[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SciSharp--Keras.NET":3,"tool-SciSharp--Keras.NET":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",140436,2,"2026-04-05T23:32:43",[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。",107662,"2026-04-03T11:11:01",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,52],"视频",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[14,35],{"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":76,"owner_location":76,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"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":105,"github_topics":106,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":146},4319,"SciSharp\u002FKeras.NET","Keras.NET","Keras.NET is a high-level neural networks API for C# and F#, with Python Binding and capable of running on top of TensorFlow, CNTK, or Theano. ","Keras.NET 是一款专为 C# 和 F# 开发者打造的高级神经网络 API。它通过 Python 绑定技术，让 .NET 生态能够直接调用强大的 Keras 功能，并支持在 TensorFlow、CNTK 或 Theano 等主流后端上运行。\n\n长期以来，.NET 开发者在进行深度学习实验时，往往面临需要切换至 Python 环境或使用复杂底层库的痛点。Keras.NET 有效解决了这一难题，让用户无需离开熟悉的 Visual Studio 环境，即可利用 C# 或 F# 快速构建、训练和部署卷积网络及循环网络。无论是简单的数据原型验证，还是复杂的图像识别任务，它都能提供流畅的开发体验，并无缝支持 CPU 与 GPU 加速。\n\n这款工具特别适合希望将人工智能能力集成到现有 .NET 应用中的软件工程师、需要进行快速算法验证的研究人员，以及习惯使用微软技术栈的数据科学家。其独特亮点在于深度集成了 Numpy.NET，使得在 C# 中处理多维数组如同在 Python 中一样自然高效，同时保留了 Keras 原本简洁易用的特性，真正实现了从创意到结果的极速转化。","![Logo](Images\u002Fkeras.net_long.svg)\u003Ca href=\"http:\u002F\u002Fscisharpstack.org\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_46b9640c0134.png\" width=\"200\" height=\"200\" align=\"right\" \u002F>\u003C\u002Fa>\n\n**Keras.NET** is a high-level neural networks API for C# and F# via a Python binding and capable of running on top of TensorFlow, CNTK, or Theano. It was developed with a focus on enabling fast experimentation. Being able to go from idea to result with the least possible delay is key to doing good research.\n\nUse Keras if you need a deep learning library that:\n\n* Allows for easy and fast prototyping (through user friendliness, modularity, and extensibility).\n\n* Supports both convolutional networks and recurrent networks, as well as combinations of the two.\n\n* Runs seamlessly on CPU and GPU.\n\n## Keras.NET is using:\n\n* [Numpy.NET](https:\u002F\u002Fgithub.com\u002FSciSharp\u002FNumpy.NET)\n\n* [pythonnet_netstandard](https:\u002F\u002Fgithub.com\u002Fhenon\u002Fpythonnet_netstandard)\n\n## Prerequisite\n\n* Python 3.7 or 3.8, Link: https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F\n\n* Install keras, [numpy](https:\u002F\u002Fnumpy.org\u002Finstall\u002F) and one of the backends (Tensorflow\u002FCNTK\u002FTheano). Keras is now bundled with Tensorflow 2.0, so the easiest way to install Keras and Tensorflow at the same time is to simply install [Tensorflow 2.0](https:\u002F\u002Fwww.tensorflow.org\u002Finstall).