[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SebLague--Neural-Network-Experiments":3,"tool-SebLague--Neural-Network-Experiments":64},[4,17,26,40,48,56],{"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},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。",107662,2,"2026-04-03T11:11:01",[13,14,15],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":23,"last_commit_at":32,"category_tags":33,"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",[14,34,35,36,15,37,38,13,39],"数据工具","视频","插件","其他","语言模型","音频",{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":10,"last_commit_at":46,"category_tags":47,"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",[15,14,13,38,37],{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74939,"2026-04-05T23:16:38",[38,14,13,37],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":23,"last_commit_at":62,"category_tags":63,"status":16},2471,"tesseract","tesseract-ocr\u002Ftesseract","Tesseract 是一款历史悠久且备受推崇的开源光学字符识别（OCR）引擎，最初由惠普实验室开发，后由 Google 维护，目前由全球社区共同贡献。它的核心功能是将图片中的文字转化为可编辑、可搜索的文本数据，有效解决了从扫描件、照片或 PDF 文档中提取文字信息的难题，是数字化归档和信息自动化的重要基础工具。\n\n在技术层面，Tesseract 展现了强大的适应能力。从版本 4 开始，它引入了基于长短期记忆网络（LSTM）的神经网络 OCR 引擎，显著提升了行识别的准确率；同时，为了兼顾旧有需求，它依然支持传统的字符模式识别引擎。Tesseract 原生支持 UTF-8 编码，开箱即用即可识别超过 100 种语言，并兼容 PNG、JPEG、TIFF 等多种常见图像格式。输出方面，它灵活支持纯文本、hOCR、PDF、TSV 等多种格式，方便后续数据处理。\n\nTesseract 主要面向开发者、研究人员以及需要构建文档处理流程的企业用户。由于它本身是一个命令行工具和库（libtesseract），不包含图形用户界面（GUI），因此最适合具备一定编程能力的技术人员集成到自动化脚本或应用程序中",73286,"2026-04-03T01:56:45",[13,14],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":68,"owner_company":68,"owner_location":79,"owner_email":80,"owner_twitter":68,"owner_website":68,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":99,"env_os":100,"env_gpu":101,"env_ram":100,"env_deps":102,"category_tags":107,"github_topics":68,"view_count":23,"oss_zip_url":68,"oss_zip_packed_at":68,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":111},3633,"SebLague\u002FNeural-Network-Experiments","Neural-Network-Experiments",null,"Neural-Network-Experiments 是一个基于 C# 语言并在 Unity 引擎中运行的开源项目，旨在通过直观的可视化方式演示基础神经网络的工作原理。该项目源自 Seb Lague 的教学视频，核心目标是解决机器学习算法“黑盒化”导致的学习门槛高、难以理解内部运作机制的问题。它将抽象的数学计算转化为动态的视觉图像，让用户能亲眼看到神经网络如何逐步学习并识别手写数字（MNIST）、时尚商品（Fashion MNIST）、简笔画（Quick Draw Doodles）以及复杂物体（CIFAR-10）。\n\n这款工具特别适合希望深入理解神经网络底层逻辑的开发者、计算机专业学生以及 AI 教育者。对于想要在不依赖庞大框架（如 TensorFlow 或 PyTorch）的情况下，从零开始构建并调试神经网络的程序员来说，它提供了极佳的参考范本。其独特的技术亮点在于完全使用原生 C# 代码实现，并针对性能进行了特定优化（例如将权重数组展平为一维），同时利用 Unity 强大的渲染能力实时展示训练过程中的权重变化与识别效果。尽管目前主要依赖 CPU 计算，速度尚有提升空间，但它为后续扩","Neural-Network-Experiments 是一个基于 C# 语言并在 Unity 引擎中运行的开源项目，旨在通过直观的可视化方式演示基础神经网络的工作原理。该项目源自 Seb Lague 的教学视频，核心目标是解决机器学习算法“黑盒化”导致的学习门槛高、难以理解内部运作机制的问题。它将抽象的数学计算转化为动态的视觉图像，让用户能亲眼看到神经网络如何逐步学习并识别手写数字（MNIST）、时尚商品（Fashion MNIST）、简笔画（Quick Draw Doodles）以及复杂物体（CIFAR-10）。