[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MITDeepLearning--introtodeeplearning":3,"tool-MITDeepLearning--introtodeeplearning":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",148568,2,"2026-04-09T23:34:24",[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},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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":96,"difficulty_score":97,"env_os":98,"env_gpu":99,"env_ram":98,"env_deps":100,"category_tags":104,"github_topics":106,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":156},6141,"MITDeepLearning\u002Fintrotodeeplearning","introtodeeplearning","Lab Materials for MIT 6.S191: Introduction to Deep Learning","introtodeeplearning 是麻省理工学院（MIT）6.S191《深度学习导论》课程的官方开源实验配套资源，旨在为零基础学习者提供一套完整、系统的深度学习入门实践方案。它有效解决了初学者在配置复杂本地开发环境时遇到的门槛问题，以及理论知识与实际编码能力脱节的痛点。\n\n这套资源非常适合希望系统掌握深度学习核心概念的学生、开发者及研究人员使用。其最大的技术亮点在于完全基于 Google Colaboratory 云端环境运行，用户无需安装任何软件或配置硬件，只需拥有谷歌账号即可在浏览器中直接调用 GPU 算力进行实验。课程包含多个循序渐进的 Jupyter Notebook 实验项目，涵盖从基础神经网络到前沿应用的各类场景。学习者只需在代码中标记为\"#TODO\"的位置填入逻辑，即可完成模型构建与训练。此外，项目还开源了专用的 mitdeeplearning Python 库，封装了常用的便捷函数，进一步简化了编码流程。配合公开的课程视频与幻灯片，introtodeeplearning 让任何人都能轻松迈出深度学习实践的第一步。","[![banner](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMITDeepLearning_introtodeeplearning_readme_1060579563c2.png)](http:\u002F\u002Fintrotodeeplearning.com)\n\nThis repository contains all of the code and software labs for [MIT Introduction to Deep Learning](http:\u002F\u002Fintrotodeeplearning.com)! All lecture slides and videos are available on the program website.\n\n# Instructions\nMIT Introduction to Deep Learning software labs are designed to be completed at your own pace. At the end of each of the labs, there will be instructions on how you can submit your materials as part of the lab competitions. These instructions include what information must be submitted and in what format.\n\n## Opening the labs in Google Colaboratory:\n\nThe 2026 Introduction to Deep Learning labs will be run in Google's Colaboratory, a Jupyter notebook environment that runs entirely in the cloud, so you don't need to download anything. To run these labs, you must have a Google account.\n\nOn this Github repo, navigate to the lab folder you want to run (`lab1`, `lab2`, `lab3`) and open the appropriate python notebook (\\*.ipynb). Click the \"Run in Colab\" link on the top of the lab. That's it!\n\n## Running the labs\nNow, to run the labs, open the Jupyter notebook on Colab. Navigate to the \"Runtime\" tab --> \"Change runtime type\". In the pop-up window, under \"Runtime type\" select \"Python 3\", and under \"Hardware accelerator\" select \"GPU\". Go through the notebooks and fill in the `#TODO` cells to get the code to compile for yourself!