\n\n## Nuget\n\nInstall from nuget: https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FKeras.NET\n\n```\ndotnet add package Keras.NET\n```\n\n\n## Example with XOR sample (C#)\n\n```csharp\n\u002F\u002FLoad train data\nNDarray x = np.array(new float[,] { { 0, 0 }, { 0, 1 }, { 1, 0 }, { 1, 1 } });\nNDarray y = np.array(new float[] { 0, 1, 1, 0 });\n\n\u002F\u002FBuild sequential model\nvar model = new Sequential();\nmodel.Add(new Dense(32, activation: \"relu\", input_shape: new Shape(2)));\nmodel.Add(new Dense(64, activation: \"relu\"));\nmodel.Add(new Dense(1, activation: \"sigmoid\"));\n\n\u002F\u002FCompile and train\nmodel.Compile(optimizer:\"sgd\", loss:\"binary_crossentropy\", metrics: new string[] { \"accuracy\" });\nmodel.Fit(x, y, batch_size: 2, epochs: 1000, verbose: 1);\n\n\u002F\u002FSave model and weights\nstring json = model.ToJson();\nFile.WriteAllText(\"model.json\", json);\nmodel.SaveWeight(\"model.h5\");\n\n\u002F\u002FLoad model and weight\nvar loaded_model = Sequential.ModelFromJson(File.ReadAllText(\"model.json\"));\nloaded_model.LoadWeight(\"model.h5\");\n```\n\n**Output:**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_31c400bf8cb8.png)\n\n## MNIST CNN Example (C#)\n\nPython example taken from: https:\u002F\u002Fkeras.io\u002Fexamples\u002Fmnist_cnn\u002F\n\n```csharp\nint batch_size = 128;\nint num_classes = 10;\nint epochs = 12;\n\n\u002F\u002F input image dimensions\nint img_rows = 28, img_cols = 28;\n\nShape input_shape = null;\n\n\u002F\u002F the data, split between train and test sets\nvar ((x_train, y_train), (x_test, y_test)) = MNIST.LoadData();\n\nif(Backend.ImageDataFormat() == \"channels_first\")\n{\n    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols);\n    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols);\n    input_shape = (1, img_rows, img_cols);\n}\nelse\n{\n    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1);\n    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1);\n    input_shape = (img_rows, img_cols, 1);\n}\n\nx_train = x_train.astype(np.float32);\nx_test = x_test.astype(np.float32);\nx_train \u002F= 255;\nx_test \u002F= 255;\nConsole.WriteLine($\"x_train shape: {x_train.shape}\");\nConsole.WriteLine($\"{x_train.shape[0]} train samples\");\nConsole.WriteLine($\"{x_test.shape[0]} test samples\");\n\n\u002F\u002F convert class vectors to binary class matrices\ny_train = Util.ToCategorical(y_train, num_classes);\ny_test = Util.ToCategorical(y_test, num_classes);\n\n\u002F\u002F Build CNN model\nvar model = new Sequential();\nmodel.Add(new Conv2D(32, kernel_size: (3, 3).ToTuple(),\n                        activation: \"relu\",\n                        input_shape: input_shape));\nmodel.Add(new Conv2D(64, (3, 3).ToTuple(), activation: \"relu\"));\nmodel.Add(new MaxPooling2D(pool_size: (2, 2).ToTuple()));\nmodel.Add(new Dropout(0.25));\nmodel.Add(new Flatten());\nmodel.Add(new Dense(128, activation: \"relu\"));\nmodel.Add(new Dropout(0.5));\nmodel.Add(new Dense(num_classes, activation: \"softmax\"));\n\nmodel.Compile(loss: \"categorical_crossentropy\",\n    optimizer: new Adadelta(), metrics: new string[] { \"accuracy\" });\n\nmodel.Fit(x_train, y_train,\n            batch_size: batch_size,\n            epochs: epochs,\n            verbose: 1,\n            validation_data: new NDarray[] { x_test, y_test });\nvar score = model.Evaluate(x_test, y_test, verbose: 0);\nConsole.WriteLine($\"Test loss: {score[0]}\");\nConsole.WriteLine($\"Test accuracy: {score[1]}\");\n```\n\n**Output**\n\nReached 98% accuracy within 3 epoches.