[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Syndrome777--DeepLearningTutorial":3,"tool-Syndrome777--DeepLearningTutorial":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",160784,2,"2026-04-19T11:32:54",[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。",109154,"2026-04-18T11:18:24",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":75,"owner_website":75,"owner_url":79,"languages":75,"stars":80,"forks":81,"last_commit_at":82,"license":75,"difficulty_score":83,"env_os":84,"env_gpu":85,"env_ram":84,"env_deps":86,"category_tags":91,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":93,"updated_at":94,"faqs":95,"releases":96},8437,"Syndrome777\u002FDeepLearningTutorial","DeepLearningTutorial","Deep learning tutorial in Chinese\u002F深度学习教程中文版","DeepLearningTutorial 是一套专为中文读者打造的深度学习入门教程，源自蒙特利尔大学 LISA 实验室经典的 DeepLearning 0.1 文档。它旨在解决国内学习者面对英文原版资料时的语言障碍，帮助大家更顺畅地掌握深度学习核心算法与模型原理。\n\n本教程通过 Python 语言结合著名的 Theano 计算库，手把手演示了从基础的逻辑回归、多层感知机，到进阶的卷积神经网络（LeNet）、降噪自动编码器、受限波尔兹曼机（RBM）等关键技术的实现过程。其独特的技术亮点在于所有代码均基于 Theano 构建，支持灵活调用 CPU 或 GPU 进行加速运算，让学习者不仅能理解理论，还能亲手运行和优化代码。\n\n这套资源非常适合有一定编程基础的开发者、高校学生及人工智能研究人员使用。无论你是想系统构建知识体系，还是希望深入探究经典模型的底层实现，DeepLearningTutorial 都能提供清晰的路径指引。作为由浙江大学译者精心汉化并整理开源的成果，它保留了原版的严谨性，同时降低了学习门槛，是通往深度学习世界的一座坚实桥梁。","Deep Learning Tutorial in Chinese\n=================================\n深度学习教程中文版\n=================================\n\nThis is a `Chinese tutorial` which is translated from [DeepLearning 0.1 documentation](http:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002Fcontents.html#). And in this tutorial, all algorithms and models are coded by Python and [Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano\u002Findex.html). Theano is a famous third-party library, and allows coder to use GPU or CPU to run his Python code.\n\n\n\n这是一个翻译自[深度学习0.1文档](http:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002Fcontents.html)的`中文教程`。在这个教程里面所有的算法和模型都是通过Pyhton和[Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano\u002Findex.html)实现的。Theano是一个著名的第三方库，允许程序员使用GPU或者CPU去运行他的Python代码。\n\n\n## 内容\u002FContents\n\n* [入门（Getting Started）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F1_Getting_Started_入门.md)\n* [使用逻辑回归进行MNIST分类(Classifying MNIST digits using Logistic Regression)](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F2_Classifying_MNIST_using_LR_逻辑回归进行MNIST分类.md)\n* [多层感知机（Multilayer Perceptron）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F3_Multilayer_Perceptron_多层感知机.md)\n* [卷积神经网络（Convolutional Neural Networks(LeNet)）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F4_Convoltional_Neural_Networks_LeNet_卷积神经网络.md)\n* [降噪自动编码机器（Denoising Autoencoders(dA)）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F5_Denoising_Autoencoders_降噪自动编码.md)\n* [层叠自动编码机(Stcaked Denoising