[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MorvanZhou--PyTorch-Tutorial":3,"tool-MorvanZhou--PyTorch-Tutorial":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":95,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":123,"updated_at":124,"faqs":125,"releases":161},3005,"MorvanZhou\u002FPyTorch-Tutorial","PyTorch-Tutorial","Build your neural network easy and fast, 莫烦Python中文教学","PyTorch-Tutorial 是由“莫烦 Python\"推出的开源学习项目，旨在帮助开发者轻松、快速地构建神经网络。针对初学者在入门深度学习时面临的理论抽象、代码实现困难等痛点，该项目提供了一套从基础到进阶的完整实战指南。\n\n内容涵盖 PyTorch 核心概念（如变量、激活函数）、基础网络搭建（回归与分类）、以及卷积神经网络（CNN）、循环神经网络（RNN）、自动编码器、强化学习（DQN\u002FA3C）和生成对抗网络（GAN）等前沿架构。每个模块均配有清晰的代码示例和动态效果演示，部分章节还详细讲解了 GPU 训练、Dropout 和批归一化等关键技巧。\n\n这套教程特别适合人工智能领域的初学者、学生开发者以及希望快速上手 PyTorch 框架的研究人员。其独特亮点在于提供了详尽的中文视频与图文教学支持，降低了语言和技术门槛，让用户能直观地理解动态计算图机制，并通过可运行的代码文件立即验证学习效果，是通往深度学习实践的高效桥梁。","\u003Cp align=\"center\">\n    \u003Ca href=\"http:\u002F\u002Fpytorch.org\u002F\" target=\"_blank\">\n    \u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_4914ef88a1d4.png\" style=\"max-width:100%;\">\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n\u003Cbr>\n\n### If you'd like to use **Tensorflow**, no worries, I made a new **Tensorflow Tutorial** just like PyTorch. Here is the link: [https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow-Tutorial](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow-Tutorial)\n\n# pyTorch Tutorials\n\nIn these tutorials for pyTorch, we will build our first Neural Network and try to build some advanced Neural Network architectures developed recent years.\n\nThanks for [liufuyang's](https:\u002F\u002Fgithub.com\u002Fliufuyang) [**notebook files**](tutorial-contents-notebooks)\nwhich is a great contribution to this tutorial.\n\n* pyTorch basic\n  * [torch and numpy](tutorial-contents\u002F201_torch_numpy.py)\n  * [Variable](tutorial-contents\u002F202_variable.py)\n  * [Activation](tutorial-contents\u002F203_activation.py)\n* Build your first network\n  * [Regression](tutorial-contents\u002F301_regression.py)\n  * [Classification](tutorial-contents\u002F302_classification.py)\n  * [An easy way](tutorial-contents\u002F303_build_nn_quickly.py)\n  * [Save and reload](tutorial-contents\u002F304_save_reload.py)\n  * [Train on batch](tutorial-contents\u002F305_batch_train.py)\n  * [Optimizers](tutorial-contents\u002F306_optimizer.py)\n* Advanced neural network\n  * [CNN](tutorial-contents\u002F401_CNN.py)\n  * [RNN-Classification](tutorial-contents\u002F402_RNN_classifier.py)\n  * [RNN-Regression](tutorial-contents\u002F403_RNN_regressor.py)\n  * [AutoEncoder](tutorial-contents\u002F404_autoencoder.py)\n  * [DQN Reinforcement Learning](tutorial-contents\u002F405_DQN_Reinforcement_learning.py)\n  * [A3C Reinforcement Learning](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C)\n  * [GAN (Generative Adversarial Nets)](tutorial-contents\u002F406_GAN.py) \u002F [Conditional GAN](tutorial-contents\u002F406_conditional_GAN.py)\n* Others (WIP)\n  * [Why torch dynamic](tutorial-contents\u002F501_why_torch_dynamic_graph.py)\n  * [Train on GPU](tutorial-contents\u002F502_GPU.py)\n  * [Dropout](tutorial-contents\u002F503_dropout.py)\n  * [Batch Normalization](tutorial-contents\u002F504_batch_normalization.py)\n\n**For Chinese speakers: All methods mentioned below have their video and text tutorial in Chinese.