\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_e3f7942076df.png)\n\n# Documentation\n\nhttps:\u002F\u002Fscisharp.github.io\u002FKeras.NET\u002F\n\n![SciSharp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_79b4f9f670ec.png)\n","![Logo](Images\u002Fkeras.net_long.svg)\u003Ca href=\"http:\u002F\u002Fscisharpstack.org\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_46b9640c0134.png\" width=\"200\" height=\"200\" align=\"right\" \u002F>\u003C\u002Fa>\n\n**Keras.NET** 是一个用于 C# 和 F# 的高级神经网络 API，通过 Python 绑定实现，能够在 TensorFlow、CNTK 或 Theano 之上运行。该库的设计重点在于支持快速实验。能够以尽可能短的延迟从想法过渡到结果，是开展高质量研究的关键。\n\n如果您需要一个深度学习库，满足以下条件，那么可以使用 Keras：\n\n* 支持简单快捷的原型开发（通过用户友好性、模块化和可扩展性）。\n\n* 同时支持卷积神经网络和循环神经网络，以及两者的组合。\n\n* 可在 CPU 和 GPU 上无缝运行。\n\n## Keras.NET 使用的技术：\n\n* [Numpy.NET](https:\u002F\u002Fgithub.com\u002FSciSharp\u002FNumpy.NET)\n\n* [pythonnet_netstandard](https:\u002F\u002Fgithub.com\u002Fhenon\u002Fpythonnet_netstandard)\n\n## 先决条件\n\n* Python 3.7 或 3.8，下载链接：https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F\n\n* 安装 keras、[numpy](https:\u002F\u002Fnumpy.org\u002Finstall\u002F) 以及其中一个后端框架（Tensorflow\u002FCNTK\u002FTheano）。Keras 现已与 TensorFlow 2.0 捆绑在一起，因此同时安装 Keras 和 TensorFlow 最简单的方式就是直接安装 [TensorFlow 2.0](https:\u002F\u002Fwww.tensorflow.org\u002Finstall)。\n\n## Nuget 包\n\n可通过 Nuget 安装：https:\u002F\u002Fwww.nuget.org\u002Fpackages\u002FKeras.NET\n\n```\ndotnet add package Keras.NET\n```\n\n\n## XOR 示例（C#）\n\n```csharp\n\u002F\u002F 加载训练数据\nNDarray x = np.array(new float[,] { { 0, 0 }, { 0, 1 }, { 1, 0 }, { 1, 1 } });\nNDarray y = np.array(new float[] { 0, 1, 1, 0 });\n\n\u002F\u002F 构建顺序模型\nvar model = new Sequential();\nmodel.Add(new Dense(32, activation: \"relu\", input_shape: new Shape(2)));\nmodel.Add(new Dense(64, activation: \"relu\"));\nmodel.Add(new Dense(1, activation: \"sigmoid\"));\n\n\u002F\u002F 编译并训练\nmodel.Compile(optimizer:\"sgd\", loss:\"binary_crossentropy\", metrics: new string[] { \"accuracy\" });\nmodel.Fit(x, y, batch_size: 2, epochs: 1000, verbose: 1);\n\n\u002F\u002F 保存模型和权重\nstring json = model.ToJson();\nFile.WriteAllText(\"model.json\", json);\nmodel.SaveWeight(\"model.h5\");\n\n\u002F\u002F 加载模型和权重\nvar loaded_model = Sequential.ModelFromJson(File.ReadAllText(\"model.json\"));\nloaded_model.LoadWeight(\"model.h5\");\n```\n\n**输出：**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_31c400bf8cb8.png)\n\n## MNIST 卷积神经网络示例（C#）\n\nPython 示例来源：https:\u002F\u002Fkeras.io\u002Fexamples\u002Fmnist_cnn\u002F\n\n```csharp\nint batch_size = 128;\nint num_classes = 10;\nint epochs = 12;\n\n\u002F\u002F 输入图像尺寸\nint img_rows = 28, img_cols = 28;\n\nShape input_shape = null;\n\n\u002F\u002F 数据集，分为训练集和测试集\nvar ((x_train, y_train), (x_test, y_test)) = MNIST.LoadData();\n\nif(Backend.ImageDataFormat() == \"channels_first\")\n{\n    x_train = x_train.reshape(x_train.shape[0], 1, img_rows, img_cols);\n    x_test = x_test.reshape(x_test.shape[0], 1, img_rows, img_cols);\n    input_shape = (1, img_rows, img_cols);\n}\nelse\n{\n    x_train = x_train.reshape(x_train.shape[0], img_rows, img_cols, 1);\n    x_test = x_test.reshape(x_test.shape[0], img_rows, img_cols, 1);\n    input_shape = (img_rows, img_cols, 1);\n}\n\nx_train = x_train.astype(np.float32);\nx_test = x_test.astype(np.float32);\nx_train \u002F= 255;\nx_test \u002F= 255;\nConsole.WriteLine($\"x_train shape: {x_train.shape}\");\nConsole.WriteLine($\"{x_train.shape[0]} train samples\");\nConsole.WriteLine($\"{x_test.shape[0]} test samples\");\n\n\u002F\u002F 将类别向量转换为二值分类矩阵\ny_train = Util.ToCategorical(y_train, num_classes);\ny_test = Util.ToCategorical(y_test, num_classes);\n\n\u002F\u002F 构建 CNN 模型\nvar model = new Sequential();\nmodel.Add(new Conv2D(32, kernel_size: (3, 3).ToTuple(),\n                        activation: \"relu\",\n                        input_shape: input_shape));\nmodel.Add(new Conv2D(64, (3, 3).ToTuple(), activation: \"relu\"));\nmodel.Add(new MaxPooling2D(pool_size: (2, 2).ToTuple()));\nmodel.Add(new Dropout(0.25));\nmodel.Add(new Flatten());\nmodel.Add(new Dense(128, activation: \"relu\"));\nmodel.Add(new Dropout(0.5));\nmodel.Add(new Dense(num_classes, activation: \"softmax\"));\n\nmodel.Compile(loss: \"categorical_crossentropy\",\n    optimizer: new Adadelta(), metrics: new string[] { \"accuracy\" });\n\nmodel.Fit(x_train, y_train,\n            batch_size: batch_size,\n            epochs: epochs,\n            verbose: 1,\n            validation_data: new NDarray[] { x_test, y_test });\nvar score = model.Evaluate(x_test, y_test, verbose: 0);\nConsole.WriteLine($\"Test loss: {score[0]}\");\nConsole.WriteLine($\"Test accuracy: {score[1]}\");\n```\n\n**输出**\n\n仅用 3 个 epoch 就达到了 98% 的准确率。\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_e3f7942076df.png)\n\n# 文档\n\nhttps:\u002F\u002Fscisharp.github.io\u002FKeras.NET\u002F\n\n![SciSharp](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_readme_79b4f9f670ec.png)","# Keras.NET 快速上手指南\n\nKeras.NET 是一个面向 C# 和 F# 的高级神经网络 API，通过 Python 绑定运行，支持 TensorFlow、CNTK 或 Theano 后端。它旨在让开发者能够快速原型设计，无缝在 CPU 和 GPU 上运行深度学习模型。\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, Linux 或 macOS。\n*   **.NET 环境**：安装 .NET Core SDK 或 .NET 5\u002F6+。\n*   **Python 环境**：必须安装 **Python 3.7** 或 **Python 3.8**。\n    *   下载地址：[https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F](https:\u002F\u002Fwww.python.org\u002Fdownloads\u002F)\n    *   *注意：请务必在安装时将 Python 添加到系统环境变量 (PATH) 中。*\n*   **Python 依赖库**：\n    需要安装 `keras`、`numpy` 以及一个后端框架（推荐 TensorFlow）。由于 Keras 已集成在 TensorFlow 2.0+ 中，最简单的安装方式是直接安装 TensorFlow：\n\n    ```bash\n    pip install tensorflow\n    ```\n    *(国内用户可使用清华源加速安装：`pip install tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`)*\n\n## 安装步骤\n\n在您的 .NET 项目中，通过 NuGet 包管理器安装 Keras.NET：\n\n**使用 .NET CLI 命令行：**\n\n```bash\ndotnet add package Keras.NET\n```\n\n**或使用 Visual Studio 包管理器控制台：**\n\n```powershell\nInstall-Package Keras.NET\n```\n\n该包会自动引入必要的依赖项，包括 `Numpy.NET` 和 `pythonnet_netstandard`。