[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Tessellate-Imaging--monk_v1":3,"tool-Tessellate-Imaging--monk_v1":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":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":10,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":111,"github_topics":112,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":119,"updated_at":120,"faqs":121,"releases":151},2638,"Tessellate-Imaging\u002Fmonk_v1","monk_v1","Monk is a low code Deep Learning tool and a unified wrapper for Computer Vision.","Monk 是一款专为计算机视觉打造的低代码深度学习工具，旨在让图像识别应用的开发变得简单高效。它作为一个统一的封装器，巧妙地将 PyTorch、Keras、MXNet、TensorFlow 等主流深度学习框架整合在一起。\n\n过去，开发者往往需要面对不同框架繁杂的语法差异，且在竞赛或研究中难以管理大量的实验尝试与超参数调整。Monk 完美解决了这些痛点：用户只需掌握一套简洁的语法，即可自由调用底层任何引擎进行模型训练、推理和部署。此外，Monk 内置了强大的项目管理功能和超参数分析器，帮助用户轻松追踪多次原型实验，快速找到最优模型配置，从而大幅降低技术门槛。\n\n无论是刚刚入门计算机视觉的学生，还是追求效率的研究人员与企业开发者，都能从 Monk 中受益。学生可以通过其提供的实战学习路线图快速上手；专业人士则能利用其“写更少代码，建更多应用”的特性，迅速在医疗影像、自动驾驶、农业监测及零售分析等领域落地真实项目。Monk 让复杂的深度学习流程变得像搭积木一样直观，是连接算法研究与行业应用的理想桥梁。","## [Monk - A computer vision toolkit for everyone](https:\u002F\u002Fmonkai.org\u002F) [![Tweet](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl\u002Fhttps\u002Fgithub.com\u002Ftterb\u002Fhyde.svg?style=social)](http:\u002F\u002Ftwitter.com\u002Fshare?text=Check%20out%20Monk:%20An%20Open%20Source%20Unified%20Wrapper%20for%20Computer%20Vision&url=https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1&hashtags=MonkAI,OpenSource,UnifiedWrapper,DeepLEarning,ComputerVision,TessellateImaging) [![](http:\u002F\u002Fhits.dwyl.io\u002FTessellate-Imaging\u002Fmonk_v1.svg)](http:\u002F\u002Fhits.dwyl.io\u002FTessellate-Imaging\u002Fmonk_v1)  ![](https:\u002F\u002Ftokei.rs\u002Fb1\u002Fgithub\u002FTessellate-Imaging\u002Fmonk_v1) ![](https:\u002F\u002Ftokei.rs\u002Fb1\u002Fgithub\u002FTessellate-Imaging\u002Fmonk_v1?category=files) \n[![Version](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fversion-v0.0.1-darkgreen)](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1) [![Build_Status](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fbuild-passing-darkgreen)](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1)\n \n\u003Cbr \u002F>\n\n\n### Why use Monk\n - Issue: Want to begin learning computer vision\n   - \u003Cb> Solution: Start with Monk's hands-on study roadmap tutorials\u003C\u002Fb>\n   \n - Issue: Multiple libraries hence multiple syntaxes to learn\n   - \u003Cb> Solution: Monk's one syntax to rule them all - pytorch, keras, mxnet, etc \u003C\u002Fb>\n \n - Issue: Tough to keep track of all the trial projects while participating in a deep learning competition\n   - \u003Cb> Solution: Use monk's project management and work on multiple prototyping experiments\u003C\u002Fb>\n \n - Issue: Tough to set hyper-parameters while training a classifier\n   - \u003Cb> Solution: Try out hyper-parameter analyser to find the right fit \u003C\u002Fb>\n \n - Issue: Looking for a library to build quick solutions for your customer\n   - \u003Cb> Solution: Train, Infer and deploy with monk's low-code syntax \u003C\u002Fb>\n   \n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n## Create real-world Image Classification applications \n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd>Medical Domain\u003C\u002Ftd>\n    \u003Ctd>Fashion Domain\u003C\u002Ftd>\n    \u003Ctd>Autonomous Vehicles Domain\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_99cac991d97b.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_fc7fd068eb71.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_fe51152b54e3.gif\" width=320 height=240>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Agriculture Domain\u003C\u002Ftd>\n    \u003Ctd>Wildlife Domain\u003C\u002Ftd>\n    \u003Ctd>Retail Domain\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_ecac4195a5b2.