[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MemorialCheng--deep-learning-from-scratch":3,"tool-MemorialCheng--deep-learning-from-scratch":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",142651,2,"2026-04-06T23:34:12",[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。",107888,"2026-04-06T11:32:50",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":77,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":104,"updated_at":105,"faqs":106,"releases":107},4911,"MemorialCheng\u002Fdeep-learning-from-scratch","deep-learning-from-scratch","《深度学习入门-基于Python的理论与实现》，包含源代码和高清PDF(带书签)；慕课网imooc《深度学习之神经网络(CNN-RNN-GAN)算法原理-实战》；《菜菜的机器学习sklearn》","deep-learning-from-scratch 是一个专为深度学习初学者打造的开源学习资源库，旨在降低人工智能领域的入门门槛。它系统整合了三套高质量中文教程：经典书籍《深度学习入门 - 基于 Python 的理论与实现》的完整源码与高清书签版 PDF、慕课网关于 CNN\u002FRNN\u002FGAN 算法原理与实战的课程资料，以及广受欢迎的“菜菜的机器学习 sklearn\"全套课件与代码。\n\n对于许多自学者而言，寻找配套源代码、清晰课件和结构化笔记往往耗时费力，且资源分散。deep-learning-from-scratch 通过一站式收集与整理，解决了资料获取难、环境配置复杂以及理论与实践脱节的问题，让学习者能直接上手运行代码，对照笔记理解核心算法。\n\n该项目非常适合希望从零开始掌握机器学习和深度学习的开发者、高校学生及 AI 爱好者。无论是想理解神经网络底层原理，还是希望快速利用 sklearn 库进行实战演练，都能在这里找到详尽的指导。其独特亮点在于不仅提供书本知识，更强调了“从零实现”的过程，帮助用户透过代码深入理解算法本质，而非仅仅调用黑盒接口。项目持续更新学习笔记，并鼓励社区交流，","deep-learning-from-scratch 是一个专为深度学习初学者打造的开源学习资源库，旨在降低人工智能领域的入门门槛。它系统整合了三套高质量中文教程：经典书籍《深度学习入门 - 基于 Python 的理论与实现》的完整源码与高清书签版 PDF、慕课网关于 CNN\u002FRNN\u002FGAN 算法原理与实战的课程资料，以及广受欢迎的“菜菜的机器学习 sklearn\"全套课件与代码。\n\n对于许多自学者而言，寻找配套源代码、清晰课件和结构化笔记往往耗时费力，且资源分散。deep-learning-from-scratch 通过一站式收集与整理，解决了资料获取难、环境配置复杂以及理论与实践脱节的问题，让学习者能直接上手运行代码，对照笔记理解核心算法。\n\n该项目非常适合希望从零开始掌握机器学习和深度学习的开发者、高校学生及 AI 爱好者。无论是想理解神经网络底层原理，还是希望快速利用 sklearn 库进行实战演练，都能在这里找到详尽的指导。其独特亮点在于不仅提供书本知识，更强调了“从零实现”的过程，帮助用户透过代码深入理解算法本质，而非仅仅调用黑盒接口。项目持续更新学习笔记，并鼓励社区交流，是构建扎实 AI 基础的理想起点。","___相信您寻找 pdf、源代码、课件已经很久了，是的，这里免费提供大家一起学习进步。收集整理不易，如果帮到您希望您可以点个赞**Star**\u003Cbr>\n本项目将持续更新自己的学习笔记，欢迎一起交流。___\n\n# deep-learning-from-scratch\n《深度学习入门-基于Python的理论与实现》，包含源代码和学习笔记。\n\u003Cbr>\n# deeplearning-from-mooc\n根据慕课网imooc《深度学习之神经网络(CNN\u002FRNN\u002FGAN)算法原理+实战》，收集整理相关资料。\n\u003Cbr>\n# machinelearning-sklearn\n菜菜的机器学习sklearn，手把手教你利用sklearn进行机器学习实战，干货满满，非常棒！  \n这里收集了该课程全套课件资料+源码。  \nB站传送门： [**菜菜的机器学习sklearn**](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1vJ41187hk)\n\n\u003Cbr>\n\n# 文件结构\n目录 | 描述\n---- | -----\ndeeplearning-from-mooc | 《深度学习之神经网络(CNN\u002FRNN\u002FGAN)算法原理+实战》\ndeeplearning-from-scratch\t| 《深度学习入门-基于Python的理论与实现》\nmachinelearning-sklearn | 《菜菜的机器学习sklearn》\npdf |\tpdf资源分享\nlearningnotes | 学习笔记\n\u003Cbr>\n\n\u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMemorialCheng_deep-learning-from-scratch_readme_a24c283567dd.jpg\" width=700>\n","___相信您寻找 pdf、源代码、课件已经很久了，是的，这里免费提供大家一起学习进步。收集整理不易，如果帮到您希望您可以点个赞**Star**\u003Cbr>\n本项目将持续更新自己的学习笔记，欢迎一起交流。___\n\n# deep-learning-from-scratch\n《深度学习入门-基于Python的理论与实现》，包含源代码和学习笔记。\n\u003Cbr>\n# deeplearning-from-mooc\n根据慕课网imooc《深度学习之神经网络(CNN\u002FRNN\u002FGAN)算法原理+实战》，收集整理相关资料。\n\u003Cbr>\n# machinelearning-sklearn\n菜菜的机器学习sklearn，手把手教你利用sklearn进行机器学习实战，干货满满，非常棒！  \n这里收集了该课程全套课件资料+源码。  \nB站传送门： [**菜菜的机器学习sklearn**](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002FBV1vJ41187hk)\n\n\u003Cbr>\n\n# 文件结构\n目录 | 描述\n---- | -----\ndeeplearning-from-mooc | 《深度学习之神经网络(CNN\u002FRNN\u002FGAN)算法原理+实战》\ndeeplearning-from-scratch\t| 《深度学习入门-基于Python的理论与实现》\nmachinelearning-sklearn | 《菜菜的机器学习sklearn》\npdf |\tpdf资源分享\nlearningnotes | 学习笔记\n\u003Cbr>\n\n\u003Cbr>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMemorialCheng_deep-learning-from-scratch_readme_a24c283567dd.jpg\" width=700>","# deep-learning-from-scratch 快速上手指南\n\n本仓库汇集了《深度学习入门 - 基于 Python 的理论与实现》、慕课网深度学习实战以及“菜菜的机器学习 sklearn\"等优质课程的源代码、课件及学习笔记，旨在帮助开发者从零开始掌握机器学习与深度学习。\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**：Windows \u002F macOS \u002F Linux\n*   **Python 版本**：推荐 Python 3.6 及以上版本\n*   **核心依赖库**：\n    *   `numpy` (数值计算)\n    *   `matplotlib` (数据可视化)\n    *   `scikit-learn` (机器学习算法，针对 machinelearning-sklearn 模块)\n    *   `pandas` (数据处理，部分章节需要)\n\n建议安装 **Anaconda** 或 **Miniconda** 来管理 Python 环境，以便更轻松地处理依赖关系。\n\n## 安装步骤\n\n### 1. 克隆项目\n使用 Git 将仓库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMemorialCheng\u002Fdeep-learning-from-scratch.git\ncd deep-learning-from-scratch\n```\n\n> **国内加速提示**：如果克隆速度较慢，可使用 Gitee 镜像（如有）或配置 Git 代理。\n\n### 2. 安装依赖\n进入项目根目录，使用 pip 安装所需库。推荐使用国内镜像源以加快下载速度：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*注：若项目中未提供 `requirements.txt` 文件，可手动执行以下命令安装核心库：*\n\n```bash\npip install numpy matplotlib scikit-learn pandas -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n本项目按课程模块划分目录，您可以根据学习需求进入对应文件夹运行代码。\n\n### 示例：运行《深度学习入门》章节代码\n\n假设您想运行书中关于感知机（Perceptron）的示例代码：\n\n1.  