\n\n\n### MIT Deep Learning package\nYou might notice that inside the labs we install the `mitdeeplearning` python package from the Python Package repository:\n\n`pip install mitdeeplearning`\n\nThis package contains convienence functions that we use throughout the course and can be imported like any other Python package.\n\n`>>> import mitdeeplearning as mdl`\n\nWe do this for you in each of the labs, but the package is also open source under the same license so you can also use it outside the class.\n\n## Lecture Videos\n\n[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMITDeepLearning_introtodeeplearning_readme_79a1acffa09d.png\" width=\"500\">](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=njKP3FqW3Sk&list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI&index=1)\n\nAll lecture videos are available publicly online and linked above! Use and\u002For modification of lecture slides outside of MIT Introduction to Deep Learning must reference:\n\n> © MIT Introduction to Deep Learning\n>\n> http:\u002F\u002Fintrotodeeplearning.com\n\n## License\nAll code in this repository is copyright 2026 [MIT Introduction to Deep Learning](http:\u002F\u002Fintrotodeeplearning.com). All Rights Reserved.\n\nLicensed under the MIT License. You may not use this file except in compliance with the License. Use and\u002For modification of this code outside of MIT Introduction to Deep Learning must reference:\n\n> © MIT Introduction to Deep Learning\n>\n> http:\u002F\u002Fintrotodeeplearning.com\n","[![banner](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMITDeepLearning_introtodeeplearning_readme_1060579563c2.png)](http:\u002F\u002Fintrotodeeplearning.com)\n\n本仓库包含了 [MIT 深度学习导论](http:\u002F\u002Fintrotodeeplearning.com) 课程的所有代码和软件实验！所有讲义幻灯片及视频均可在项目官网获取。\n\n# 使用说明\nMIT 深度学习导论的软件实验旨在供学员按自身节奏完成。每个实验结束时，都会提供关于如何提交作品参与实验竞赛的说明，其中包括需要提交的内容及格式要求。\n\n## 在 Google Colaboratory 中打开实验：\n2026 年的深度学习导论实验将在 Google 的 Colaboratory 上运行。Colab 是一个完全基于云端的 Jupyter Notebook 环境，因此您无需下载任何内容。要运行这些实验，您必须拥有一个 Google 账号。\n\n在本 GitHub 仓库中，导航至您想要运行的实验文件夹（`lab1`、`lab2`、`lab3`），并打开相应的 Python 笔记本文件（\\*.ipynb）。点击实验页面顶部的“在 Colab 中运行”链接即可。就这么简单！\n\n## 运行实验\n现在，要在 Colab 上运行实验，请打开 Jupyter 笔记本，依次进入“运行时”选项卡 --> “更改运行时类型”。在弹出的窗口中，在“运行时类型”下选择“Python 3”，在“硬件加速器”下选择“GPU”。随后按照笔记本中的指示，填写所有 `#TODO` 标记的单元格，以完成代码的编写与运行！\n\n### MIT 深度学习工具包\n您可能会注意到，在实验中我们从 Python 包仓库安装了 `mitdeeplearning` Python 工具包：\n\n`pip install mitdeeplearning`\n\n该工具包包含我们在整个课程中使用的便捷函数，可以像其他 Python 包一样导入使用。\n\n`>>> import mitdeeplearning as mdl`\n\n我们在每个实验中都为您完成了这一操作，但该工具包同样采用开源许可协议发布，因此您也可以在课程之外使用它。\n\n## 讲座视频\n\n[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMITDeepLearning_introtodeeplearning_readme_79a1acffa09d.png\" width=\"500\">](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=njKP3FqW3Sk&list=PLtBw6njQRU-rwp5__7C0oIVt26ZgjG9NI&index=1)\n\n所有讲座视频均已公开发布于线上，并已在上方链接中提供！在 MIT 深度学习导论课程之外使用或修改讲座幻灯片时，必须注明：\n\n> © MIT 深度学习导论\n>\n> http:\u002F\u002Fintrotodeeplearning.com\n\n## 许可协议\n本仓库中的所有代码版权归 2026 年 [MIT 深度学习导论](http:\u002F\u002Fintrotodeeplearning.com) 所有，保留一切权利。