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_104afe5ff121.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_af68867070b3.gif\" width=320 height=240>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>Satellite Domain\u003C\u002Ftd>\n    \u003Ctd>Healthcare Domain\u003C\u002Ftd>\n    \u003Ctd>Activity Analysis Domain\u003C\u002Ftd>\n  \u003C\u002Ftr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_12d453650f58.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_bc2a45c85753.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_15772ed5a463.gif\" width=320 height=240>\u003C\u002Ftd>\n \u003C\u002Ftable>\n\n### ...... For more check out the [Application Model Zoo](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F4_image_classification_zoo)!!!! \n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n \n## How does Monk make image classification easy\n - Write **less code** and create end to end applications.\n - Learn only **one syntax** and create applications using any deep learning library - pytorch, mxnet, keras, tensorflow, etc\n - Manage your entire project easily with multiple experiments\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n## For whom this library is built\n  - **Students**\n    - Seamlessly learn computer vision using our comprehensive study roadmaps\n  - **Researchers and Developers**\n    - Create and Manage multiple deep learning projects \n  - **Competiton participants** (Kaggle, Codalab, Hackerearth, AiCrowd, etc)\n    - Expedite the prototyping process and jumpstart with a higher rank\n    \n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n# Table of Contents\n  - [Sample Showcase](#1)\n  - [Installation](#2)\n  - [Study Roadmaps, Examples, and Tutorials](#3)\n  - [Documentation](#4)\n  - [TODO](#5)\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"1\">\u003C\u002Fa>\n## Sample Showcase - Quick Mode\n\n#### Create an image classifier.\n```python\n#Create an experiment\nptf.Prototype(\"sample-project-1\", \"sample-experiment-1\")\n\n#Load Data\nptf.Default(dataset_path=\"sample_dataset\u002F\", \n             model_name=\"resnet18\", \n             num_epochs=2)\n# Train\nptf.Train()\n```\n\n#### Inference\n\n```python\npredictions = ptf.Infer(img_name=\"sample.png\", return_raw=True);\n```\n\n\n#### Compare Experiments\n\n```python\n#Create comparison project\nctf.Comparison(\"Sample-Comparison-1\");\n\n#Add all your experiments\nctf.Add_Experiment(\"sample-project-1\", \"sample-experiment-1\");\nctf.Add_Experiment(\"sample-project-1\", \"sample-experiment-2\");\n   \n# Generate statistics\nctf.Generate_Statistics();\n```\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"2\">\u003C\u002Fa>\n## Installation\n  - **CUDA 9.0**          : `pip install -U monk-cuda90`\n  - **CUDA 9.0**          : `pip install -U monk-cuda92`\n  - **CUDA 10.0**        : `pip install -U monk-cuda100`\n  - **CUDA 10.1**        : `pip install -U monk-cuda101`\n  - **CUDA 10.2**        : `pip install -U monk-cuda102`\n  - **CPU** (+Mac-OS) : `pip install -U monk-cpu`\n  - **Google Colab**   : `pip install -U monk-colab`\n  - **Kaggle**              : `pip install -U monk-kaggle`\n  \nFor More Installation instructions visit: [Link](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Finstallation)\n\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"3\">\u003C\u002Fa>\n## Study Roadmaps\n\n\n  - [Getting started with Monk](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F1_getting_started_roadmap)\n    - Essential notebooks to use all the monk's features\n  - [Image Processing and Deep Learning](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F3_image_processing_deep_learning_roadmap)\n    - Learn both the basic and advanced concepts of image processing and deep learning\n  - [Transfer Learning](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F2_transfer_learning_roadmap)\n    - Understand transfer learning in the AI field\n  - [Image classification zoo](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F4_image_classification_zoo)\n    - A list of 50+ real world image classification examples \n\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"4\">\u003C\u002Fa>\n## Documentation\n\n- [List of available models, layers, blocks, optimizers](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fmonk)\n\n- [Functional Documentation](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002F) (Will be merged with Latest docs soon)\n    - Main Prototype Functions\n        - [Mxnet Backend](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fgluon_prototype.html)\n        - [Pytorch Backend](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fpytorch_prototype.html)\n        - [Keras Backend](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fkeras_prototype.html)\n        - [Comparison](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fcompare_prototype.html)\n    - [System Functions](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fsystem\u002Findex.html)\n    - [Mxnet Backend base Functions](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fgluon\u002Findex.html)\n    - [Pytorch Backend base Functions](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fpytorch\u002Findex.html)\n    - [Keras Backend base Funtions](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Ftf_keras_1\u002Findex.html)\n\n- Features and Functions (In development):\n    - [Introduction](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fintroduction)\n    - [Setup](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fsetup\u002Fsetup)\n    - [Quick Mode](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fquick_mode\u002Fquickmode_pytorch)\n    - [Update Mode](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fupdate_mode\u002Fupdate_dataset)\n    - [Expert Mode](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fexpert_mode)\n    - [Hyper Parameter Analyser](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fhp_finder\u002Fmodel_finder)\n    - [Compare Experiments](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fcompare_experiment)\n    - [Resume Training](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fresume_training)\n\n- [Complete Latest Docs](https:\u002F\u002Fli8bot.github.io\u002Fmonkai\u002F#\u002Fhome) (In Progress)\n\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\u003Ca id=\"5\">\u003C\u002Fa>\n## TODO-2020\n\n### Features\n- [x] Model Visualization\n- [ ] Pre-processed data visualization\n- [x] Learned feature visualization\n- [ ] NDimensional data input - npy - hdf5 - dicom - tiff\n- [x] Multi-label Image Classification\n- [x] Custom model development\n\n\n\n### General\n- [x] Functional Documentation\n- [x] Tackle Multiple versions of libraries\n- [x] Add unit-testing\n- [ ] Contribution guidelines\n- [x] Python pip packaging support\n\n\n### Backend Support\n- [x] Tensorflow 2.0 provision support with v1\n- [ ] Tensorflow 2.0 complete\n- [ ] Chainer\n\n\n### External Libraries\n- [ ] TensorRT Acceleration\n- [ ] Intel Acceleration\n- [ ] Echo AI - for Activation functions\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n### Connect with the project [contributors](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Fblob\u002Fmaster\u002FContributors.md)\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n## Copyright\n\nCopyright 2019 onwards, Tessellate Imaging Private Limited Licensed under the Apache License, Version 2.0 (the \"License\"); you may not use this project's files except in compliance with the License. A copy of the License is provided in the LICENSE file in this repository.