\nVisit [莫烦 Python](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002F) for more.\nYou can watch my [Youtube channel](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCdyjiB5H8Pu7aDTNVXTTpcg) as well.**\n\n\n### [Regression](tutorial-contents\u002F301_regression.py)\n\n\u003Ca href=\"tutorial-contents\u002F301_regression.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_ef317992e9a1.gif\">\n\u003C\u002Fa>\n\n### [Classification](tutorial-contents\u002F302_classification.py)\n\n\u003Ca href=\"tutorial-contents\u002F302_classification.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_daaf69b8c4ed.gif\">\n\u003C\u002Fa>\n\n### [CNN](tutorial-contents\u002F401_CNN.py)\n\u003Ca href=\"tutorial-contents\u002F401_CNN.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_75fd05de9a03.gif\" >\n\u003C\u002Fa>\n\n### [RNN](tutorial-contents\u002F403_RNN_regressor.py)\n\n\u003Ca href=\"tutorial-contents\u002F403_RNN_regressor.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_6e1ddff23ede.gif\" >\n\u003C\u002Fa>\n\n### [Autoencoder](tutorial-contents\u002F404_autoencoder.py)\n\n\u003Ca href=\"tutorial-contents\u002F403_RNN_regressor.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_44a1ef9d4636.gif\" >\n\u003C\u002Fa>\n\n\u003Ca href=\"tutorial-contents\u002F403_RNN_regressor.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_e3931b01b81d.gif\" >\n\u003C\u002Fa>\n\n### [GAN (Generative Adversarial Nets)](tutorial-contents\u002F406_GAN.py)\n\u003Ca href=\"tutorial-contents\u002F406_GAN.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_7a314aa99d17.gif\" >\n\u003C\u002Fa>\n\n### [Dropout](tutorial-contents\u002F503_dropout.py)\n\u003Ca href=\"tutorial-contents\u002F503_dropout.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_09c689d9f990.gif\" >\n\u003C\u002Fa>\n\n### [Batch Normalization](tutorial-contents\u002F504_batch_normalization.py)\n\u003Ca href=\"tutorial-contents\u002F504_batch_normalization.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_984c525b3adb.gif\" >\n\u003C\u002Fa>\n\n# Donation\n\n*If this does help you, please consider donating to support me for better tutorials. Any contribution is greatly appreciated!*\n\n\u003Cdiv >\n  \u003Ca href=\"https:\u002F\u002Fwww.paypal.com\u002Fcgi-bin\u002Fwebscr?cmd=_donations&business=morvanzhou%40gmail%2ecom&lc=C2&item_name=MorvanPython&currency_code=AUD&bn=PP%2dDonationsBF%3abtn_donateCC_LG%2egif%3aNonHosted\">\n    \u003Cimg style=\"border-radius: 20px;  box-shadow: 0px 0px 10px 1px  #888888;\"\n         src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_bf138c8f1d47.png\"\n         alt=\"Paypal\"\n         height=\"auto\" >\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cdiv>\n  \u003Ca href=\"https:\u002F\u002Fwww.patreon.com\u002Fmorvan\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_5a9a1e19a43a.jpg\"\n         alt=\"Patreon\"\n         height=120>\u003C\u002Fa>\n\u003C\u002Fdiv>","\u003Cp align=\"center\">\n    \u003Ca href=\"http:\u002F\u002Fpytorch.org\u002F\" target=\"_blank\">\n    \u003Cimg width=\"40%\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_4914ef88a1d4.png\" style=\"max-width:100%;\">\n    \u003C\u002Fa>\n\u003C\u002Fp>\n\n\n\u003Cbr>\n\n### 如果你想使用 **TensorFlow**，也不用担心，我同样为 TensorFlow 制作了教程。