[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ShusenTang--Deep-Learning-with-PyTorch-Chinese":3,"tool-ShusenTang--Deep-Learning-with-PyTorch-Chinese":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":80,"owner_email":81,"owner_twitter":76,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":76,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":99,"github_topics":100,"view_count":23,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":136},2036,"ShusenTang\u002FDeep-Learning-with-PyTorch-Chinese","Deep-Learning-with-PyTorch-Chinese","本仓库将PyTorch官方书籍《Deep learning with PyTorch》（基本摘录版）翻译成中文版并给出可运行的相关代码。","Deep-Learning-with-PyTorch-Chinese 是一本中文版的 PyTorch 入门指南，完整翻译了官方书籍《Deep Learning with PyTorch》的精华内容，并配套了可直接运行的 Jupyter Notebook 代码。它解决了初学者面对英文技术资料时的语言障碍与实践困难，让零基础用户也能边学边练，快速掌握张量操作、自动求导、神经网络搭建等核心概念。适合对深度学习感兴趣的开发者、学生和研究人员，尤其适合没有机器学习背景、但具备基础 Python 和数学知识的入门者。项目采用 Docsify 部署为网页版，支持公式渲染与在线阅读，代码与文档同步更新，便于学习和调试。所有内容均基于官方“精简版”（141页），轻量实用，是通往更深入学习（如计算机视觉、NLP）的理想起点。项目非商业用途，尊重原版版权，鼓励学习与分享。","# Deep-Learning-with-PyTorch-Chinese\n\n本项目（[网页版传送门](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)）将PyTorch官方书籍[《Deep learning with PyTorch》（基本摘录版）](https:\u002F\u002Fpytorch.org\u002Fdeep-learning-with-pytorch)翻译成中文并给出全书可运行的相关代码。\n\n[This project](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese) translates the PyTorch official book \"Deep learning with PyTorch\" (essential excerpt version) into Chinese.\n\n\n\u003Cdiv align=center>\n\u003Cimg width=\"300\" src=\"img\u002Fcover.png\" alt=\"cover\"\u002F>\n\u003C\u002Fdiv>\n\n## 1. 书籍简介\n自 2016 年诞生以来，PyTorch 已经成为当今最火热的深度学习框架之一。最近，官方权威的 PyTorch 教程书《Deep learning with PyTorch》终于问世了，消息一出就获得巨佬 Yann LeCun 力荐，是入门PyTorch及深度学习的绝佳教材。\n\u003Cdiv align=center>\n\u003Cimg width=\"350\" src=\"img\u002Ftwitter.png\" alt=\"twitter\"\u002F>\n\u003C\u002Fdiv>\n\n需要注意的是，[PyTorch官网提供的PDF](https:\u002F\u002Fpytorch.org\u002Fdeep-learning-with-pytorch)是基本摘录版（Essential Excerpts），共141页，内容包括以下五个部分：\n1. 深度学习与PyTorch简介\n2. 从一个张量开始\n3. 使用张量表示真实数据\n4. 学习机制\n5. 使用神经网络拟合数据\n\n因此可作为快速入门PyTorch的教程。此书完整版目前也可免费预览，[传送门](https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fdeep-learning-with-pytorch)。\n\n## 2. 项目简介\n本项目将原书翻译成中文并且给出可运行的相关代码。\n\n本[仓库](https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese)主要包含code和docs两个文件夹（外加一些数据存放在data中）。