[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-SingleZombie--DL-Demos":3,"tool-SingleZombie--DL-Demos":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":79,"difficulty_score":32,"env_os":98,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":104,"github_topics":79,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":108},5664,"SingleZombie\u002FDL-Demos","DL-Demos","Demos for deep learning","DL-Demos 是一个专注于深度学习算法实现的开源代码库，旨在通过简洁明了的示例代码，帮助用户直观理解复杂的神经网络原理。它有效解决了初学者在面对抽象理论时难以落地实践、以及开发者在复现经典模型时缺乏参考基准的痛点。\n\n该项目内容覆盖广泛，不仅完整重现了吴恩达深度学习专项课程中的核心算法（如逻辑回归、CNN、ResNet 及 Transformer 等），还深入探讨了前沿的生成式模型领域，提供了包括 VAE、DDPM、PixelCNN 和 VQVAE 在内的多种 PyTorch 实现。此外，它还涵盖了风格迁移、分布式训练（DDP）等实用技术演示。其独特的亮点在于将理论与代码紧密对应，从基础的参数初始化到先进的优化器策略，均提供了可运行的 Demo，便于用户逐行研读与调试。\n\nDL-Demos 非常适合深度学习入门学生、希望巩固基础的算法工程师以及需要快速验证想法的研究人员使用。对于想要从零构建知识体系或寻找高质量代码参考的开发者而言，这是一个极佳的学习资源库。只需简单的安装步骤，用户即可在本地运行这些示例，快速掌握从传统卷积网络到最新扩散模型的核心技术细节。","# Installation\n\n1. Clone the git repo:\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FSingleZombie\u002FDL-Demos.git\n```\n\n2. Run the installation command:\n\n```shell\npython setup.py develop\npip install -r requirements.txt\n```\n\nIt is recommended to create a directory named `work_dirs` and put temporary results into it.\n\n# Description\n\nDemos for deep learning.\n\n# Project\n\n## Andrew Ng Deep Learning Specialization\n\n01. Logistic Regression\n02. Shallow Nerual Network\n03. Deep Nerual Network (MLP)\n04. Parameter Initialization\n05. Regularization\n06. Advanced Optimizer (mini-batch, momentum, Adam)\n07. Multiclass Classification with TensorFlow and PyTorch\n08. NumPy Convolution 2D\n09. Basic CNN\n10. ResNet\n11. NMS\n12. ~~My YOLO model~~\n13. Letter level language model with PyTorch\n14. Sentiment analysis using Glove with PyTorch\n15. Date translation attention model with PyTorch\n16. Transformer cn-en translation with PyTorch\n\n## Generative Model\n\n1. VAE with PyTorch\n2. DDPM with PyTorch\n3. PixelCNN with PyTorch\n4. VQVAE with PyTorch\n5. DDIM with PyTorch\n\n## Others\n\n1. Style Transfer with PyTorch\n2. PyTorch DDP Demo\n3. Fourier Feature\n","# 安装\n\n1. 克隆 Git 仓库：\n\n```shell\ngit clone https:\u002F\u002Fgithub.com\u002FSingleZombie\u002FDL-Demos.git\n```\n\n2. 运行安装命令：\n\n```shell\npython setup.py develop\npip install -r requirements.txt\n```\n\n建议创建一个名为 `work_dirs` 的目录，并将临时结果存放其中。\n\n# 描述\n\n深度学习示例。\n\n# 项目\n\n## 吴恩达深度学习专项课程\n\n01. 逻辑回归  \n02. 浅层神经网络  \n03. 深度神经网络（MLP）  \n04. 参数初始化  \n05. 正则化  \n06. 高级优化器（小批量、动量、Adam）  \n07. 使用 TensorFlow 和 PyTorch 的多分类问题  \n08. NumPy 二维卷积  \n09. 基础 CNN  \n10. ResNet  \n11. NMS  \n12. ~~我的 YOLO 模型~~  \n13. 使用 PyTorch 的字母级语言模型  \n14. 使用 PyTorch 和 Glove 进行情感分析  \n15. 使用 PyTorch 的日期翻译注意力模型  \n16. 使用 PyTorch 的 Transformer 英中翻译\n\n## 生成模型\n\n1. 使用 PyTorch 的 VAE  \n2. 使用 PyTorch 的 DDPM  \n3. 使用 PyTorch 的 PixelCNN  \n4. 使用 PyTorch 的 VQVAE  \n5. 使用 PyTorch 的 DDIM\n\n## 其他\n\n1. 使用 PyTorch 的风格迁移  \n2. PyTorch DDP 示例  \n3. 傅里叶特征","# DL-Demos 快速上手指南\n\nDL-Demos 是一个涵盖深度学习基础、生成模型及前沿技术的开源演示项目，基于 PyTorch 和 TensorFlow 实现，适合学习者快速复现经典算法。