链接如下：[https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow-Tutorial](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow-Tutorial)\n\n# PyTorch 教程\n\n在这些 PyTorch 教程中，我们将构建第一个神经网络，并尝试实现近年来发展起来的一些高级神经网络架构。\n\n感谢 [liufuyang](https:\u002F\u002Fgithub.com\u002Fliufuyang) 提供的 [**笔记本文件**](tutorial-contents-notebooks)，这是对本教程的一大贡献。\n\n* PyTorch 基础\n  * [torch 与 numpy](tutorial-contents\u002F201_torch_numpy.py)\n  * [Variable](tutorial-contents\u002F202_variable.py)\n  * [激活函数](tutorial-contents\u002F203_activation.py)\n* 构建你的第一个网络\n  * [回归](tutorial-contents\u002F301_regression.py)\n  * [分类](tutorial-contents\u002F302_classification.py)\n  * [快速搭建方法](tutorial-contents\u002F303_build_nn_quickly.py)\n  * [保存与加载](tutorial-contents\u002F304_save_reload.py)\n  * [批量训练](tutorial-contents\u002F305_batch_train.py)\n  * [优化器](tutorial-contents\u002F306_optimizer.py)\n* 高级神经网络\n  * [CNN](tutorial-contents\u002F401_CNN.py)\n  * [RNN-分类](tutorial-contents\u002F402_RNN_classifier.py)\n  * [RNN-回归](tutorial-contents\u002F403_RNN_regressor.py)\n  * [自编码器](tutorial-contents\u002F404_autoencoder.py)\n  * [DQN 强化学习](tutorial-contents\u002F405_DQN_Reinforcement_learning.py)\n  * [A3C 强化学习](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002Fpytorch-A3C)\n  * [GAN（生成对抗网络）](tutorial-contents\u002F406_GAN.py) \u002F [条件 GAN](tutorial-contents\u002F406_conditional_GAN.py)\n* 其他（持续更新）\n  * [为什么使用 PyTorch 动态图](tutorial-contents\u002F501_why_torch_dynamic_graph.py)\n  * [GPU 训练](tutorial-contents\u002F502_GPU.py)\n  * [Dropout](tutorial-contents\u002F503_dropout.py)\n  * [批归一化](tutorial-contents\u002F504_batch_normalization.py)\n\n**面向中文用户：以下所有方法均提供中文视频和文字教程。更多内容请访问 [莫烦 Python](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002F)。你也可以观看我的 [YouTube 频道](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCdyjiB5H8Pu7aDTNVXTTpcg)。**\n\n\n### [回归](tutorial-contents\u002F301_regression.py)\n\n\u003Ca href=\"tutorial-contents\u002F301_regression.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_ef317992e9a1.gif\">\n\u003C\u002Fa>\n\n### [分类](tutorial-contents\u002F302_classification.py)\n\n\u003Ca href=\"tutorial-contents\u002F302_classification.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_daaf69b8c4ed.gif\">\n\u003C\u002Fa>\n\n### [CNN](tutorial-contents\u002F401_CNN.py)\n\u003Ca href=\"tutorial-contents\u002F401_CNN.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_75fd05de9a03.gif\" >\n\u003C\u002Fa>\n\n### [RNN](tutorial-contents\u002F403_RNN_regressor.py)\n\n\u003Ca href=\"tutorial-contents\u002F403_RNN_regressor.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_6e1ddff23ede.gif\" >\n\u003C\u002Fa>\n\n### [自编码器](tutorial-contents\u002F404_autoencoder.py)\n\n\u003Ca href=\"tutorial-contents\u002F403_RNN_regressor.