其中code文件夹就是每章相关jupyter notebook代码；docs文件夹就是markdown格式的《Deep learning with PyTorch》（基本摘录版）书中的相关内容的中文翻译，然后利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)将网页文档部署到[GitHub Pages](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)上。欢迎对本项目做出贡献或提出issue。\n\n\n## 3. 使用方法\n\n本项目面向对PyTorch感兴趣，尤其是想快速入门PyTorch的童鞋。本项目并不要求你有任何深度学习或者机器学习的背景知识，你只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基础的Python编程。\n\n本仓库的文档包含一些latex公式，但github的markdown原生是不支持公式显示的，而docs文件夹已经利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)被部署到了GitHub Pages上，所以你可以方便地访问[本项目网页版](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)。如果你想跑一下相关代码的话需要把本项目clone下来，然后运行code文件夹下相关代码。\n\n由于本项目所翻译的是基本摘录版，仅141页，所以适合快速入门PyTorch。如果你想对PyTorch以及深度学习（例如计算机视觉、自然语言处理等）有更深入的学习，可能还需要更多的资料，感兴趣的可以参考我的另一个项目[Dive-into-DL-PyTorch](http:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch\u002F)。\n\n\n## 4. 目录\n* [简介]()\n* [1. 深度学习与PyTorch简介](chapter1\u002F1.0.md)\n    * [1.1 什么是PyTorch](chapter1\u002F1.1.md)\n    * [1.2 这本书讲了什么](chapter1\u002F1.2.md)\n    * [1.3 为什么使用PyTorch](chapter1\u002F1.3.md)\n    * [1.4 PyTorch包含的组件](chapter1\u002F1.4.md)\n* [2. 从张量开始](chapter2\u002F2.0.md)\n    * [2.1 张量基础](chapter2\u002F2.1.md)\n    * [2.2 张量与存储](chapter2\u002F2.2.md)\n    * [2.3 尺寸、存储偏移与步长](chapter2\u002F2.3.md)\n    * [2.4 数据类型](chapter2\u002F2.4.md)\n    * [2.5 索引张量](chapter2\u002F2.5.md)\n    * [2.6 与NumPy的互通性](chapter2\u002F2.6.md)\n    * [2.7 序列化张量](chapter2\u002F2.8.md)\n    * [2.8 将张量转移到GPU上运行](chapter2\u002F2.8.md)\n    * [2.9 张量API](chapter2\u002F2.9.md)\n* [3. 使用张量表示真实数据](chapter3\u002F3.0.md)\n    * [3.1 表格数据](chapter3\u002F3.1.md)\n    * [3.2 时间序列](chapter3\u002F3.2.md)\n    * [3.3 文本数据](chapter3\u002F3.3.md)\n    * [3.4 图像数据](chapter3\u002F3.4.md)\n    * [3.5 体积数据](chapter3\u002F3.5.md)\n* [4. 学习机制](chapter4\u002F4.0.md)\n    * [4.1 学习就是参数估计](chapter4\u002F4.1.md)\n    * [4.2 PyTorch自动求导](chapter4\u002F4.2.md)\n* [5. 使用神经网络拟合数据](chapter5\u002F5.0.md)\n    * [5.1 神经元](chapter5\u002F5.1.md)\n    * [5.2 PyTorch的nn模块](chapter5\u002F5.2.md)\n    * [5.3 nn的子类](chapter5\u002F5.3.md)\n\n\n## 5. 声明\n\n* 译者纯粹出于学习目的与个人兴趣而进行翻译，不追求任何经济利益；\n* 本项目仅限于学习研究目的的使用，译者保留对此项目的署名权，任何转载必须注明出处，但不得用于任何商业用途；\n* 使用本项目对原著的侵权行为或者违反知识产权保护法的任何行为，与译者无关；\n* 有能力阅读英文书籍者请阅读原版或购买完整版书籍。\n\n## LICENSE\nCC BY-NC（署名-非商业性使用）4.0\n\n\n","# 使用PyTorch进行深度学习（中文版）\n\n本项目（[网页版传送门](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)）将PyTorch官方书籍[《Deep learning with PyTorch》（基本摘录版）](https:\u002F\u002Fpytorch.org\u002Fdeep-learning-with-pytorch)翻译成中文并给出全书可运行的相关代码。