Autoencoders(SdA))](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F6_Stacked_Denoising_Autoencoders_层叠降噪自动编码机.md)\n* [受限波尔兹曼机（Restricted Boltzmann Machines(RBM)）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F7_Restricted_Boltzmann_Machine_受限波尔兹曼机.md)\n* Deep Belif Networks\n* Hybrid Monte-Carlo Sampling\n* Recurrent Neural Networks with Word Embeddings\n* Modeling and generating sequences of polyphonic music the RNN-RBM\n* Miscellaneous\n\n\n## 版权\u002FCopyright\n#### 作者\u002FAuthor\n[Theano Development Team](http:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002FLICENSE.html), LISA lab, University of Montreal\n#### 翻译者\u002FTranslator\n[Lifeng Hua](https:\u002F\u002Fgithub.com\u002FSyndrome777), Zhejiang University\n\n\n\n\n\n\n\n\n\n","深度学习教程中文版\n=================================\n深度学习教程中文版\n=================================\n\n这是一个翻译自[深度学习0.1文档](http:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002Fcontents.html)的`中文教程`。在这个教程里面所有的算法和模型都是通过Pyhton和[Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano\u002Findex.html)实现的。Theano是一个著名的第三方库，允许程序员使用GPU或者CPU去运行他的Python代码。\n\n\n## 内容\u002FContents\n\n* [入门（Getting Started）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F1_Getting_Started_入门.md)\n* [使用逻辑回归进行MNIST分类(Classifying MNIST digits using Logistic Regression)](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F2_Classifying_MNIST_using_LR_逻辑回归进行MNIST分类.md)\n* [多层感知机（Multilayer Perceptron）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F3_Multilayer_Perceptron_多层感知机.md)\n* [卷积神经网络（Convolutional Neural Networks(LeNet)）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F4_Convoltional_Neural_Networks_LeNet_卷积神经网络.md)\n* [降噪自动编码机器（Denoising Autoencoders(dA)）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F5_Denoising_Autoencoders_降噪自动编码.md)\n* [层叠自动编码机(Stcaked Denoising Autoencoders(SdA))](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F6_Stacked_Denoising_Autoencoders_层叠降噪自动编码机.md)\n* [受限波尔兹曼机（Restricted Boltzmann Machines(RBM)）](https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial\u002Fblob\u002Fmaster\u002F7_Restricted_Boltzmann_Machine_受限波尔兹曼机.md)\n* 深度信念网络\n* 混合蒙特卡洛采样\n* 带词嵌入的循环神经网络\n* 使用RNN-RBM建模并生成复调音乐序列\n* 其他\n\n\n## 版权\u002FCopyright\n#### 作者\u002FAuthor\n[Theano开发团队](http:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002FLICENSE.html), 蒙特利尔大学LISA实验室\n#### 翻译者\u002FTranslator\n[Lifeng Hua](https:\u002F\u002Fgithub.com\u002FSyndrome777), 浙江大学","# DeepLearningTutorial 快速上手指南\n\n本教程是 [DeepLearning 0.1 文档](http:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002F) 的中文翻译版，旨在通过 Python 和 Theano 框架帮助开发者理解深度学习核心算法。\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**：Linux (推荐), macOS, 或 Windows (需配置 WSL 或 Cygwin)\n*   **Python 版本**：Python 2.7 或 Python 3.4+ (注意：Theano 已停止维护，建议在虚拟环境中运行)\n*   **核心依赖**：\n    *   `Theano`：用于数值计算和 GPU 加速的核心库\n    *   `NumPy`：科学计算基础库\n    *   `SciPy`：科学计算库\n    *   `PIL` \u002F `Pillow`：图像处理库（部分示例需要）\n*   **硬件加速（可选）**：若需使用 GPU 加速，需安装对应的 CUDA 工具包及 `cuDNN`。