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_44a1ef9d4636.gif\" >\n\u003C\u002Fa>\n\n\u003Ca href=\"tutorial-contents\u002F403_RNN_regressor.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_e3931b01b81d.gif\" >\n\u003C\u002Fa>\n\n### [GAN（生成对抗网络）](tutorial-contents\u002F406_GAN.py)\n\u003Ca href=\"tutorial-contents\u002F406_GAN.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_7a314aa99d17.gif\" >\n\u003C\u002Fa>\n\n### [Dropout](tutorial-contents\u002F503_dropout.py)\n\u003Ca href=\"tutorial-contents\u002F503_dropout.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_09c689d9f990.gif\" >\n\u003C\u002Fa>\n\n### [批归一化](tutorial-contents\u002F504_batch_normalization.py)\n\u003Ca href=\"tutorial-contents\u002F504_batch_normalization.py\">\n    \u003Cimg class=\"course-image\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_984c525b3adb.gif\" >\n\u003C\u002Fa>\n\n# 捐赠\n\n*如果这些内容对你有所帮助，请考虑捐赠以支持我制作更好的教程。任何捐助都将不胜感激！*\n\n\u003Cdiv >\n  \u003Ca href=\"https:\u002F\u002Fwww.paypal.com\u002Fcgi-bin\u002Fwebscr?cmd=_donations&business=morvanzhou%40gmail%2ecom&lc=C2&item_name=MorvanPython&currency_code=AUD&bn=PP%2dDonationsBF%3abtn_donateCC_LG%2egif%3aNonHosted\">\n    \u003Cimg style=\"border-radius: 20px;  box-shadow: 0px 0px 10px 1px  #888888;\"\n         src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_bf138c8f1d47.png\"\n         alt=\"Paypal\"\n         height=\"auto\" >\u003C\u002Fa>\n\u003C\u002Fdiv>\n\n\u003Cdiv>\n  \u003Ca href=\"https:\u002F\u002Fwww.patreon.com\u002Fmorvan\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_readme_5a9a1e19a43a.jpg\"\n         alt=\"Patreon\"\n         height=120>\u003C\u002Fa>\n\u003C\u002Fdiv>","# PyTorch-Tutorial 快速上手指南\n\n本指南基于 MorvanZhou 的 **PyTorch-Tutorial** 项目，旨在帮助开发者快速掌握 PyTorch 基础及进阶神经网络架构（如 CNN、RNN、GAN 等）。\n\n## 1. 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, macOS, 或 Linux\n*   **Python 版本**：推荐 Python 3.6 及以上版本\n*   **前置依赖**：\n    *   `torch` (PyTorch 深度学习框架)\n    *   `numpy` (数值计算库)\n    *   `matplotlib` (用于可视化训练结果，教程中大量使用)\n\n> **国内加速建议**：\n> 推荐使用清华源或阿里源安装依赖，以提升下载速度。\n\n## 2. 安装步骤\n\n### 第一步：安装 PyTorch\n访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002F) 获取适合您环境的安装命令。若需使用国内镜像加速，可使用以下命令（以 CPU 版本为例，GPU 版本请根据官网选择对应 CUDA 版本）：\n\n```bash\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 第二步：克隆教程仓库\n获取本教程的源代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial.git\ncd PyTorch-Tutorial\n```\n\n### 第三步：安装其他依赖\n进入目录后，安装运行示例所需的辅助库：\n\n```bash\npip install numpy matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 3. 基本使用\n\n本教程采用模块化设计，每个 `.py` 文件都是一个独立的可运行示例。您可以直接运行脚本查看效果。\n\n### 运行第一个示例：线性回归 (Regression)\n这是构建神经网络的入门示例，演示了如何定义网络、设置损失函数和优化器。\n\n```bash\npython tutorial-contents\u002F301_regression.py\n```\n*运行后将弹出窗口显示拟合曲线动态训练过程。*\n\n### 运行图像分类示例 (CNN)\n尝试运行卷积神经网络（CNN）示例，识别 MNIST 手写数字：\n\n```bash\npython tutorial-contents\u002F401_CNN.py\n```\n\n### 代码结构速览\n所有教程代码位于 `tutorial-contents\u002F` 目录下，按难度分级：\n\n*   **基础篇 (`20x_*.py`)**：\n    *   `201_torch_numpy.py`: Torch 与 Numpy 的转换\n    *   `202_variable.py`: 变量与自动求导\n    *   `203_activation.py`: 激活函数演示\n*   **构建网络 (`30x_*.py`)**：\n    *   `301_regression.py`: 回归问题\n    *   `302_classification.py`: 分类问题\n    *   `304_save_reload.py`: 模型的保存与读取\n*   **进阶架构 (`40x_*.py`)**：\n    *   `401_CNN.py`: 卷积神经网络\n    *   `402_RNN_classifier.py`: RNN 分类器\n    *   `406_GAN.py`: 生成对抗网络\n\n### 更多资源\n*   **中文视频与图文教程**：访问 [莫烦 Python](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002F) 获取配套的详细讲解。