\n","## [Monk - 适合所有人的计算机视觉工具包](https:\u002F\u002Fmonkai.org\u002F) [![Tweet](https:\u002F\u002Fimg.shields.io\u002Ftwitter\u002Furl\u002Fhttps\u002Fgithub.com\u002Ftterb\u002Fhyde.svg?style=social)](http:\u002F\u002Ftwitter.com\u002Fshare?text=Check%20out%20Monk:%20An%20Open%20Source%20Unified%20Wrapper%20for%20Computer%20Vision&url=https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1&hashtags=MonkAI,OpenSource,UnifiedWrapper,DeepLEarning,ComputerVision,TessellateImaging) [![](http:\u002F\u002Fhits.dwyl.io\u002FTessellate-Imaging\u002Fmonk_v1.svg)](http:\u002F\u002Fhits.dwyl.io\u002FTessellate-Imaging\u002Fmonk_v1)  ![](https:\u002F\u002Ftokei.rs\u002Fb1\u002Fgithub\u002FTessellate-Imaging\u002Fmonk_v1) ![](https:\u002F\u002Ftokei.rs\u002Fb1\u002Fgithub\u002FTessellate-Imaging\u002Fmonk_v1?category=files) \n[![Version](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fversion-v0.0.1-darkgreen)](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1) [![Build_Status](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fbuild-passing-darkgreen)](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1)\n \n\u003Cbr \u002F>\n\n\n### 为什么使用 Monk\n - 问题：想开始学习计算机视觉\n   - \u003Cb> 解决方案：从 Monk 的实践型学习路线图教程入手\u003C\u002Fb>\n   \n - 问题：有多种库，因此需要学习多种语法\n   - \u003Cb> 解决方案：Monk 提供一套统一的语法，适用于 PyTorch、Keras、MXNet 等多种框架\u003C\u002Fb>\n \n - 问题：参加深度学习竞赛时，难以跟踪所有的实验项目\n   - \u003Cb> 解决方案：使用 Monk 的项目管理功能，同时进行多个原型实验\u003C\u002Fb>\n \n - 问题：训练分类器时，很难确定超参数\n   - \u003Cb> 解决方案：尝试使用超参数分析工具来找到合适的配置\u003C\u002Fb>\n \n - 问题：正在寻找一个可以为客户快速构建解决方案的库\n   - \u003Cb> 解决方案：使用 Monk 的低代码语法进行训练、推理和部署\u003C\u002Fb>\n   \n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n## 构建真实的图像分类应用 \n\u003Ctable>\n  \u003Ctr>\n    \u003Ctd>医疗领域\u003C\u002Ftd>\n    \u003Ctd>时尚领域\u003C\u002Ftd>\n    \u003Ctd>自动驾驶领域\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_99cac991d97b.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_fc7fd068eb71.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_fe51152b54e3.gif\" width=320 height=240>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>农业领域\u003C\u002Ftd>\n    \u003Ctd>野生动物领域\u003C\u002Ftd>\n    \u003Ctd>零售领域\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_ecac4195a5b2.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_104afe5ff121.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_af68867070b3.gif\" width=320 height=240>\u003C\u002Ftd>\n  \u003C\u002Ftr>\n  \u003Ctr>\n    \u003Ctd>卫星领域\u003C\u002Ftd>\n    \u003Ctd> healthcare 领域\u003C\u002Ftd>\n    \u003Ctd>活动分析领域\u003C\u002Ftd>\n  \u003C\u002Ftr>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_12d453650f58.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_bc2a45c85753.gif\" width=320 height=240>\u003C\u002Ftd>\n    \u003Ctd>\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_readme_15772ed5a463.gif\" width=320 height=240>\u003C\u002Ftd>\n \u003C\u002Ftable>\n\n### ...... 更多内容请查看 [应用模型动物园](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F4_image_classification_zoo)!!!! \n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n \n## Monk 如何让图像分类变得简单\n - 编写**更少的代码**即可创建端到端的应用程序。\n - 只需学习**一种语法**，就能使用任何深度学习框架（PyTorch、MXNet、Keras、TensorFlow 等）创建应用程序。