[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-NELSONZHAO--zhihu":3,"tool-NELSONZHAO--zhihu":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",140436,2,"2026-04-05T23:32:43",[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":80,"owner_email":81,"owner_twitter":82,"owner_website":82,"owner_url":83,"languages":84,"stars":97,"forks":98,"last_commit_at":99,"license":82,"difficulty_score":23,"env_os":100,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":106,"github_topics":107,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":145},669,"NELSONZHAO\u002Fzhihu","zhihu","This repo contains the source code in my personal column (https:\u002F\u002Fzhuanlan.zhihu.com\u002Fzhaoyeyu), implemented using Python 3.6. Including Natural Language Processing and Computer Vision projects, such as text generation, machine translation, deep convolution GAN and other actual combat code.","zhihu 是一个源自知乎专栏《机器不学习》的深度学习开源代码库，旨在将理论知识转化为可运行的实战项目。它使用 Python 3.6 配合 TensorFlow 框架，涵盖了自然语言处理与计算机视觉两大核心领域。\n\n针对 AI 学习者常遇到的“懂原理却难落地”痛点，zhihu 提供了包括文本生成、机器翻译、图像分类及风格迁移在内的多种完整实现。无论是基础的 LSTM 字符级生成器，还是进阶的 DCGAN 图像生成、带 Attention 机制的翻译模型，都能在这里找到对应源码。此外，zhihu 还包含情感分析、CTR 预估等工业级场景的算法复现，并附带了性能对比数据与可视化效果展示。\n\nzhihu 非常适合人工智能领域的初学者、算法工程师以及高校研究人员。它不仅帮助使用者快速理解模型结构，还能作为开发过程中的参考模板。通过阅读配套文章与运行代码，用户能更直观地掌握 Batch Normalization、Encoder-Decoder 等关键技术点，是深入理解深度学习实战的优秀资源。","![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fliscense-by%20NelsonZhao-brightgreen.svg)    ![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fprogramming%20language-Python-orange.svg)\n\n\n## 简介\n\n该Repo内容为知乎专栏《机器不学习》的源代码。\n\n专栏地址：\u003Chttps:\u002F\u002Fzhuanlan.zhihu.com\u002Fzhaoyeyu>\n\n## 代码框架\n```TensorFlow```\n\n## 包含内容\n\n### 1.anna_lstm\n基于RNN（LSTM）对《安娜卡列尼娜》英文文本的学习，实现一个字符级别的生成器。 \n> 文章地址：[《安娜卡列尼娜》文本生成——利用TensorFlow构建LSTM模型\n](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27087310)\n\n\n### 2.skip-gram\n实现skip-gram算法的Word2Vec，基于对英文语料的训练，模型学的各个单词的嵌入向量。\n> 文章地址：[基于TensorFlow实现Skip-Gram模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27296712)\n\n\n### 3.generate_lyrics\n基于RNN实现歌词生成器。\n\n\n### 4.basic_seq2seq\n基于RNN Encoder-Decoder结构的Seq2Seq模型，实现对一个单词中字母的排序。\n> 文章地址：[从Encoder到Decoder实现Seq2Seq模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27608348)\n\n\n### 5.denoise\\_auto\\_encoder\n基于MNIST手写数据集训练了一个自编码器，并在此基础上增加卷积层实现一个卷积自编码器，从而实现对图像的降噪。\n> 文章地址：[利用卷积自编码器对图片进行降噪](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27902193)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_e97dea9c24ac.png)\n\n### 6.cifar_cnn\n对Kaggle上CIFAR图像分类比赛的一个实现，分别对比了KNN和卷积神经网络在数据上的表现效果。\n> 文章地址：[利用卷积神经网络处理CIFAR图像分类](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28035475)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_a9dd7e94beb5.png)\n\n\n### 7.mnist_gan\n基于MNIST手写数据集，训练了一个隐层为Leaky ReLU的生成对抗网络，让模型学会自己生成手写数字。\n> 文章地址：[生成对抗网络（GAN）之MNIST数据生成](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28057434)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_63d322a93048.png)\n\n### 8.dcgan\n基于MNIST数据集训练了一个DCGAN，加入了Batch normalization，加速模型收敛并提升新能。