\n\n[这个项目](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)将PyTorch官方教程书《Deep learning with PyTorch》（基本摘录版）翻译成中文。\n\n\n\u003Cdiv align=center>\n\u003Cimg width=\"300\" src=\"img\u002Fcover.png\" alt=\"cover\"\u002F>\n\u003C\u002Fdiv>\n\n## 1. 书籍简介\n自2016年诞生以来，PyTorch已经成为当今最热门的深度学习框架之一。最近，官方权威的PyTorch教程书《Deep learning with PyTorch》终于问世了，消息一出就获得巨佬Yann LeCun力荐，是入门PyTorch及深度学习的绝佳教材。\n\u003Cdiv align=center>\n\u003Cimg width=\"350\" src=\"img\u002Ftwitter.png\" alt=\"twitter\"\u002F>\n\u003C\u002Fdiv>\n\n需要注意的是，[PyTorch官网提供的PDF](https:\u002F\u002Fpytorch.org\u002Fdeep-learning-with-pytorch)是基本摘录版（Essential Excerpts），共141页，内容包括以下五个部分：\n1. 深度学习与PyTorch简介\n2. 从一个张量开始\n3. 使用张量表示真实数据\n4. 学习机制\n5. 使用神经网络拟合数据\n\n因此可作为快速入门PyTorch的教程。此书完整版目前也可免费预览，[传送门](https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fdeep-learning-with-pytorch)。\n\n## 2. 项目简介\n本项目将原书翻译成中文并且给出可运行的相关代码。\n\n本[仓库](https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese)主要包含code和docs两个文件夹（外加一些数据存放在data中）。其中code文件夹就是每章相关jupyter notebook代码；docs文件夹就是markdown格式的《Deep learning with PyTorch》（基本摘录版）书中的相关内容的中文翻译，然后利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)将网页文档部署到[GitHub Pages](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)上。欢迎对本项目做出贡献或提出issue。\n\n\n## 3. 使用方法\n\n本项目面向对PyTorch感兴趣，尤其是想快速入门PyTorch的童鞋。本项目并不要求你有任何深度学习或者机器学习的背景知识，你只需了解基础的数学和编程，如基础的线性代数、微分和概率，以及基础的Python编程。\n\n本仓库的文档包含一些latex公式，但github的markdown原生是不支持公式显示的，而docs文件夹已经利用[docsify](https:\u002F\u002Fdocsify.js.org\u002F#\u002Fzh-cn\u002F)被部署到了GitHub Pages上，所以你可以方便地访问[本项目网页版](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)。如果你想跑一下相关代码的话需要把本项目clone下来，然后运行code文件夹下相关代码。\n\n由于本项目所翻译的是基本摘录版，仅141页，所以适合快速入门PyTorch。如果你想对PyTorch以及深度学习（例如计算机视觉、自然语言处理等）有更深入的学习，可能还需要更多的资料，感兴趣的可以参考我的另一个项目[Dive-into-DL-PyTorch](http:\u002F\u002Ftangshusen.me\u002FDive-into-DL-PyTorch\u002F)。\n\n\n## 4. 目录\n* [简介]()\n* [1. 深度学习与PyTorch简介](chapter1\u002F1.0.md)\n    * [1.1 什么是PyTorch](chapter1\u002F1.1.md)\n    * [1.2 这本书讲了什么](chapter1\u002F1.2.md)\n    * [1.3 为什么使用PyTorch](chapter1\u002F1.3.md)\n    * [1.4 PyTorch包含的组件](chapter1\u002F1.4.md)\n* [2. 从张量开始](chapter2\u002F2.0.md)\n    * [2.1 张量基础](chapter2\u002F2.1.md)\n    * [2.2 张量与存储](chapter2\u002F2.2.md)\n    * [2.3 尺寸、存储偏移与步长](chapter2\u002F2.3.md)\n    * [2.4 数据类型](chapter2\u002F2.4.md)\n    * [2.5 索引张量](chapter2\u002F2.5.md)\n    * [2.6 与NumPy的互通性](chapter2\u002F2.6.md)\n    * [2.7 序列化张量](chapter2\u002F2.8.md)\n    * [2.8 将张量转移到GPU上运行](chapter2\u002F2.8.md)\n    * [2.9 张量API](chapter2\u002F2.9.md)\n* [3. 