\n\n本项目采用 MIT 许可协议授权。除非符合该许可协议的规定，否则不得使用本文件。在 MIT 深度学习导论课程之外使用或修改本代码时，必须注明：\n\n> © MIT 深度学习导论\n>\n> http:\u002F\u002Fintrotodeeplearning.com","# MIT 深度学习入门 (introtodeeplearning) 快速上手指南\n\n本指南旨在帮助开发者快速开始使用 MIT 深度学习课程的开源代码实验室。所有实验均在云端运行，无需本地配置复杂环境。\n\n## 环境准备\n\n*   **系统要求**：任意支持现代浏览器的操作系统（Windows, macOS, Linux）。\n*   **前置依赖**：\n    *   一个有效的 **Google 账号**（用于登录 Google Colaboratory）。\n    *   稳定的网络连接（访问 Google Colab 及 GitHub）。\n*   **硬件加速**：推荐使用 GPU 加速实验运行（在 Colab 中免费可选）。\n\n## 安装与启动步骤\n\n本项目无需在本地安装任何软件或下载代码库，所有操作均在 Google Colab 云端完成。\n\n1.  **访问仓库**：\n    前往 GitHub 仓库页面，导航至您想要运行的实验文件夹（例如 `lab1`, `lab2`, `lab3`）。\n\n2.  **启动 Colab**：\n    打开对应的 Python Notebook 文件（`*.ipynb`），点击页面顶部的 **\"Run in Colab\"** 链接。\n\n3.  **配置运行时环境**：\n    Notebook 在 Colab 中打开后，请按以下步骤启用 GPU 加速：\n    *   点击顶部菜单栏的 **Runtime** (运行时)。\n    *   选择 **Change runtime type** (更改运行时类型)。\n    *   在弹出窗口中：\n        *   **Runtime type**: 选择 `Python 3`。\n        *   **Hardware accelerator**: 选择 `GPU`。\n    *   点击 **Save**。\n\n4.  **自动安装依赖**：\n    每个 Notebook 启动后会自动执行以下命令安装课程专用包，无需手动干预：\n    ```bash\n    pip install mitdeeplearning\n    ```\n\n## 基本使用\n\n进入实验界面后，按照以下流程完成第一个任务：\n\n1.  **导入工具包**：\n    在代码单元格中运行以下命令以加载课程专用库：\n    ```python\n    import mitdeeplearning as mdl\n    ```\n\n2.  **完成练习**：\n    浏览 Notebook 内容，找到标记为 `#TODO` 的代码单元格。根据上下文提示，在这些单元格中填写缺失的代码逻辑。\n\n3.  **运行代码**：\n    选中包含 `#TODO` 的单元格，按 `Shift + Enter` 运行。如果代码正确，程序将编译通过并输出结果。\n\n4.  **提交作品**（可选）：\n    完成每个实验末尾的说明部分，按照指定格式提交材料以参与实验室竞赛。","一名计算机专业的大二学生试图在寒假自学深度学习，希望复现课程中的图像分类项目以巩固理论知识。\n\n### 没有 introtodeeplearning 时\n- **环境配置劝退**：需要在本地手动安装 TensorFlow、CUDA 驱动及各类依赖库，常因版本冲突导致代码无法运行，耗费数天调试环境而非学习算法。\n- **缺乏结构化引导**：面对开源代码不知从何下手，缺少分步骤的填空式练习（TODO cells），难以将数学公式转化为实际的模型构建代码。\n- **算力资源受限**：个人笔记本电脑无高性能 GPU，训练稍微复杂的卷积神经网络时速度极慢，甚至直接崩溃，无法验证实验结果。\n- **理论实践脱节**：观看视频讲座时只能被动接收知识，缺乏配套的即时编码实验，导致“眼睛学会了，手没学会”的困境。\n\n### 使用 introtodeeplearning 后\n- **云端零配置启动**：直接通过 Google Colab 链接一键加载实验室环境，无需本地安装任何软件，开箱即用且自动分配免费 GPU 加速卡。\n- **交互式渐进学习**：依托精心设计的 Jupyter Notebook，通过填充关键的 `#TODO` 代码块，一步步构建模型，即时看到运行反馈，深刻理解每一行代码的作用。\n- **专用工具库赋能**：直接调用 `mitdeeplearning` 包中封装好的便捷函数，简化了数据预处理和可视化流程，让学生能聚焦于核心逻辑而非重复造轮子。\n- **学练闭环形成**：每个实验紧密对应讲座内容，边看视频边在云端跑通代码，迅速完成从理论推导到模型训练的完整闭环，极大提升学习效率。\n\nintrotodeeplearning 通过提供云原生的交互式实验环境，将深度学习的高门槛转化为可循序渐进掌握的实战路径，让初学者能专注于算法本质而非环境琐事。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMITDeepLearning_introtodeeplearning_10605795.png","MITDeepLearning","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMITDeepLearning_c15731fa.jpg","",null,"introtodeeplearning-staff@mit.edu","mitdeeplearning","introtodeeplearning.com","https:\u002F\u002Fgithub.com\u002FMITDeepLearning",[81,85,89],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",97.2,{"name":86,"color":87,"percentage":88},"Python","#3572A5",2.8,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0,8582,4473,"2026-04-09T21:09:18","MIT",1,"未说明","需要 GPU（在 Google Colab 中选择 Hardware accelerator: GPU），具体型号、显存大小及 CUDA 版本未说明",{"notes":101,"python":102,"dependencies":103},"该工具主要设计为在 Google Colaboratory 云端环境中运行，无需本地下载任何内容。