\n*   **TensorFlow 版本**：如需 TensorFlow 教程，可参考作者的 [Tensorflow-Tutorial](https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow-Tutorial) 仓库。","某高校人工智能实验室的研究生团队正试图复现一篇关于图像分类的最新论文，但团队成员大多只有理论基础，缺乏 PyTorch 实战经验。\n\n### 没有 PyTorch-Tutorial 时\n- **环境搭建迷茫**：面对张量运算、变量定义等基础概念，成员需在不同论坛碎片化搜索，耗费数天仍无法跑通\"Hello World\"级别的代码。\n- **模型构建困难**：在尝试编写卷积神经网络（CNN）时，因不熟悉动态图机制，频繁遭遇维度不匹配报错，调试过程极其痛苦且低效。\n- **进阶算法止步**：面对生成对抗网络（GAN）或强化学习（DQN）等复杂架构，因缺乏完整的代码参考和中文原理解析，项目被迫搁置。\n- **资源浪费严重**：团队不得不花费大量时间重复造轮子，而非将精力集中在核心算法改进与实验数据分析上。\n\n### 使用 PyTorch-Tutorial 后\n- **快速上手基础**：通过“火炬与 numpy\"及“变量”等简明教程，成员在几小时内即可掌握核心语法，迅速完成环境配置与数据预处理。\n- **标准化建模流程**：参照\"CNN 分类”与“快速建网”章节，团队直接复用标准化的网络结构代码，将模型搭建时间从数天缩短至几小时。\n- **攻克高阶难题**：借助 GAN、RNN 及强化学习等进阶案例的详细注释与可视化结果，成员成功复现了复杂的论文算法并进行了优化。\n- **学习效率倍增**：莫烦 Python 提供的中英文对照视频与代码，让团队能专注于业务逻辑创新，显著加快了科研项目的迭代周期。\n\nPyTorch-Tutorial 通过提供从零到进阶的完整中文实战路径，将深度学习的学习曲线由陡峭变为平缓，极大降低了科研与开发的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_PyTorch-Tutorial_ef317992.gif","MorvanZhou","Morvan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMorvanZhou_b02f189a.jpg","Deep Learning Research & Development at Tencent ",null,"https:\u002F\u002Fmofanpy.com","https:\u002F\u002Fgithub.com\u002FMorvanZhou",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",98,{"name":88,"color":89,"percentage":23},"Python","#3572A5",8448,3090,"2026-04-03T14:22:47","MIT",1,"未说明","非必需（包含 CPU 教程），但支持 GPU 加速（需自行配置 CUDA 环境，具体型号和版本未在文中指定）",{"notes":98,"python":95,"dependencies":99},"本项目为 PyTorch 基础及进阶教程集合，涵盖回归、分类、CNN、RNN、GAN 及强化学习等内容。中文用户可访问‘莫烦 Python'网站观看配套的视频和文字教程。部分高级强化学习案例（如 A3C）位于独立的仓库中。",[100,101],"torch","numpy",[13,14],[104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119,120,121,122],"neural-network","python","pytorch-tutorial","batch-normalization","cnn","rnn","autoencoder","pytorch","regression","classification","batch","tutorial","dropout","dqn","reinforcement-learning","gan","generative-adversarial-network","machine-learning","pytorch-tutorials","2026-03-27T02:49:30.150509","2026-04-06T05:19:26.991277",[126,131,136,141,146,151,156],{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},13849,"运行代码时出现 'cnn=CNN() 后无法调用' 或版本不兼容的 TypeError 错误，如何解决？","这通常是由于 PyTorch 版本不匹配导致的。教程代码可能依赖特定版本的 PyTorch（如 0.4+），而用户环境中安装的版本过旧（如 0.3.1）或安装方式不正确。\n解决方案：\n1. 卸载当前 PyTorch。\n2. 访问 PyTorch 官网安装指南 (https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F)，根据你的操作系统、包管理器（pip\u002Fconda）、Python 版本和 CUDA 版本生成对应的安装命令。\n3. 严格按照官网生成的命令重新安装，确保版本与教程代码兼容。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial\u002Fissues\u002F48",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},13850,"遇到 'RuntimeError: PyTorch was compiled without numpy support' 错误怎么办？","该错误通常是因为 PyTorch 和 NumPy 安装在了不同的 Python 环境中（例如：PyTorch 安装在系统自带 Python 中，而 NumPy 安装在 Anaconda 环境中，或者反之），导致运行时环境冲突。\n解决方案：\n1. 检查当前使用的 Python 路径（使用 `which python` 或 `where python`）。