使用张量表示真实数据](chapter3\u002F3.0.md)\n    * [3.1 表格数据](chapter3\u002F3.1.md)\n    * [3.2 时间序列](chapter3\u002F3.2.md)\n    * [3.3 文本数据](chapter3\u002F3.3.md)\n    * [3.4 图像数据](chapter3\u002F3.4.md)\n    * [3.5 体积数据](chapter3\u002F3.5.md)\n* [4. 学习机制](chapter4\u002F4.0.md)\n    * [4.1 学习就是参数估计](chapter4\u002F4.1.md)\n    * [4.2 PyTorch自动求导](chapter4\u002F4.2.md)\n* [5. 使用神经网络拟合数据](chapter5\u002F5.0.md)\n    * [5.1 神经元](chapter5\u002F5.1.md)\n    * [5.2 PyTorch的nn模块](chapter5\u002F5.2.md)\n    * [5.3 nn的子类](chapter5\u002F5.3.md)\n\n\n## 5. 声明\n\n* 译者纯粹出于学习目的与个人兴趣而进行翻译，不追求任何经济利益；\n* 本项目仅限于学习研究目的的使用，译者保留对此项目的署名权，任何转载必须注明出处，但不得用于任何商业用途；\n* 使用本项目对原著的侵权行为或者违反知识产权保护法的任何行为，与译者无关；\n* 有能力阅读英文书籍者请阅读原版或购买完整版书籍。\n\n## LICENSE\nCC BY-NC（署名-非商业性使用）4.0","# Deep-Learning-with-PyTorch-Chinese 快速上手指南\n\n## 环境准备\n\n- **系统要求**：Windows \u002F macOS \u002F Linux（推荐 Linux 或 macOS）\n- **前置依赖**：\n  - Python 3.7+\n  - pip（推荐使用国内镜像源加速）\n  - Git\n\n推荐使用 `conda` 或 `pip` 安装依赖，推荐使用清华源加速：\n\n```bash\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1. 克隆项目仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese.git\ncd Deep-Learning-with-PyTorch-Chinese\n```\n\n2. 安装所需 Python 包（推荐在虚拟环境中运行）：\n\n```bash\npip install torch torchvision torchaudio jupyter numpy matplotlib\n```\n\n> 若需 GPU 支持，请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 选择对应 CUDA 版本安装。\n\n## 基本使用\n\n1. 启动 Jupyter Notebook：\n\n```bash\njupyter notebook\n```\n\n2. 在浏览器中打开 `code\u002F` 文件夹，选择任意 `.ipynb` 文件（如 `chapter2\u002F2.1.ipynb`）运行。\n\n3. 阅读中文文档：直接访问网页版 [https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese](https:\u002F\u002Ftangshusen.me\u002FDeep-Learning-with-PyTorch-Chinese)，无需安装即可阅读完整翻译内容。\n\n> 项目内容基于《Deep Learning with PyTorch》基本摘录版，适合零基础快速入门 PyTorch 张量操作与神经网络构建。","一位来自成都的高校研究生小李，正在为毕业课题搭建第一个基于PyTorch的图像分类模型，但英语阅读能力有限，官方英文教材读起来吃力，代码也无从下手。\n\n### 没有 Deep-Learning-with-PyTorch-Chinese 时\n- 面对英文原版书籍中“tensor broadcasting”“autograd graph”等术语，翻译软件常误译，导致概念混淆。\n- 官方代码示例为英文注释的Jupyter Notebook，自己重写时频繁出错，调试耗时超过一周仍无法运行。\n- 网上中文教程零散，缺乏系统性，无法与PyTorch官方结构对应，学完一章后不知如何衔接下一章。\n- 尝试在Colab中运行英文代码时，因环境配置差异（如CUDA版本）多次报错，找不到对应解决方案。\n- 没有配套的中文注释代码，无法快速验证“张量如何转移到GPU”这类基础操作是否正确。\n\n### 使用 Deep-Learning-with-PyTorch-Chinese 后\n- 所有章节的中文翻译精准流畅，术语如“步长（stride）”“存储偏移（storage offset）”都有清晰解释，阅读效率提升70%。\n- 直接下载code文件夹中的Jupyter Notebook，每章代码均已调试通过，只需替换数据路径即可运行，三天内完成第一个CNN图像分类实验。\n- 网页版文档支持公式渲染与目录跳转，学习“自动求导”时可随时回看第4章的梯度计算图，知识串联更顺畅。