\n> 文章地址：[深度卷积GAN之图像生成](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28329335)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_86e33b0a8de3.png)\n\n> 基于CIFAR数据集中的马的图像训练一个DCGAN生成马的图像。\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_2c96c85f13e4.png)\n\n### 9.batch\\_normalization\\_discussion\n该部分代码基于MNIST手写数据集构造了一个四层的全连接层神经网络。通过改变不同参数来测试BN对于模型性能的影响。同时利用TensorFlow实现底层的batch normalization。\n> 文章地址：[Batch Normalization原理与实战](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34879333)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_b3126b47b329.png)\n\n### 10.machine\\_translation\\_seq2seq\n该代码基于TensorFlow 1.6版本的Seq2Seq构建了一个基本的英法翻译模型。\n> 文章地址：[基于TensorFlow框架的Seq2Seq英法机器翻译模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37148308)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_7017eebb7583.png)\n\n### 11.mt\\_attention\\_birnn\n该代码基于Keras框架，在基础Seq2Seq模型基础上增加Attention机制与BiRNN，进一步提升翻译模型的效果；同时可视化Attention层，加深读者对Attention工作机制的理解。模型在在训练样本上的BLEU分数接近0.9。\n> 文章地址：[基于Keras框架实现加入Attention与BiRNN的机器翻译模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37290775)\n>![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_99ff2b14a726.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_4f94061f4aff.png)\n\n### 12.sentiment\\_analysis\n该代码基于TensorFlow 1.6版本，用DNN、LSTM以及CNN分别构建了sentiment analysis模型，并分析与比较了不同模型的性能。\n> 文章地址：[DNN\u002FLSTM\u002FText-CNN情感分类实战与分析](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37978321)\n>![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_3d8fee459720.png)\n\n### 13.image\\_style\\_transfer\n代码基于TensorFlow 1.6实现了Image Style Transfer模型，实现了图片的风格的学习与转换。\n> 文章地址：[基于TensorFlow构建图片风格迁移模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38315161)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_d53da1967fb6.png)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_6219bcd49348.gif)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_f0f30cea510c.gif)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_66f1521e467e.gif)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_a96cb7036438.gif)\n\n### 14.ctr_models\n代码基于TensorFlow 2.0版本实现了DeepFM、Deep&Cross、xDeepFM以及AutoInt四个算法。\n> 文章地址：[CTR预估模型：DeepFM\u002FDeep&Cross\u002FxDeepFM\u002FAutoInt代码实战与讲解](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F109933924)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_cf8d62d6704c.png)\n\n\n\n### 不定期更新干货，欢迎Star，欢迎Fork。","![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fliscense-by%20NelsonZhao-brightgreen.svg)    ![](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fprogramming%20language-Python-orange.svg)\n\n\n## 简介\n\n该 Repository（代码仓库）内容为知乎专栏《机器不学习》的源代码。\n\n专栏地址：\u003Chttps:\u002F\u002Fzhuanlan.zhihu.com\u002Fzhaoyeyu>\n\n## 代码框架\n```TensorFlow```\n\n## 包含内容\n\n### 1.anna_lstm\n基于 RNN（长短期记忆网络，LSTM）对《安娜卡列尼娜》英文文本的学习，实现一个字符级别的生成器。 \n> 文章地址：[《安娜卡列尼娜》文本生成——利用 TensorFlow（深度学习框架）构建 LSTM 模型\n](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27087310)\n\n\n### 2.skip-gram\n实现 skip-gram 算法的 Word2Vec（一种词向量模型），基于对英文语料的训练，模型学的各个单词的嵌入向量。\n> 文章地址：[基于 TensorFlow 框架实现 Skip-Gram 模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27296712)\n\n\n### 3.generate_lyrics\n基于 RNN 实现歌词生成器。\n\n\n### 4.basic_seq2seq\n基于 RNN Encoder-Decoder 结构的 Seq2Seq（序列到序列）模型，实现对一个单词中字母的排序。\n> 文章地址：[从 Encoder 到 Decoder 实现 Seq2Seq 模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27608348)\n\n\n### 5.denoise\\_auto\\_encoder\n基于 MNIST（手写数字数据集）手写数据集训练了一个自编码器，并在此基础上增加卷积层实现一个卷积自编码器，从而实现对图像的降噪。\n> 文章地址：[利用卷积自编码器对图片进行降噪](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F27902193)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_e97dea9c24ac.png)\n\n### 6.cifar_cnn\n对 Kaggle 上 CIFAR 图像分类比赛的一个实现，分别对比了 KNN（K-近邻算法）和 CNN（卷积神经网络）在数据上的表现效果。\n> 文章地址：[利用卷积神经网络处理 CIFAR 图像分类](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28035475)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_a9dd7e94beb5.png)\n\n\n### 7.mnist_gan\n基于 MNIST 手写数据集，训练了一个隐层为 Leaky ReLU（线性整流单元变体）的生成对抗网络（GAN），让模型学会自己生成手写数字。\n> 文章地址：[生成对抗网络（GAN）之 MNIST 数据生成](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28057434)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_63d322a93048.png)\n\n### 8.dcgan\n基于 MNIST 数据集训练了一个 DCGAN（深度卷积生成对抗网络），加入了 Batch normalization（批归一化），加速模型收敛并提升性能。\n> 文章地址：[深度卷积 GAN 之图像生成](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F28329335)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_86e33b0a8de3.png)\n\n> 基于 CIFAR 数据集中的马的图像训练一个 DCGAN 生成马的图像。\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_2c96c85f13e4.png)\n\n### 9.batch\\_normalization\\_discussion\n该部分代码基于 MNIST 手写数据集构造了一个四层的全连接层神经网络。通过改变不同参数来测试 BN（批归一化）对于模型性能的影响。同时利用 TensorFlow 实现底层的 batch normalization。\n> 文章地址：[Batch Normalization 原理与实战](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F34879333)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_b3126b47b329.png)\n\n### 10.machine\\_translation\\_seq2seq\n该代码基于 TensorFlow 1.6 版本的 Seq2Seq 构建了一个基本的英法翻译模型。\n> 文章地址：[基于 TensorFlow 框架的 Seq2Seq 英法机器翻译模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37148308)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_7017eebb7583.png)\n\n### 11.mt\\_attention\\_birnn\n该代码基于 Keras 框架，在基础 Seq2Seq 模型基础上增加 Attention（注意力机制）与 BiRNN（双向循环神经网络），进一步提升翻译模型的效果；同时可视化 Attention 层，加深读者对 Attention 工作机制的理解。模型在在训练样本上的 BLEU（一种机器翻译评估指标）分数接近 0.9。\n> 文章地址：[基于 Keras 框架实现加入 Attention 与 BiRNN 的机器翻译模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37290775)\n>![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_99ff2b14a726.png)\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_4f94061f4aff.png)\n\n### 12.sentiment\\_analysis\n该代码基于 TensorFlow 1.6 版本，用 DNN（深度神经网络）、LSTM 以及 CNN 分别构建了 Sentiment Analysis（情感分析）模型，并分析与比较了不同模型的性能。\n> 文章地址：[DNN\u002FLSTM\u002FText-CNN 情感分类实战与分析](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F37978321)\n>![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_3d8fee459720.png)\n\n### 13.image\\_style\\_transfer\n代码基于 TensorFlow 1.6 实现了 Image Style Transfer（图像风格迁移）模型，实现了图片的风格的学习与转换。