\n2. 确保 PyTorch 和其依赖库（numpy, yaml 等）都安装在同一个虚拟环境（如 conda env）中。\n3. 如果之前使用了 `sudo python setup.py install` 导致权限问题或路径错乱，请尝试不使用 sudo，并通过 `chmod` 修改文件夹权限后重新安装，或者直接在激活的 conda 环境中使用 `conda install pytorch` 进行安装，避免混合使用系统 Python 和 Anaconda Python。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial\u002Fissues\u002F13",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},13851,"在 PyTorch 1.5+ 版本运行 GAN 代码时报错 'variable needed for gradient computation has been modified by an inplace operation'，如何修复？","这是 PyTorch 1.5 版本引入的更严格的原地操作（inplace operation）检查机制导致的。在计算梯度时，如果用于计算的变量被原地修改（例如优化器步长更新参数时），就会报错。\n解决方案：\n1. 升级代码以适配新版本：在调用 `optimizer.step()` 之前，确保没有对需要计算梯度的张量进行原地操作。\n2. 参考官方修复方案：通常需要在判别器（Discriminator）更新步骤中，将某些原地操作改为非原地操作，或者调整代码逻辑，确保在 `loss.backward()` 和 `optimizer.step()` 之间变量未被意外修改。\n3. 具体代码修改可参考该项目相关的 Pull Request (#91) 或 PyTorch 官方关于此问题的讨论。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial\u002Fissues\u002F89",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},13852,"代码中没有显式编写权重初始化语句，网络是如何初始化的？会全是 0 吗？","不需要显式编写初始化语句。PyTorch 的内置层（如 `nn.Conv2d`, `nn.Linear`）在初始化时会自动调用 `reset_parameters()` 方法。\n具体机制：\n- 对于卷积层 (`Conv2d`) 和全连接层 (`Linear`)，权重默认会根据均匀分布 (Uniform Distribution) 或正态分布进行初始化。\n- 例如，Conv2d 的权重初始化范围通常是 $[-\\frac{1}{\\sqrt{n}}, \\frac{1}{\\sqrt{n}}]$，其中 $n$ 是输入通道数乘以卷积核尺寸。\n- 因此，即使代码中没有写初始化代码，权重也不会是全 0，可以直接开始训练。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial\u002Fissues\u002F43",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},13853,"DQN 代码中的经验回放池（Memory）似乎没有保存 'done' 标志，这对训练有影响吗？","在提供的教程代码中，为了简化逻辑，作者省略了 'done'（回合结束标志）的存储和处理环节。\n影响说明：\n- 对于基础训练演示，省略 'done' 通常不会导致程序崩溃，且能观察到收敛效果，因为大部分转移并非终态。\n- 但在严谨的强化学习实现中，'done' 是必须的。当状态为终态时，目标 Q 值不应包含下一状态的估计值（即 $Q_{target} = R$ 而不是 $R + \\gamma \\max Q(s')$）。\n建议：\n- 如果是学习原理，可以暂时忽略。\n- 如果用于实际项目或复现论文，建议在记忆存储模块添加 'done' 字段，并在计算 Loss 时根据 'done' 判断是否截断回报。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial\u002Fissues\u002F102",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},13854,"运行 CNN 示例时提示 'RuntimeError: Dataset not found. You can use download=True to download it'，如何解决？","这是因为 MNIST 数据集尚未下载到本地指定目录。\n解决方案：\n1. 找到代码中加载数据集的部分（通常是 `torchvision.datasets.MNIST`）。\n2. 将参数 `download` 设置为 `True`。\n   示例代码：\n   ```python\n   train_data = torchvision.datasets.MNIST(\n       root='.\u002Fdata', \n       train=True, \n       transform=torchvision.transforms.ToTensor(), \n       download=True  # 确保此项为 True\n   )\n   ```\n3. 再次运行代码，程序会自动下载数据集到 `root` 指定的文件夹。如果网络受限导致下载失败，可手动下载数据集压缩包并解压到对应目录。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial\u002Fissues\u002F84",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},13855,"在分类任务中，为什么获取预测结果时使用 `torch.max(out, 1)[1]` 而不是 `F.softmax`？","这取决于你需要的输出形式：\n1. **获取类别索引**：如果你只需要知道预测的是哪一类（例如数字 0-9），使用 `torch.max(out, 1)[1]` 是最直接且高效的方法。它直接返回概率最大的那个类别的索引，无需计算具体的概率值。\n2. **获取概率分布**：如果你需要知道模型对每个类别的置信度（概率值），才需要使用 `F.softmax`。\n3. **关于损失函数**：在使用 `CrossEntropyLoss` 时，输入不需要经过 Softmax，因为该损失函数内部已经包含了 LogSoftmax 操作。因此，在训练和仅需要预测类别的场景下，直接使用原始输出 logits 配合 `torch.max` 即可，无需额外添加 Softmax 层。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FPyTorch-Tutorial\u002Fissues\u002F70",[]]