用户只需拥有 Google 账户，在浏览器中打开笔记本并设置运行时类型为 Python 3 且硬件加速器为 GPU 即可。核心依赖包为 mitdeeplearning，可通过 pip 安装。","Python 3 (在 Colab 运行时设置中选择)",[77],[105,15,14],"音频",[107,108,109,110,111,112,113,114,115,116,117,118],"mit","deep-learning","neural-networks","tensorflow","tensorflow-tutorials","music-generation","computer-vision","deep-reinforcement-learning","deeplearning","jupyter-notebooks","pytorch","pytorch-tutorial","2026-03-27T02:49:30.150509","2026-04-10T15:51:24.305903",[122,127,132,137,142,147,152],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},27799,"如何在 Docker 容器中获取终端访问权限以运行原生命令（如 nvprof）？","可以在启动 Docker 时使用 `-it --entrypoint \u002Fbin\u002Fbash` 参数进入 Bash 终端。完整的启动命令如下：\n`docker run -it -p 8888:8888 -p 6006:6006 --entrypoint \u002Fbin\u002Fbash -v \u002Fpath\u002Fto\u002Fintrotodeeplearning_labs:\u002Fnotebooks\u002Fintrotodeeplearning_labs mit6s191\u002Fiap2018:labs`\n这将提供一个正常的终端窗口供你运行命令。建议在 Docker 内部使用 `tmux` 来管理多个窗口。","https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fissues\u002F9",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},27800,"运行代码时出现 'no module named util' 错误，如何解决？","这通常是因为没有在正确的 Docker 容器环境中运行，或者文件挂载路径不正确。\n1. 确保你正在运行 `mit6s191\u002Fiap2018:labs` Docker 镜像，并按照 README 的指示挂载了 labs 文件夹。\n2. 挂载后，容器内的文件应位于 `\u002Fnotebooks` 目录下，而不是本地的 `~\u002FDesktop`。\n3. 可以通过运行以下代码检查是否成功进入了容器环境（如果打印 True 则表示成功）：\n```python\nisDocker = False\nwith open('\u002Fproc\u002Fself\u002Fcgroup', 'r') as procfile:\n    for line in procfile:\n        fields = line.strip().split('\u002F')\n        if 'docker' in fields:\n            isDocker = True\nprint(isDocker)\n```","https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fissues\u002F6",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},27801,"在 Google Colab 中运行 Lab3 时遇到 'ValueError: Invalid pattern' 错误怎么办？","这通常是由于 `datasets`、`huggingface-hub` 和 `fsspec` 库的版本组合存在 Bug 导致的。建议参考 Hugging Face 论坛的相关讨论进行修复，通常可以通过更新或降级相关库的版本来解决。具体可查阅：https:\u002F\u002Fdiscuss.huggingface.co\u002Ft\u002Fvalueerror-invalid-pattern-can-only-be-an-entire-path-component\u002F80450\u002F2","https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fissues\u002F196",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},27802,"为什么在 introtodeeplearning_labs 文件夹中看不到 lab1 和 lab2 的文件？","这通常是由于 Docker 挂载路径配置问题。尝试使用绝对路径（absolute path）来挂载卷通常可以解决此问题。请确保在执行 `docker run` 命令时，本地路径使用的是完整绝对路径，例如 `-v \u002Fabsolute\u002Fpath\u002Fto\u002Flabs:\u002Fnotebooks\u002Fintrotodeeplearning_labs`。","https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fissues\u002F8",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},27803,"音乐生成实验中的 extract_song_snippet 函数无法提取第一首和最后一首歌，如何修复？","这是因为正则模式 `'\\n\\n(.