要求，一键复现成功，彻底消除了环境配置带来的“劝退”障碍。\n- 基于其玩具级的项目结构，学习者可以大胆修改代码实验不同参数，即时看到结果反馈，建立了从理论到实践的直观映射。\n- 简洁的代码风格成为了最佳“脚手架”，帮助学生快速建立起正确的编码规范，为后续进阶复杂项目打下坚实基础。\n\npytorch-beginner 通过提供最低门槛的标准化入门范例，将深度学习的学习曲线从陡峭变为平缓，让新手能专注于算法原理而非环境琐事。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FL1aoXingyu_pytorch-beginner_cb27b2cc.png","L1aoXingyu","Xingyu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FL1aoXingyu_1e15f993.png","Engineer\r\n","Beijing, China","sherlockliao01@gmail.com","https:\u002F\u002Fgithub.com\u002FL1aoXingyu",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",79.6,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",20.4,3039,1091,"2026-04-03T02:38:52",1,"",{"notes":94,"python":95,"dependencies":96},"这是一个面向 PyTorch 初学者的玩具项目，代码极其简单。README 中未明确指定操作系统、GPU 及内存需求，通常此类基础教程在 CPU 环境下即可运行。","3.7",[97],"pytorch>=1.0.0",[14],[100,101],"pytorch-tutorial","pytorch","ready_partial","2026-03-27T02:49:30.150509","2026-04-08T22:11:06.795210",[106,111,116,121,126,131,136,141],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},25122,"在 Windows 上运行循环神经网络（RNN\u002FLSTM）时报错 'TypeError: >= not supported between instances of NoneType and int' 怎么办？","这是因为 PyTorch 官方并不正式支持 Windows 上的 CUDA，可能导致 cuDNN 相关功能异常。建议解决方案：1. 更新 PyTorch 到最新版本；2. 更新项目中的 '05-Recurrent Neural Network' 代码；3. 如果可能，建议在 Ubuntu 等 Linux 系统下运行以获得更好的兼容性。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F6",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},25123,"Logistic Regression 或神经网络代码中，为什么评估损失和准确率计算存在浮点数问题？","在 Python 2 中，整数除法会截断小数部分，导致 eval_loss 和 eval_acc 计算错误。解决方法有两种：1. 将初始化改为浮点数，即 eval_loss = 0.0 和 eval_acc = 0.0；2. 在文件第一行添加 'from __future__ import division'。注意：Python 3 默认不存在此问题。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F2",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},25124,"Logistic_Regression.py 代码中直接输出了线性结果，没有看到 Sigmoid 激活函数，这真的是逻辑回归吗？","标准的逻辑回归确实是 sigmoid(wx + b) 用于二分类。但该代码处理的是 10 分类问题，因此激活函数由 Sigmoid 变为了 Softmax。在 PyTorch 中，Softmax 通常被集成在损失函数 nn.CrossEntropyLoss() 内部，所以代码中不需要显式写出 Softmax 层。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F28",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},25125,"运行卷积神经网络时遇到 'RuntimeError: CUDNN_STATUS_INTERNAL_ERROR' 错误如何解决？","这通常是 cuDNN 配置或版本冲突导致的。PyTorch 不需要单独安装 cuDNN。正确的做法是：先安装对应版本的 CUDA（如 CUDA 8），然后直接使用 conda 安装 PyTorch（例如：conda install pytorch torchvision），conada 会自动安装匹配的 cuDNN 版本，避免手动安装造成的不兼容。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F7",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},25126,"AutoEncoder 章节中的数据预处理 transform 参数设置错误导致无法运行，正确的参数是什么？","原代码中使用的归一化参数 (0.5, 0.5, 0.5) 可能不适用于当前数据集（如 MNIST）。正确的做法是根据数据集的均值和标准差进行调整。例如对于 MNIST 数据集，应修改为：transforms.Normalize((0.1307,), (0.3081,))。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F33",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},25127,"运行 RNN 代码时出现 'RuntimeError: cudnn RNN backward can only be called in training mode' 错误？","该错误表明在使用 cuDNN 优化的 RNN 进行反向传播时，模型未处于训练模式。请确保在调用 loss.backward() 之前，已经执行了 model.train() 将模型设置为训练模式。如果是在较新版本的 PyTorch 中，该 Bug 可能已被修复，建议检查并更新代码或参考 PyTorch 论坛的相关讨论。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F19",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},25128,"AutoEncoder 可视化图中的坐标轴范围（如 -1.5 到 1.5）代表什么含义？","图中的坐标轴范围代表编码后特征（feature）的数值范围。如果是二维特征可视化，-1.5 到 1.5 分别对应特征向量中 x 和 y 分量的取值范围。可以通过调整代码使用二维 feature 来复现类似的二维分布图。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F17",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},25129,"在 PyTorch 0.4+ 版本中，Logistic Regression 代码报错 'invalid index of a 0-dim tensor' 且准确率始终为 0 怎么办？","这是 PyTorch 0.4 版本变更导致的兼容性问题。旧代码中使用 data[0] 获取标量值的方式已不再支持。解决方法是将获取标量的代码修改为使用 .item() 方法。例如，将 running_acc += num_correct.data[0] 修改为 running_acc += num_correct.data[0].item() 或直接 num_correct.item()。","https:\u002F\u002Fgithub.com\u002FL1aoXingyu\u002Fpytorch-beginner\u002Fissues\u002F10",[]]