进入对应目录：\n    ```bash\n    cd deeplearning-from-scratch\u002Fchapter02\n    ```\n    *(注：具体章节路径请根据实际文件结构调整，通常在 `chapterXX` 文件夹下)*\n\n2.  运行 Python 脚本：\n    ```bash\n    python perceptron.py\n    ```\n\n### 示例：运行 sklearn 实战代码\n\n若想体验“菜菜的机器学习”中的预处理案例：\n\n1.  进入对应目录：\n    ```bash\n    cd machinelearning-sklearn\n    ```\n\n2.  运行特定脚本（例如数据预处理）：\n    ```bash\n    python 01.preprocess_module.py\n    ```\n\n### 查看学习笔记与课件\n*   **笔记**：直接浏览 `learningnotes` 目录下的 Markdown 文件或图片。\n*   **课件\u002FPDF**：所有整理的 PDF 资源均位于 `pdf` 目录中，可直接下载阅读。\n\n通过运行这些源码并对照 `learningnotes` 中的笔记，您可以快速复现书中的理论推导与实战效果。","计算机专业大三学生小李正备战暑期实习面试，急需在两周内系统掌握深度学习核心算法并完成一个图像分类实战项目。\n\n### 没有 deep-learning-from-scratch 时\n- **资料碎片化严重**：需要在知乎、CSDN、GitHub 等多个平台零散搜索《深度学习入门》的代码和 PDF，往往找到的是缺页版本或无法运行的旧代码。\n- **理论与实践脱节**：看完慕课网的 CNN\u002FRNN 视频后，找不到对应的完整课件和复现代码，导致对反向传播等核心原理“听得懂但写不出”。\n- **调试成本极高**：尝试复现 sklearn 机器学习案例时，因缺乏官方标准源码对照，陷入数据预处理和参数调整的泥潭，三天还没跑通第一个模型。\n- **笔记体系缺失**：自己整理的学习笔记杂乱无章，缺乏系统性的知识串联，面试前复习时难以快速构建知识图谱。\n\n### 使用 deep-learning-from-scratch 后\n- **资源一站式获取**：直接下载带书签的高清 PDF 和配套源代码，瞬间集齐《深度学习入门》理论与实现所需的所有材料，节省了大量检索时间。\n- **知行合一高效落地**：结合慕课网视频与项目中整理的实战资料，迅速复现了 GAN 生成对抗网络，真正理解了算法从公式到代码的转化过程。\n- **实战路径清晰**：依托“菜菜的机器学习 sklearn\"全套课件与源码，按部就班完成数据清洗到模型评估的全流程，一天内成功构建出高精度的分类器。\n- **复习体系完善**：参考项目中高质量的学习笔记，快速梳理出神经网络知识脉络，面试时能流畅讲解算法细节并获得 Offer。\n\ndeep-learning-from-scratch 通过整合权威教材、实战课程与精编笔记，将原本混乱的自学路径转化为高效的系统化成长方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMemorialCheng_deep-learning-from-scratch_c34fc9bd.png","MemorialCheng","城序猿","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMemorialCheng_9a4df002.jpg","No Excuses,Play Like a Champion! ",null,"chengzhou115@163.com","https:\u002F\u002Fblog.csdn.net\u002Fweixin_43374508","https:\u002F\u002Fgithub.com\u002FMemorialCheng",[82,86],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",99.2,{"name":87,"color":88,"percentage":89},"Python","#3572A5",0.8,1352,381,"2026-04-06T21:40:55",1,"","未说明",{"notes":97,"python":95,"dependencies":98},"README 内容主要为课程资料（《深度学习入门》、慕课网教程、sklearn 实战）的收集与分享，包含源代码、课件 PDF 及学习笔记。文中未提及具体的运行环境配置、依赖库版本或硬件需求。根据项目名称推测，代码可能基于 Python 及常见的深度学习框架（如书中常用的 NumPy 或 Keras\u002FTensorFlow\u002FPyTorch），但具体版本需查看子目录中的实际代码文件。",[],[14],[101,102,103],"machine-learning","deep-learning","sklearn","2026-03-27T02:49:30.150509","2026-04-07T14:37:26.554415",[],[]]