\n- 所有代码均适配主流PyTorch版本，GPU迁移示例（如`tensor.to('cuda')`）直接可用，环境问题大幅减少。\n- 通过GitHub仓库的issue区发现其他同学的常见错误，快速避坑，项目进度比同组同学快两周。\n\nDeep-Learning-with-PyTorch-Chinese 让零基础的中文学习者，能像使用中文说明书一样快速上手PyTorch，真正实现“读得懂、跑得通、学得会”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FShusenTang_Deep-Learning-with-PyTorch-Chinese_a72c81ab.png","ShusenTang",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FShusenTang_971fc9e5.png","Graduate student majoring in the Computer Science at School of EE & CS, Peking University.","WICT(http:\u002F\u002Fwww.wict.pku.edu.cn\u002F)","Peking University, China","tangshusen@pku.edu.cn","tangshusen.me","https:\u002F\u002Fgithub.com\u002FShusenTang",[85],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",100,1263,255,"2026-04-03T06:36:19",1,"Linux, macOS, Windows","未说明",{"notes":96,"python":94,"dependencies":97},"建议通过 GitHub Pages 在线阅读文档，运行代码需克隆仓库并安装 PyTorch；项目使用 Jupyter Notebook，建议使用 conda 或 pip 管理环境；无明确显存或 CUDA 要求，但涉及 GPU 加速示例，推荐配备 NVIDIA 显卡以获得完整体验",[98],"torch",[13],[101,102,103],"pytorch-tutorial","pytorch","deep-learning-tutorial","2026-03-27T02:49:30.150509","2026-04-06T05:27:08.809806",[107,112,117,122,127,132],{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},9271,"第5.1.2节中的图5.6缺失或错误，正确的图是什么？","该问题已由维护者确认并更新了图片，原图已修正并上传至项目中，用户可重新拉取最新内容查看。","https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese\u002Fissues\u002F9",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},9272,"项目是否还会继续翻译原书后续内容？","不会继续翻译，因为该书的中文译本已正式出版，项目已完成其使命。","https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese\u002Fissues\u002F16",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},9273,"项目是否已完成全部翻译和更新？","是的，所有章节的翻译和注释已更新完毕，用户可放心查阅最新版本。","https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese\u002Fissues\u002F10",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},9274,"第二章第七小节（2.7）为何在网页中找不到？","2.7节内容实际存在，只是网页链接地址错误，维护者已修正链接，重新访问即可正常查看。","https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese\u002Fissues\u002F8",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},9275,"第3.2节中自行车共享数据集的行数与书中不符，缺少的数据如何补齐？","UCI数据集原始数据为17389行，书中使用的数据可能经过时间聚合或特征工程处理（如按小时聚合、添加天气变量等），但未明确说明具体处理方式，建议参考原始数据自行预处理。","https:\u002F\u002Fgithub.com\u002FShusenTang\u002FDeep-Learning-with-PyTorch-Chinese\u002Fissues\u002F15",{"id":133,"question_zh":134,"answer_zh":135,"source_url":111},9276,"如何获取项目更新后的完整内容？","请克隆或拉取最新版项目代码，确保本地仓库与GitHub主分支同步，所有修正和更新均已在主分支发布。",[]]