\n> 文章地址：[基于 TensorFlow 构建图片风格迁移模型](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38315161)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_d53da1967fb6.png)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_6219bcd49348.gif)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_f0f30cea510c.gif)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_66f1521e467e.gif)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_a96cb7036438.gif)\n\n### 14.ctr_models\n代码基于 TensorFlow 2.0 版本实现了 DeepFM、Deep&Cross、xDeepFM 以及 AutoInt 四个 CTR（点击率预估）算法。\n> 文章地址：[CTR 预估模型：DeepFM\u002FDeep&Cross\u002FxDeepFM\u002FAutoInt 代码实战与讲解](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F109933924)\n> ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_readme_cf8d62d6704c.png)\n\n\n\n### 不定期更新干货，欢迎 Star（收藏），欢迎 Fork（分支）。","# zhihu 开源工具快速上手指南\n\n## 简介\n本仓库是知乎专栏《机器不学习》的源代码集合，涵盖了深度学习领域的多种经典模型与实战案例。项目基于 **Python** 语言，主要使用 **TensorFlow** 框架（包含 1.6 及 2.0 版本），涉及自然语言处理（NLP）、计算机视觉（CV）及推荐系统等多个方向。\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要求：\n\n*   **操作系统**：Linux \u002F Windows \u002F macOS\n*   **编程语言**：Python 3.x\n*   **核心依赖**：\n    *   TensorFlow (部分模块需 1.6 版本，CTR 模型需 2.0 版本)\n    *   Keras\n    *   NumPy, Matplotlib 等常用科学计算库\n*   **硬件建议**：\n    *   CPU 可运行基础模型（如 LSTM、Word2Vec）。\n    *   推荐使用 **GPU** 以加速卷积神经网络（CNN）、生成对抗网络（GAN）及图像风格迁移等任务。\n\n> 💡 **国内加速提示**：安装 Python 包时，建议使用国内镜像源以提升下载速度。例如使用清华源：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 安装步骤\n由于本项目为教程代码集合，不同模块可能依赖不同的环境配置，建议按以下步骤操作：\n\n1.  **克隆仓库**\n    将代码下载到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FNELSONZHAO\u002Fzhihu.git\n    cd zhihu\n    ```\n\n2.  **安装依赖**\n    进入具体功能模块目录（如 `anna_lstm`），检查是否存在 `requirements.txt` 文件。若无，则根据模块需求手动安装 TensorFlow 及相关库：\n    ```bash\n    # 示例：安装 TensorFlow 1.6\n    pip install tensorflow==1.6.0\n    \n    # 示例：安装 TensorFlow 2.0 (用于 ctr_models)\n    pip install tensorflow==2.0.0\n    ```\n\n3.  **数据准备**\n    部分模块需要特定数据集（如 MNIST、CIFAR、英文语料等）。请根据各模块说明自行下载或确认数据路径。\n\n## 基本使用\n本项目采用模块化设计，每个子文件夹对应一个独立的项目。以下是通用运行流程：\n\n1.  **选择模块**\n    根据您的兴趣选择对应的文件夹，例如：\n    *   **文本生成**：`anna_lstm` (LSTM 字符级生成)\n    *   **词向量**：`skip-gram` (Word2Vec 实现)\n    *   **图像分类**：`cifar_cnn` (卷积神经网络)\n    *   **图像生成**：`mnist_gan` \u002F `dcgan` (GAN\u002FDCGAN)\n    *   **机器翻译**：`machine_translation_seq2seq` \u002F `mt_attention_birnn`\n\n2.  **运行脚本**\n    进入目标文件夹，执行主程序脚本。通常命令如下（具体文件名请参考文件夹内说明）：\n    ```bash\n    python main.py\n    # 或\n    python train.py\n    ```\n\n3.  **查看结果**\n    训练完成后，生成的模型权重、预测图片或日志通常会保存在当前目录下的 `output` 或 `logs` 文件夹中。\n\n> 📚 **详细教程**：每个模块都配有详细的知乎专栏文章进行讲解，建议在运行代码前阅读对应文章以理解参数配置与原理。\n> *   专栏地址：\u003Chttps:\u002F\u002Fzhuanlan.zhihu.com\u002Fzhaoyeyu>","某互联网公司产品经理希望快速验证智能客服的情感识别功能，指派初级算法工程师在一周内完成 Demo 开发。