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：建议 Python 3.8 及以上\n- **前置依赖**：\n  - Git\n  - pip\n  - PyTorch \u002F TensorFlow（安装脚本会自动处理部分依赖）\n\n> 💡 **国内加速建议**：推荐使用清华或阿里镜像源加速 pip 安装。\n> ```shell\n> pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```shell\n   git clone https:\u002F\u002Fgithub.com\u002FSingleZombie\u002FDL-Demos.git\n   cd DL-Demos\n   ```\n\n2. **安装依赖包**\n   建议使用虚拟环境（如 conda 或 venv），然后执行：\n   ```shell\n   python setup.py develop\n   pip install -r requirements.txt\n   ```\n   *若需国内加速，请参照上方“环境准备”中的镜像源命令替换第二行。*\n\n3. **创建工作目录**\n   项目建议创建一个名为 `work_dirs` 的文件夹用于存放临时结果：\n   ```shell\n   mkdir work_dirs\n   ```\n\n## 基本使用\n\n本项目按模块分类，每个子目录对应一个具体的深度学习演示（如逻辑回归、ResNet、DDPM 等）。\n\n**最简单的运行示例**：\n以运行“浅层神经网络 (Shallow Neural Network)\"为例，进入对应项目目录并执行主脚本（具体脚本文件名请参考各子目录下的代码结构，通常为 `main.py` 或 `train.py`）：\n\n```shell\n# 假设进入 Andrew Ng 系列第 02 项演示目录\ncd projects\u002F02_Shallow_Neural_Network\n\n# 运行训练脚本（具体命令视子项目而定，以下为通用示例）\npython main.py\n```\n\n运行后，生成的模型权重和日志文件将默认保存至根目录下的 `work_dirs` 文件夹中。您可以浏览 `Project` 列表选择感兴趣的主题（如 `Generative Model` 中的 DDPM 或 `Others` 中的风格迁移）进行探索。","某高校人工智能实验室的研究生李明正在复现吴恩达深度学习专项课程中的卷积神经网络（CNN）与残差网络（ResNet）作业，同时需要探索最新的扩散模型（DDPM）用于图像生成研究。\n\n### 没有 DL-Demos 时\n- **环境配置耗时**：需要手动为每个独立作业创建虚拟环境并逐一排查 PyTorch、TensorFlow 及各类依赖库的版本冲突，往往花费数天在配环境而非写代码上。\n- **基础实现重复造轮子**：从零手写二维卷积、NMS（非极大值抑制）或注意力机制等底层算法时，极易因矩阵维度错误导致调试困难，难以验证数学推导的正确性。\n- **前沿模型门槛高**：想要对比 VAE、DDPM 等传统生成模型与最新扩散模型的差异时，缺乏统一的标准参考代码，难以快速搭建基线进行实验。\n- **多框架切换混乱**：课程作业混合了 NumPy、TensorFlow 和 PyTorch 多种实现，缺乏统一的项目结构管理，导致代码风格割裂，数据预处理逻辑无法复用。\n\n### 使用 DL-Demos 后\n- **一键部署环境**：通过 `pip install -r requirements.txt` 和 setup 命令即可一次性配齐所有演示所需依赖，将原本数天的环境搭建时间缩短至几分钟。\n- **核心算法即取即用**：直接调用项目中已封装好的 NumPy 二维卷积、ResNet 架构及 NMS 模块作为“标准答案”核对自身实现，快速定位维度计算错误，专注于理解算法原理。\n- **生成模型全家桶**：利用内置的 VAE、DDPM、VQVAE 等 PyTorch 完整实现，无需阅读冗长论文复现细节，即可立即运行并调整超参数，快速开展对比实验。\n- **统一代码范式**：所有示例均遵循规范的项目目录结构（如推荐使用的 `work_dirs`），无论是处理多分类任务还是机器翻译，都能保持清晰的代码逻辑和数据流管理。\n\nDL-Demos 将繁琐的工程搭建与底层验证工作标准化，让研究者能从“配置工”转变为真正的“算法探索者”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSingleZombie_DL-Demos_68500acc.png","SingleZombie","Yifan Zhou","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSingleZombie_bc812ab0.png","PhD Student @ NTU. Blog: zhouyifan.net","S-Lab, NTU","Singapore","singlezombie@163.com",null,"zhouyifan.net","https:\u002F\u002Fgithub.com\u002FSingleZombie",[83,87,91],{"name":84,"color":85,"percentage":86},"Python","#3572A5",96,{"name":88,"color":89,"percentage":90},"Jupyter Notebook","#DA5B0B",3.9,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0,746,151,"2026-04-02T11:08:52","未说明",{"notes":100,"python":98,"dependencies":101},"项目包含 Andrew Ng 深度学习专项课程及多种生成模型（如 VAE, DDPM, Transformer）的演示代码。安装需运行 'python setup.py develop' 和 'pip install -r requirements.txt'。建议创建名为 'work_dirs' 的目录用于存放临时结果。具体依赖版本需查看 requirements.txt 文件，README 中未列出详细版本号。",[102,103],"torch","tensorflow",[35,15,14],"2026-03-27T02:49:30.150509","2026-04-09T05:23:55.309906",[],[]]