\n - 轻松管理整个项目，并支持多组实验。\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n## 该库适用于哪些人群\n  - **学生**\n    - 通过我们全面的学习路线图无缝学习计算机视觉\n  - **研究人员和开发者**\n    - 创建并管理多个深度学习项目\n  - **竞赛参与者**（Kaggle、Codalab、Hackerearth、AiCrowd 等）\n    - 加速原型设计过程，从而获得更高的排名\n    \n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n# 目录\n  - [示例展示](#1)\n  - [安装](#2)\n  - [学习路线图、示例和教程](#3)\n  - [文档](#4)\n  - [待办事项](#5)\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"1\">\u003C\u002Fa>\n## 示例展示 - 快速模式\n\n#### 创建一个图像分类器。\n```python\n#创建一个实验\nptf.Prototype(\"sample-project-1\", \"sample-experiment-1\")\n\n#加载数据\nptf.Default(dataset_path=\"sample_dataset\u002F\", \n             model_name=\"resnet18\", \n             num_epochs=2)\n# 训练\nptf.Train()\n```\n\n#### 推理\n\n```python\npredictions = ptf.Infer(img_name=\"sample.png\", return_raw=True);\n```\n\n\n#### 比较实验\n\n```python\n#创建比较项目\nctf.Comparison(\"Sample-Comparison-1\");\n\n#添加所有实验\nctf.Add_Experiment(\"sample-project-1\", \"sample-experiment-1\");\nctf.Add_Experiment(\"sample-project-1\", \"sample-experiment-2\");\n   \n#生成统计信息\nctf.Generate_Statistics();\n```\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"2\">\u003C\u002Fa>\n## 安装\n  - **CUDA 9.0**          : `pip install -U monk-cuda90`\n  - **CUDA 9.0**          : `pip install -U monk-cuda92`\n  - **CUDA 10.0**        : `pip install -U monk-cuda100`\n  - **CUDA 10.1**        : `pip install -U monk-cuda101`\n  - **CUDA 10.2**        : `pip install -U monk-cuda102`\n  - **CPU** (+Mac-OS) : `pip install -U monk-cpu`\n  - **Google Colab**   : `pip install -U monk-colab`\n  - **Kaggle**              : `pip install -U monk-kaggle`\n  \n更多安装说明请访问：[链接](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Finstallation)\n\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"3\">\u003C\u002Fa>\n## 学习路线图\n\n\n  - [入门 Monk](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F1_getting_started_roadmap)\n    - 包含使用 Monk 所有功能的必备笔记本\n  - [图像处理与深度学习](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F3_image_processing_deep_learning_roadmap)\n    - 学习图像处理和深度学习的基础及进阶概念\n  - [迁移学习](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F2_transfer_learning_roadmap)\n    - 理解人工智能领域的迁移学习\n  - [图像分类动物园](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fstudy_roadmaps\u002F4_image_classification_zoo)\n    - 包含50多个真实世界图像分类案例的列表 \n\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\n\u003Ca id=\"4\">\u003C\u002Fa>\n\n## 文档\n\n- [可用模型、层、块、优化器列表](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Ftree\u002Fmaster\u002Fmonk)\n\n- [功能文档](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002F)（即将与最新文档合并）\n    - 主原型函数\n        - [Mxnet 后端](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fgluon_prototype.html)\n        - [Pytorch 后端](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fpytorch_prototype.html)\n        - [Keras 后端](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fkeras_prototype.html)\n        - [比较](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fcompare_prototype.html)\n    - [系统函数](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fsystem\u002Findex.html)\n    - [Mxnet 后端基础函数](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fgluon\u002Findex.html)\n    - [Pytorch 后端基础函数](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Fpytorch\u002Findex.html)\n    - [Keras 后端基础函数](https:\u002F\u002Fabhi-kumar.github.io\u002Fmonk_v1_docs\u002Ftf_keras_1\u002Findex.html)\n\n- 特性与功能（开发中）：\n    - [简介](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fintroduction)\n    - [设置](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fsetup\u002Fsetup)\n    - [快速模式](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fquick_mode\u002Fquickmode_pytorch)\n    - [更新模式](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fupdate_mode\u002Fupdate_dataset)\n    - [专家模式](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fexpert_mode)\n    - [超参数分析器](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fhp_finder\u002Fmodel_finder)\n    - [实验比较](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fcompare_experiment)\n    - [恢复训练](https:\u002F\u002Fclever-noyce-f9d43f.netlify.com\u002F#\u002Fresume_training)\n\n- [完整最新文档](https:\u002F\u002Fli8bot.github.io\u002Fmonkai\u002F#\u002Fhome)（正在进行中）\n\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n\u003Ca id=\"5\">\u003C\u002Fa>\n## 2020 年待办事项\n\n### 功能\n- [x] 模型可视化\n- [ ] 预处理数据可视化\n- [x] 学习特征可视化\n- [ ] 多维数据输入——npy、hdf5、dicom、tiff\n- [x] 多标签图像分类\n- [x] 自定义模型开发\n\n\n\n### 通用\n- [x] 功能文档\n- [x] 解决多个版本的库问题\n- [x] 添加单元测试\n- [ ] 贡献指南\n- [x] Python pip 打包支持\n\n\n### 后端支持\n- [x] 在 v1 中提供对 Tensorflow 2.0 的支持\n- [ ] 完全支持 Tensorflow 2.0\n- [ ] Chainer\n\n\n### 外部库\n- [ ] TensorRT 加速\n- [ ] Intel 加速\n- [ ] Echo AI——用于激活函数\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n### 与项目[贡献者](https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Fblob\u002Fmaster\u002FContributors.md)联系\n\n\u003Cbr \u002F>\n\u003Cbr \u002F>\n\n## 版权\n\n版权所有 © 2019 年至今，Tessellate Imaging Private Limited。本项目根据 Apache License, Version 2.0（“许可证”）授权；除非符合许可证规定，否则不得使用本项目的文件。许可证副本已在此仓库的 LICENSE 文件中提供。","# Monk v1 快速上手指南\n\nMonk 是一个面向所有人的计算机视觉工具包，旨在通过统一的语法简化深度学习流程。它支持 PyTorch、Keras、MXNet、TensorFlow 等多种后端，让用户只需学习一套代码即可构建端到端的图像分类应用。\n\n## 1. 环境准备\n\n在开始之前，请确保您的开发环境满足以下基本要求：\n\n*   **操作系统**: Linux, Windows, 或 macOS\n*   **Python**: 建议 Python 3.6 及以上版本\n*   **硬件加速 (可选)**:\n    *   若使用 GPU 训练，需安装对应版本的 CUDA (支持 9.0, 9.2, 10.0, 10.1, 10.2)\n    *   若仅使用 CPU 或在 Mac 上运行，无需安装 CUDA\n*   **前置依赖**: 建议先更新 `pip` 到最新版本\n\n> **注意**：Monk 针对不同环境提供了独立的安装包，请根据您的实际硬件配置选择下方的安装命令。国内用户若遇到下载缓慢问题，建议在命令后添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple` 使用清华镜像源。\n\n## 2. 安装步骤\n\n根据您的运行环境，执行以下对应的安装命令：\n\n### GPU 环境 (CUDA)\n```bash\n# CUDA 9.0\npip install -U monk-cuda90\n\n# CUDA 9.2\npip install -U monk-cuda92\n\n# CUDA 10.0\npip install -U monk-cuda100\n\n# CUDA 10.1\npip install -U monk-cuda101\n\n# CUDA 10.2\npip install -U monk-cuda102\n```\n\n### CPU 环境 \u002F macOS\n```bash\npip install -U monk-cpu\n```\n\n### 云平台环境\n```bash\n# Google Colab\npip install -U monk-colab\n\n# Kaggle Kernels\npip install -U monk-kaggle\n```\n\n## 3. 基本使用\n\nMonk 的核心优势在于“低代码”和“统一语法”。以下是最简单的图像分类工作流示例（快速模式），涵盖创建实验、加载数据、训练模型及推理预测。\n\n### 第一步：创建并训练模型\n\n```python\nfrom monk.pytorch_prototype import prototype as ptf\n\n# 1. 创建实验 (项目名称，实验名称)\nptf.Prototype(\"sample-project-1\", \"sample-experiment-1\")\n\n# 2. 加载数据与配置模型\n# 指定数据集路径、模型名称 (如 resnet18) 和训练轮数\nptf.Default(dataset_path=\"sample_dataset\u002F\", \n             model_name=\"resnet18\", \n             num_epochs=2)\n\n# 3. 开始训练\nptf.Train()\n```\n\n### 第二步：模型推理 (预测)\n\n训练完成后，使用以下代码对单张图片进行预测：\n\n```python\n# 返回原始预测结果\npredictions = ptf.Infer(img_name=\"sample.png\", return_raw=True);\n```\n\n### 第三步：对比实验 (可选)\n\n如果您进行了多次实验，可以使用以下代码生成统计对比报告：\n\n```python\nfrom monk.compare_prototype import compare as ctf\n\n# 创建对比项目\nctf.Comparison(\"Sample-Comparison-1\");\n\n# 添加需要对比的实验\nctf.Add_Experiment(\"sample-project-1\", \"sample-experiment-1\");\nctf.Add_Experiment(\"sample-project-1\", \"sample-experiment-2\");\n   \n# 生成统计数据\nctf.Generate_Statistics();\n```\n\n---\n*更多高级功能（如超参数分析、迁移学习路线图）请参考官方文档及 Study Roadmaps。*","某初创医疗科技公司的算法工程师需要在两周内构建一个肺炎 X 光片辅助诊断原型，以向医院客户演示可行性。\n\n### 没有 monk_v1 时\n- 团队需分别学习 PyTorch 和 TensorFlow 的不同语法规范，导致代码风格割裂，新人上手门槛高且耗时。