\n\n> **国内加速建议**：\n> 安装 Python 依赖时，推荐使用清华或阿里镜像源以提升下载速度。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n首先从 GitHub 获取教程源码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FSyndrome777\u002FDeepLearningTutorial.git\ncd DeepLearningTutorial\n```\n\n### 2. 安装依赖库\n建议使用 `pip` 配合国内镜像源安装所需库。\n\n**使用清华镜像源安装：**\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple theano numpy scipy pillow\n```\n\n**验证 Theano 安装：**\n在 Python 交互环境中运行以下命令，确认无报错且能识别后端（CPU\u002FGPU）：\n```python\nimport theano\ntheano.test()\n```\n\n## 基本使用\n\n本教程按难度递进，每个章节对应一个独立的 Markdown 文件和代码示例。以下以**逻辑回归分类 MNIST 数据集**为例，演示如何运行第一个实战模型。\n\n### 1. 查看教程文档\n进入项目目录后，可阅读对应的中文文档了解原理：\n*   文档路径：`2_Classifying_MNIST_using_LR_逻辑回归进行 MNIST 分类.md`\n\n### 2. 运行示例代码\n通常每个章节目录下包含对应的 `.py` 脚本。假设当前目录下存在 `logistic_sgd.py`（具体文件名请以实际章节文件夹为准），直接运行即可：\n\n```bash\npython logistic_sgd.py\n```\n\n**预期输出：**\n程序将自动下载 MNIST 数据集（首次运行可能需要几分钟），开始训练逻辑回归模型，并在终端输出训练轮次（epoch）、耗时及测试集准确率。\n\n```text\n...\nOptimization complete.\nBest validation score of 0.086000 obtained at iteration 1050\nTest score of 0.079000\n```\n\n### 3. 进阶学习\n完成基础示例后，可按顺序挑战更复杂的模型：\n*   **多层感知机**：运行 `3_Multilayer_Perceptron` 相关脚本\n*   **卷积神经网络 (LeNet)**：运行 `4_Convoltional_Neural_Networks` 相关脚本\n*   **自动编码器与 RBM**：参考后续章节脚本\n\n> **提示**：所有算法均基于 Theano 构建，支持通过修改配置文件或环境变量切换 CPU\u002FGPU 运行模式。","某高校人工智能实验室的研究生李明，正试图复现经典论文中的卷积神经网络模型以完成毕业论文，但他面对全英文的 Theano 文档和复杂的数学推导感到无从下手。\n\n### 没有 DeepLearningTutorial 时\n- **语言壁垒高**：官方文档全是英文，专业术语晦涩难懂，花费大量时间查词典仍难以理解核心逻辑。\n- **代码复现难**：缺乏完整的中文代码示例，只能对着伪代码盲目摸索，环境配置和矩阵运算细节极易出错。\n- **理论脱节实践**：深知反向传播等数学公式，却不知道如何用 Python 和 Theano 将其转化为可运行的 GPU 加速代码。\n- **学习曲线陡峭**：在逻辑回归、多层感知机到卷积网络的进阶过程中缺乏系统性引导，多次因调试失败而放弃。\n\n### 使用 DeepLearningTutorial 后\n- **无障碍阅读**：直接阅读由浙江大学译者整理的中文教程，快速掌握从入门到受限波尔兹曼机的核心概念。\n- **开箱即用代码**：直接参考基于 Python 和 Theano 实现的完整源码（如 LeNet 分类 MNIST），大幅缩短环境搭建与调试时间。\n- **理论与实践打通**：通过对照中文注释的代码，清晰看到数学公式如何映射为具体的张量操作，真正理解模型内部机制。\n- **系统化进阶**：跟随教程目录循序渐进，从基础的逻辑回归平滑过渡到复杂的循环神经网络，高效完成实验验证。\n\nDeepLearningTutorial 通过提供高质量的中文翻译与可执行代码，彻底打破了深度学习初学者面临的语言与技术双重门槛，让算法复现变得高效且可控。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSyndrome777_DeepLearningTutorial_887efcc6.png","Syndrome777","Issac","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSyndrome777_7ceeba72.jpg",null,"Microsoft Research \u002F Intern","China","issac.sacrifice@gmail.com","https:\u002F\u002Fgithub.com\u002FSyndrome777",616,267,"2026-03-27T13:43:05",4,"","非必需，支持 CPU 或 GPU（通过 Theano 后端自动适配，未指定具体型号、显存或 CUDA 版本）",{"notes":87,"python":88,"dependencies":89},"本工具为深度学习教程代码库，核心依赖为 Theano 库。Theano 允许用户使用 CPU 或 GPU 运行代码，但 README 中未提供具体的操作系统、Python 版本、内存大小或显卡驱动版本的明确要求。","未说明（文中仅提及使用 Python 编写）",[90],"Theano",[14,92],"其他","2026-03-27T02:49:30.150509","2026-04-19T23:03:08.162992",[],[]]