*?)\\n\\n'` 依赖于歌曲前后的双换行符，而第一首歌前或最后一首歌后可能缺少该标记（特别是当生成文本以 'X' 开头时）。\n临时解决方法是在播放生成的音乐之前，手动在生成文本的首尾添加换行符：\n`generated_text = \"\\n\\n\" + generated_text + \"\\n\\n\"`\n这样可以确保所有歌曲片段都能被正确提取。该问题已在 2021 版本的课程代码中修复。","https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fissues\u002F76",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},27804,"Docker 镜像拉取失败，提示 'manifest not found' 或 'TLS handshake timeout' 怎么办？","如果遇到 `manifest for mit6s191\u002Fiap2018:latest not found` 错误，请尝试指定具体的标签版本，例如使用 `docker pull mit6s191\u002Fiap2018:labs`。\n如果遇到网络超时（TLS handshake timeout），可能是网络连接问题。此外，新课程版本可能已不再依赖 Docker，建议尝试直接在本地机器上运行实验（如果你已经安装了 TensorFlow），或者等待新版本的实验室材料发布。","https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fissues\u002F16",{"id":153,"question_zh":154,"answer_zh":155,"source_url":126},27805,"labs 运行的 Docker 镜像是否支持 TensorFlow-GPU？","是的，该 Docker 镜像配置的 TensorFlow 既可以在 CPU 上运行，也可以配合 GPU 使用。只要你的主机配备了 NVIDIA 显卡并正确安装了驱动，容器内即可调用 GPU 资源。",[157,162,167,171,176,180,184,188,192,196,201,205,209],{"id":158,"version":159,"summary_zh":160,"released_at":161},188720,"v0.7.4","**完整更新日志**: https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fcompare\u002Fv0.7.3...v0.7.4","2025-01-08T03:42:08",{"id":163,"version":164,"summary_zh":165,"released_at":166},188721,"v0.7.3","**完整更新日志**: https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fcompare\u002Fv0.7.1...v0.7.3","2025-01-06T00:18:36",{"id":168,"version":169,"summary_zh":75,"released_at":170},188722,"v0.7.1","2025-01-05T21:26:12",{"id":172,"version":173,"summary_zh":174,"released_at":175},188723,"v0.7.2","## 变更内容\n* 2024年第一天由@aamini在 https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fpull\u002F148 中完成\n* 2024年实验2更新由@aamini在 https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fpull\u002F149 中完成\n\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002FMITDeepLearning\u002Fintrotodeeplearning\u002Fcompare\u002Fv0.6.1...v0.7.2","2025-01-05T23:24:56",{"id":177,"version":178,"summary_zh":75,"released_at":179},188724,"v0.6.1","2024-01-08T06:08:39",{"id":181,"version":182,"summary_zh":75,"released_at":183},188725,"v0.6.0","2024-01-08T05:24:30",{"id":185,"version":186,"summary_zh":75,"released_at":187},188726,"v0.5.4","2024-01-08T05:13:33",{"id":189,"version":190,"summary_zh":75,"released_at":191},188727,"v0.4.1","2024-01-08T04:51:52",{"id":193,"version":194,"summary_zh":75,"released_at":195},188728,"v0.4.0","2023-01-11T07:33:23",{"id":197,"version":198,"summary_zh":199,"released_at":200},188729,"v0.3.0","将 create_grid 添加到 utils 中","2023-01-08T18:11:45",{"id":202,"version":203,"summary_zh":75,"released_at":204},188730,"v0.2.0","2021-01-17T16:53:45",{"id":206,"version":207,"summary_zh":75,"released_at":208},188731,"v0.1.1","2020-01-25T02:34:05",{"id":210,"version":211,"summary_zh":75,"released_at":212},188732,"v0.1.0","2020-01-25T02:20:23"]