\n\n## 基本使用\n\n以下是一个最简单的 XOR 问题示例，展示如何构建模型、训练、保存及加载权重。\n\n### C# 代码示例\n\n```csharp\nusing Keras;\nusing Keras.Models;\nusing Keras.Layers;\nusing Numpy;\n\n\u002F\u002F 1. 加载训练数据 (XOR 逻辑)\nNDarray x = np.array(new float[,] { { 0, 0 }, { 0, 1 }, { 1, 0 }, { 1, 1 } });\nNDarray y = np.array(new float[] { 0, 1, 1, 0 });\n\n\u002F\u002F 2. 构建顺序模型 (Sequential Model)\nvar model = new Sequential();\nmodel.Add(new Dense(32, activation: \"relu\", input_shape: new Shape(2)));\nmodel.Add(new Dense(64, activation: \"relu\"));\nmodel.Add(new Dense(1, activation: \"sigmoid\"));\n\n\u002F\u002F 3. 编译并训练模型\nmodel.Compile(optimizer:\"sgd\", loss:\"binary_crossentropy\", metrics: new string[] { \"accuracy\" });\nmodel.Fit(x, y, batch_size: 2, epochs: 1000, verbose: 1);\n\n\u002F\u002F 4. 保存模型结构和权重\nstring json = model.ToJson();\nSystem.IO.File.WriteAllText(\"model.json\", json);\nmodel.SaveWeight(\"model.h5\");\n\n\u002F\u002F 5. 加载模型和权重进行预测\nvar loaded_model = Sequential.ModelFromJson(System.IO.File.ReadAllText(\"model.json\"));\nloaded_model.LoadWeight(\"model.h5\");\n\n\u002F\u002F 此时即可使用 loaded_model.Predict() 进行推理\n```\n\n运行上述代码后，您将看到模型训练过程中的准确率输出，并在项目目录下生成 `model.json` 和 `model.h5` 文件。\n\n更多高级示例（如 MNIST 卷积神经网络）请参考官方文档：[https:\u002F\u002Fscisharp.github.io\u002FKeras.NET\u002F](https:\u002F\u002Fscisharp.github.io\u002FKeras.NET\u002F)","某制造业企业的 .NET 开发团队需要在现有的 C# 质检系统中集成深度学习模块，以自动识别产品表面的微小缺陷。\n\n### 没有 Keras.NET 时\n- **技术栈割裂**：算法工程师使用 Python 训练模型，而生产系统基于 C#，团队必须维护两套代码库，沟通成本极高。\n- **部署复杂脆弱**：为了在 C# 中调用模型，需搭建复杂的 HTTP 微服务或进程间通信桥接，增加了系统延迟和故障点。\n- **迭代效率低下**：一旦需要调整网络结构（如增加卷积层），必须修改 Python 脚本并重新导出模型，无法在 C# 项目中直接快速验证新想法。\n- **类型安全缺失**：数据在 Python 与 C# 之间传递时需频繁转换格式，容易引发运行时错误且缺乏编译期检查。\n\n### 使用 Keras.NET 后\n- **统一开发语言**：团队直接使用 C# 编写从数据预处理、模型构建到训练推理的全流程代码，消除了语言隔阂。\n- **原生无缝集成**：Keras.NET 通过 Python 绑定直接在 .NET 进程中运行 TensorFlow 后端，无需额外部署微服务，显著降低延迟。\n- **敏捷实验验证**：开发者可像示例中那样用几行 C# 代码快速搭建 CNN 网络并调整参数，实现“想法到结果”的分钟级反馈。\n- **强类型保障**：利用 Numpy.NET 提供的强类型多维数组，确保数据在管道中流转时的类型安全，减少运行时异常。\n\nKeras.NET 让 .NET 开发者能够以原生体验拥抱深度学习，彻底打破了算法研究与工程落地之间的壁垒。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSciSharp_Keras.NET_20e06c38.png","SciSharp","SciSharp STACK","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSciSharp_79b4f9f6.png","A .NET based Open Source Ecosystem for Data Science, Machine Learning and AI.",null,"scisharpstack@gmail.com","ScisharpStack","http:\u002F\u002Fscisharpstack.org","https:\u002F\u002Fgithub.com\u002FSciSharp",[82,86],{"name":83,"color":84,"percentage":85},"C#","#178600",99.3,{"name":87,"color":88,"percentage":89},"CSS","#663399",0.7,620,129,"2026-02-13T18:39:26","MIT",4,"未说明","非必需，支持在 CPU 和 GPU 上无缝运行。若使用 GPU，需安装对应的后端（如 TensorFlow），具体显卡型号、显存及 CUDA 版本取决于所选后端的官方要求，README 中未明确指定。",{"notes":98,"python":99,"dependencies":100},"该工具是通过 Python 绑定为 C# 和 F# 提供的高级神经网络 API。必须预先安装 Python 环境以及 Keras 和其中一个后端框架（推荐使用 TensorFlow 2.0，因其已捆绑 Keras）。