\n\n### 没有 zhihu 时\n- 需要花费大量时间搜索分散的开源项目，环境依赖配置复杂且易出错\n- 面对复杂的神经网络架构，缺乏现成的工程化代码参考，调试效率低下\n- 难以直观对比不同模型（如 LSTM 与 CNN）在特定数据集上的实际表现\n- 对于注意力机制等进阶优化手段，仅靠理论文档无法快速上手实践\n\n### 使用 zhihu 后\n- 直接获取 `zhihu` 中整理好的 `sentiment_analysis` 模块，一键运行基础模型\n- 结合配套专栏文章，深入理解 DNN、LSTM 及 CNN 在文本分类中的具体应用\n- 利用仓库内已有的多模型对比代码，快速输出性能分析报告辅助决策\n- 参考 `mt_attention_birnn` 等进阶案例，轻松集成 Attention 机制提升翻译或分类精度\n\n核心价值：将零散的知识点转化为可复用的工程代码，极大降低了深度学习项目的落地成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FNELSONZHAO_zhihu_e97dea9c.png","NELSONZHAO","Nelson Zhao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FNELSONZHAO_2318cbce.jpg","@ Zhejiang University;\r\n@AntGroup\u002FAlgorithm Expert","AntGroup","shanghai","dutzhaoyeyu@163.com",null,"https:\u002F\u002Fgithub.com\u002FNELSONZHAO",[85,89,93],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",81.6,{"name":90,"color":91,"percentage":92},"HTML","#e34c26",18.2,{"name":94,"color":95,"percentage":96},"Python","#3572A5",0.2,3526,2109,"2026-04-04T18:18:34","未说明",{"notes":102,"python":100,"dependencies":103},"该仓库为知乎专栏《机器不学习》的源代码合集，非单一应用。不同模块依赖不同版本的 TensorFlow（1.6 和 2.0），需注意环境兼容。需自行下载 MNIST、CIFAR 等数据集。",[104,105],"tensorflow","keras",[13,14,26],[108,109,110,111,112,113,114,115,116],"deep-learning","tensorflow-examples","convolutional-neural-networks","recurrent-neural-networks","autoencoder","gan","style-transfer","natural-language-processing","machine-translation","2026-03-27T02:49:30.150509","2026-04-06T10:25:36.867096",[120,125,130,135,140],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},2774,"运行 basic_seq2seq 时报错 ValueError: too many values to unpack (expected 2)，如何解决？","这是由于 TensorFlow 版本更新导致返回值数量变化引起的。解决方法是在解包时增加一个下划线占位符。例如将 `a, b = func()` 改为 `a, b, _ = func()`。具体修复请参考评论中提到的修改方式。","https:\u002F\u002Fgithub.com\u002FNELSONZHAO\u002Fzhihu\u002Fissues\u002F3",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},2775,"在构建多层 LSTM 时出现 BasicLSTMCell 权重形状不匹配错误，代码应如何修改？","原代码直接列表推导式创建 MultiRNNCell 会导致内部权重形状只满足第一个 cell。建议改为循环构建 cell_list 再传入 MultiRNNCell。修改后的代码如下：\n```python\ncell_list = []\nfor i in range(num_layers):\n    lstm = tf.nn.rnn_cell.BasicLSTMCell(lstm_size)\n    drop = tf.nn.rnn_cell.DropoutWrapper(lstm, output_keep_prob=keep_prob)\n    cell_list.append(drop)\ncell = tf.nn.rnn_cell.MultiRNNCell(cell_list)\n```","https:\u002F\u002Fgithub.com\u002FNELSONZHAO\u002Fzhihu\u002Fissues\u002F15",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},2776,"项目中只有 ipynb 文件，py 文件和 html 文件不见了怎么办？","可以直接打开 ipynb 文件，Jupyter Notebook 支持将 notebook 转换为.py 或.html 格式。无需额外下载源码，直接在本地环境中转换即可使用。","https:\u002F\u002Fgithub.com\u002FNELSONZHAO\u002Fzhihu\u002Fissues\u002F12",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},2777,"该项目的代码是否参考了其他开源项目？是否有引用说明？","是的，该项目参考了 udacity\u002Fdeep-learning 的 seq2seq 实现。维护者已在回复中表示之前忘记在代码文件中添加引用，承诺会尽快更新补充原始 github 的参考信息。","https:\u002F\u002Fgithub.com\u002FNELSONZHAO\u002Fzhihu\u002Fissues\u002F35",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},2778,"项目中引用的 glove.6B.100d.txt 预训练词向量文件在哪里可以找到？","该文件通常需要从外部资源下载。根据社区讨论，可能需要前往 Kaggle 等平台搜索并下载对应的 GloVe 词向量文件，然后放置到项目的 data 目录下。","https:\u002F\u002Fgithub.com\u002FNELSONZHAO\u002Fzhihu\u002Fissues\u002F37",[]]