\n\n这款工具特别适合希望深入理解神经网络底层逻辑的开发者、计算机专业学生以及 AI 教育者。对于想要在不依赖庞大框架（如 TensorFlow 或 PyTorch）的情况下，从零开始构建并调试神经网络的程序员来说，它提供了极佳的参考范本。其独特的技术亮点在于完全使用原生 C# 代码实现，并针对性能进行了特定优化（例如将权重数组展平为一维），同时利用 Unity 强大的渲染能力实时展示训练过程中的权重变化与识别效果。尽管目前主要依赖 CPU 计算，速度尚有提升空间，但它为后续扩展卷积神经网络（CNN）及迁移至 GPU 加速奠定了清晰的基础，是连接理论与实践的优秀桥梁。","# Neural-Network-Experiments\n\nA small experiment with plain neural networks in C# (inside the Unity engine for visualizations), created as part of [this video](https:\u002F\u002Fyoutu.be\u002FhfMk-kjRv4c).\n\u003C\u002Fbr>The code has some minor differences from that shown in the video, for example the weights array has been flattened to a one dimensional array for performance (although the performance is admittedly still pretty poor).\n\nThe project contains 4 image recognition experiments: [mnist](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F), [fashion mnist](https:\u002F\u002Fgithub.com\u002Fzalandoresearch\u002Ffashion-mnist), [doodles](https:\u002F\u002Fgithub.com\u002Fgooglecreativelab\u002Fquickdraw-dataset), and [cifar10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html).\n\u003Cbr>In the future I plan to build upon this to create a convolutional neural network, and potentially move the calculations to the GPU to speed things up.\n\n![Doodles](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSebLague_Neural-Network-Experiments_readme_1ebd5aa0b2c7.gif)\n","# 神经网络实验\n\n一个用 C# 编写的简单神经网络实验（在 Unity 引擎中进行可视化），作为 [这个视频](https:\u002F\u002Fyoutu.be\u002FhfMk-kjRv4c) 的一部分而创建。\n\u003C\u002Fbr>代码与视频中展示的略有不同，例如为了提升性能，权重数组被展平为一维数组（尽管实际性能仍然相当低下）。\n\n该项目包含 4 个图像识别实验：[MNIST](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F)、[Fashion MNIST](https:\u002F\u002Fgithub.com\u002Fzalandoresearch\u002Ffashion-mnist)、[Doodles](https:\u002F\u002Fgithub.com\u002Fgooglecreativelab\u002Fquickdraw-dataset) 和 [CIFAR-10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)。\n\u003Cbr>未来我计划在此基础上构建卷积神经网络，并可能将计算迁移到 GPU 上以提高速度。\n\n![Doodles](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSebLague_Neural-Network-Experiments_readme_1ebd5aa0b2c7.gif)","# Neural-Network-Experiments 快速上手指南\n\n本指南帮助中国开发者快速在 Unity 引擎中运行基于 C# 的纯神经网络实验项目。该项目包含 MNIST、Fashion-MNIST、QuickDraw Doodles 和 CIFAR-10 四种图像识别实验，并提供了可视化演示。\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、macOS 或 Linux\n*   **Unity 引擎**：建议安装最新稳定版（LTS）或项目中指定的 Unity 版本\n*   **开发工具**：Visual Studio 或 VS Code（需安装 C# 扩展支持）\n*   **前置依赖**：\n    *   .NET Framework 或 .NET Core（通常随 Unity 自动配置）\n    *   Git（用于克隆代码仓库）\n\n> **注意**：本项目主要作为教学演示，未针对性能进行深度优化（权重数组已展平为一维以提升少许性能），因此在处理大型数据集（如 CIFAR-10）时训练速度可能较慢。\n\n## 安装步骤\n\n1.  **克隆项目仓库**\n    打开终端或命令行工具，执行以下命令下载源码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FSebLague\u002FNeural-Network-Experiments.git\n    ```\n    *(国内用户若访问 GitHub 缓慢，可使用 Gitee 镜像或配置 Git 代理加速)*\n\n2.  **导入 Unity 项目**\n    *   启动 Unity Hub。\n    *   点击 **\"Add\" (添加)** 按钮。\n    *   选择刚才克隆的 `Neural-Network-Experiments` 文件夹根目录。\n    *   等待 Unity 导入资源并编译脚本。\n\n3.  **准备数据集**\n    项目支持四种数据集，首次运行时可能需要联网下载或手动放置数据文件。请确保网络通畅，或参考项目内部脚本逻辑将以下数据集放入指定 `Resources` 或 `Data` 文件夹：\n    *   [MNIST](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F)\n    *   [Fashion-MNIST](https:\u002F\u002Fgithub.com\u002Fzalandoresearch\u002Ffashion-mnist)\n    *   [QuickDraw Doodles](https:\u002F\u002Fgithub.com\u002Fgooglecreativelab\u002Fquickdraw-dataset)\n    *   [CIFAR-10](https:\u002F\u002Fwww.cs.toronto.edu\u002F~kriz\u002Fcifar.html)\n\n## 基本使用\n\n本项目通过 Unity 场景进行可视化操作，无需编写额外代码即可体验神经网络训练过程。\n\n1.  **打开实验场景**\n    在 Unity 编辑器中，进入 `Assets\u002FScenes` 目录，双击打开对应的实验场景（例如 `Doodles.unity` 或 `Mnist.unity`）。\n\n2.  **运行实验**\n    点击 Unity 编辑器顶部的 **Play (播放)** 按钮。\n\n3.  **观察与交互**\n    *   场景启动后，神经网络将开始自动训练。\n    *   您可以在 Game 视图看到实时的识别效果演示（如手绘涂鸦的实时分类）。\n    *   部分场景提供 UI 面板，允许调整学习率、隐藏层节点数等超参数，修改后重新运行即可观察不同效果。\n\n4.  **查看代码逻辑**\n    核心神经网络逻辑位于 C# 脚本中。由于为了性能已将权重数组展平为一维数组，您可以查阅相关脚本了解底层实现细节，这与视频教程中的原始代码略有不同。\n\n> **未来规划提示**：作者计划在此基础上构建卷积神经网络（CNN）并将计算迁移至 GPU 以大幅提升速度，当前版本主要用于理解基础全连接神经网络原理。","一位 Unity 开发者希望在不依赖复杂外部框架的前提下，从零构建一个可视化的手写涂鸦识别原型，以验证神经网络基础原理。\n\n### 没有 Neural-Network-Experiments 时\n- 开发者需手动编写繁琐的矩阵运算代码来处理权重数组，极易因维度错误导致程序崩溃且难以调试。\n- 缺乏现成的 MNIST、Fashion-MNIST 及 QuickDraw 涂鸦数据集接口，数据预处理和加载流程需完全从头搭建，耗时数天。\n- 训练过程如同“黑盒”，无法直观看到神经元如何随迭代调整参数，难以向团队或学生解释内部运作机制。\n- 由于 C# 原生计算性能瓶颈，简单的全连接网络推理速度极慢，导致实时交互演示几乎不可行。\n- 代码结构松散，若想从图像识别扩展到更复杂的卷积网络，需要推翻重写大部分底层逻辑。\n\n### 使用 Neural-Network-Experiments 后\n- 直接复用已展平优化的一维权重数组实现，大幅降低内存管理难度，让开发者能专注于网络逻辑而非底层数学陷阱。\n- 内置四种经典图像识别实验场景，一键加载标准化数据集，将数据准备时间从几天缩短至几分钟。\n- 依托 Unity 引擎强大的可视化能力，实时动态展示涂鸦识别过程中的权重变化与决策边界，让抽象算法变得肉眼可见。\n- 基于现有架构可快速验证不同数据集（如从数字切换到涂鸦）的效果，无需重复造轮子即可进行对比实验。\n- 代码结构清晰且预留了扩展接口，为后续迁移至 GPU 计算或升级为卷积神经网络奠定了坚实基础。\n\nNeural-Network-Experiments 将枯燥的数学推导转化为直观的视觉交互，极大地降低了在 Unity 中探索和教学神经网络原理的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSebLague_Neural-Network-Experiments_1ebd5aa0.gif","SebLague","Sebastian Lague","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSebLague_2f3d7abb.jpg","Denmark","sebastlague@gmail.com","https:\u002F\u002Fgithub.com\u002FSebLague",[83,87,91],{"name":84,"color":85,"percentage":86},"ShaderLab","#222c37",50.4,{"name":88,"color":89,"percentage":90},"C#","#178600",41.1,{"name":92,"color":93,"percentage":94},"HLSL","#aace60",8.5,517,87,"2026-04-01T03:54:49","MIT",4,"未说明","当前版本未使用 GPU（CPU 运行），作者计划未来迁移至 GPU 以加速计算",{"notes":103,"python":104,"dependencies":105},"该项目是基于 Unity 引擎的 C# 实验，非 Python 项目。目前仅支持 CPU 运行且性能较差，尚未实现卷积神经网络或 GPU 加速功能。包含 MNIST、Fashion MNIST、Doodles 和 CIFAR10 四个图像识别实验。","不适用",[106,88],"Unity Engine",[14,37],"2026-03-27T02:49:30.150509","2026-04-06T08:08:37.113113",[],[]]