项目通过 NuGet 包管理器安装。","3.7 或 3.8",[101,102,103,104],"Numpy.NET","pythonnet_netstandard","Keras","TensorFlow (>=2.0) 或 CNTK 或 Theano",[14],[107,108,109,110,111,112,113],"keras","keras-neural-networks","csharp-library","neural-network","deep-learning","deep-learning-library","fsharp-library","2026-03-27T02:49:30.150509","2026-04-06T18:52:25.085788",[117,122,126,131,136,141],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},19658,"遇到 'ModuleNotFoundError: No module named keras' 错误怎么办？","该错误通常是因为 Python 环境中未正确安装 Keras 或相关依赖。请确保已安装与 .NET 项目兼容的 Python 版本，并在该环境中运行 'pip install keras'。如果使用了 Anaconda，建议移除通过 conda 安装的冲突包（如 h5py），改用 pip 重新安装，因为 conda 安装的某些包可能无法被 Python.NET 正确加载。","https:\u002F\u002Fgithub.com\u002FSciSharp\u002FKeras.NET\u002Fissues\u002F127",{"id":123,"question_zh":124,"answer_zh":125,"source_url":121},19659,"为什么使用 conda 安装的 h5py 会导致 'save_weights requires h5py' 错误？","Conda 安装的 h5py 有时与 Python.NET 的加载机制不兼容。解决方案是：先卸载 conda 版本的 h5py（例如 'conda uninstall h5py'），然后使用 pip 重新安装（'pip install h5py'）。这样可以确保生成的二进制文件能被 Keras.NET 正确识别和调用。",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},19660,"如何在 Keras.NET 中配置 Tensorflow 后端以使用 CPU、GPU 或多 GPU？","可以使用 'Setup.Run()' 方法并传入 'SetupBackend' 枚举值来指定后端。例如，强制使用 CPU 可调用 'Setup.Run(SetupBackend.TensorflowCPU)'。对于多 GPU 支持，可以使用 'Utils.MultiGPUModel()' 方法包装模型。注意：调用 Setup.Run() 需要正确的 Python 环境配置，如果报错请检查 Python 路径和环境变量。","https:\u002F\u002Fgithub.com\u002FSciSharp\u002FKeras.NET\u002Fissues\u002F21",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},19661,"运行时出现 'Unable to load DLL python3x' (如 python36, python37) 错误如何解决？","此错误表明系统找不到指定版本的 Python DLL。主要原因包括：1. 未安装对应版本的 Python（例如报错 python37 需安装 Python 3.7.x）；2. Python 未添加到系统环境变量 PATH 中；3. 架构不匹配（如 .NET 程序是 x64 但安装了 x86 的 Python）。请确保安装了对应版本的 Python，将其安装目录及 Scripts 目录加入 PATH，并确认 Python 架构与 .NET 项目目标平台一致。","https:\u002F\u002Fgithub.com\u002FSciSharp\u002FKeras.NET\u002Fissues\u002F78",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},19662,"Keras.NET 是否支持迁移学习（Transfer Learning）以及 ImageDataGenerator？","Keras.NET 旨在映射 Python Keras 的功能。虽然早期版本可能缺少某些特定函数（如 fit_generator），但可以通过调用底层的 Python API 或使用最新的 NuGet 包来获取支持。对于迁移学习，可以加载预训练模型（如 VGG16, ResNet），冻结部分层，并编译新模型进行训练。如果遇到特定函数缺失，建议检查最新文档或通过 Python.Runtime 直接调用原始 Python 代码作为变通方案。","https:\u002F\u002Fgithub.com\u002FSciSharp\u002FKeras.NET\u002Fissues\u002F5",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},19663,"运行示例代码时进程崩溃并退出代码 -1073741795 怎么办？","退出代码 -1073741795 (0xC00000FD) 通常表示栈溢出或非托管代码崩溃。这往往是由于 Python 环境配置不当或原生依赖库（如 numpy, tensorflow）与当前 .NET 进程架构冲突导致的。建议步骤：1. 确认安装的 Python 版本与 Keras.NET 要求的版本一致；2. 重新安装 numpy 和 tensorflow ('pip install --upgrade --force-reinstall numpy tensorflow')；3. 尝试在调试模式下附加到进程以获取更详细的异常堆栈信息。","https:\u002F\u002Fgithub.com\u002FSciSharp\u002FKeras.NET\u002Fissues\u002F6",[147,152],{"id":148,"version":149,"summary_zh":150,"released_at":151},117696,"v3.8.6.0","错误修复","2021-09-19T10:41:03",{"id":153,"version":154,"summary_zh":155,"released_at":156},117697,"0.6.0","完整 Keras API 已实现","2019-06-21T08:19:56"]