\n- 在尝试不同超参数组合以优化模型准确率时，缺乏统一管理工具，难以追踪数十次实验的配置与结果对比。\n- 从数据预处理、模型训练到最终部署，需要编写大量重复的样板代码，严重拖慢了原型开发进度。\n- 面对医疗影像的特殊性，调整网络架构往往涉及复杂的底层修改，容易引入难以排查的 Bug。\n\n### 使用 monk_v1 后\n- 仅需掌握 monk_v1 的一套统一低代码语法，即可无缝切换底层引擎（如 PyTorch 或 MXnet），大幅降低学习与协作成本。\n- 利用内置的超参数分析器快速自动寻优，并通过其项目管理系统清晰记录每次实验细节，轻松锁定最佳模型配置。\n- 借助极简的低代码接口，将原本数百行的训练与推理流程压缩为几行命令，几天内即可完成端到端应用构建。\n- 直接调用针对图像分类优化的预设模块，无需深入底层即可灵活调整架构，快速适配肺炎检测任务并保证稳定性。\n\nmonk_v1 通过统一语法和低代码流程，让团队将原本数周的探索期压缩至数天，高效交付了高质量的医疗 AI 原型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FTessellate-Imaging_monk_v1_7ebed76e.png","Tessellate-Imaging","Tessellate Imaging","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FTessellate-Imaging_f0028982.png","Computer Vision and Deep Learning Consultance and Development",null,"adhesh.shrivastava@gmail.com","https:\u002F\u002Fwww.tessellateimaging.com\u002F","https:\u002F\u002Fgithub.com\u002FTessellate-Imaging",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",98,{"name":89,"color":90,"percentage":23},"Python","#3572A5",577,209,"2026-02-26T12:41:20","Apache-2.0","Linux, macOS","可选。支持 NVIDIA GPU，需匹配特定 CUDA 版本（9.0, 9.2, 10.0, 10.1, 10.2）。提供纯 CPU 版本供无 GPU 环境或 macOS 使用。具体显存大小未说明，取决于所选模型。","未说明",{"notes":99,"python":97,"dependencies":100},"该工具是一个统一的计算机视觉包装器，支持多种后端（PyTorch, Keras, MXNet, TensorFlow）。安装时需根据硬件环境选择特定的 pip 包（如 monk-cuda102 用于 CUDA 10.2，monk-cpu 用于 CPU\u002FMac）。README 中未明确指定具体的 Python 版本和内存需求。支持在 Google Colab 和 Kaggle 平台上运行。",[101,102,103,104,105,106,107,108,109,110],"monk-cuda90","monk-cuda92","monk-cuda100","monk-cuda101","monk-cuda102","monk-cpu","PyTorch","Keras","MXNet","TensorFlow",[14,13],[113,114,115,116,117,118],"hacktoberfest","deeplearning","computervision","machinelearning","python3","study-roadmaps","2026-03-27T02:49:30.150509","2026-04-06T07:15:04.245104",[122,127,132,137,142,147],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},12225,"为什么训练准确率波动很大或结果变差？","即使参数和设置相似，两次运行的准确率也不会完全相同，这是深度学习训练的正常现象。此外，`save_intermediate_models` 设置为 False 仅表示不保存中间模型，不会影响训练过程本身。如果结果异常，请检查是否无意中更改了其他超参数或数据预处理步骤。","https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Fissues\u002F103",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},12226,"加载数据时出现 JSON 序列化错误或标签类型错误怎么办？","在使用 pandas 保存 CSV 文件时，务必将 `index` 参数设置为 False（即 `df.to_csv(..., index=False)`）。另外，确保训练 CSV 中的标签列是字符串格式。虽然系统现在可以自动将整数转换为字符串，但显式地将所有类别标签转换为字符串可以避免潜在的 JSON 序列化问题。","https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Fissues\u002F58",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},12227,"遇到 'JpegImageFile' object has no attribute 'getexif' 错误如何解决？","该错误通常由 Pillow 库的版本不兼容引起。尝试将 Pillow 版本降级或升级到特定版本（如 5.4.1 或更高兼容版本）通常可以解决此问题。请在环境中执行 `pip install pillow==5.4.1` 或更新到最新版本进行测试。","https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Fissues\u002F72",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},12228,"运行模型时提示找不到 experiment_state.json 文件怎么办？","这通常是因为工作目录不一致导致的。在初始化原型（`gtf.Prototype`）和调用默认设置（`gtf.Default`）之间，不要随意更改当前工作目录（例如使用 `os.chdir`）。确保这两步操作在相同的目录下执行，以便系统能正确找到工作空间和实验配置文件。","https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Fissues\u002F75",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},12229,"在 Colab 或 Kaggle 中 GPU 未被识别（Use Gpu: False）怎么办？","首先确保在笔记本设置中已选择 GPU 运行时（Runtime -> Change runtime type -> GPU）。其次，确认使用的是最新版本的 Monk 库。如果设置正确但仍报错，尝试重启运行时并重新安装最新版的 monk，系统通常会自动检测到 GPU 并将 `Use Gpu` 设置为 True。","https:\u002F\u002Fgithub.com\u002FTessellate-Imaging\u002Fmonk_v1\u002Fissues\u002F46",{"id":148,"question_zh":149,"answer_zh":150,"source_url":126},12230,"TensorFlow 警告 `period` 参数已弃用是什么意思？","这是一个 TensorFlow 的弃用警告，提示 `period` 参数已过时。虽然它通常不会阻止代码运行，但建议按照提示使用 `save_freq` 参数来指定保存频率（以看到的 batch 数量为单位）。如果不影响训练，可以暂时忽略此警告，但在未来的代码更新中应替换为新参数。",[]]