[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-UKPLab--deeplearning4nlp-tutorial":3,"tool-UKPLab--deeplearning4nlp-tutorial":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",140436,2,"2026-04-05T23:32:43",[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":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":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":10,"env_os":100,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":112,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":121},276,"UKPLab\u002Fdeeplearning4nlp-tutorial","deeplearning4nlp-tutorial","Hands-on tutorial on deep learning with a special focus on Natural Language Processing (NLP)","deeplearning4nlp-tutorial 是一个面向自然语言处理（NLP）的深度学习实战教程仓库，由德国达姆斯塔特工业大学（TU Darmstadt）的UKP实验室维护。该教程通过大量代码示例，帮助用户学习如何将深度学习技术应用于NLP任务。\n\n这个教程解决了 NLP 领域学习和实践的痛点：很多深度学习资料偏重理论，缺乏可直接运行的代码；而该教程提供了完整的课程幻灯片、源代码和视频教程，让学习者能够动手实践，真正掌握深度学习在文本处理中的应用。\n\n教程适合以下用户：计算机科学或语言学专业的学生、从事NLP研究的高校师生、需要在项目中应用深度学习的工程师，以及对深度学习与文本处理感兴趣的自学者。教程从基础到进阶都有覆盖，入门者可以先学习2015年的基础课程，有一定基础的用户可以直接参考2017年的最新研讨会内容。\n\n教程包含四种常见的深度学习模型实现：前馈神经网络用于词性标注、命名实体识别等序列标注任务；卷积神经网络（CNN）用于情感分析等文本分类任务；CNN用于语义关系抽取；以及LSTM网络处理序列标注问题。代码兼容Python 2.7和3.6，支持Keras 2.0.5，可","deeplearning4nlp-tutorial 是一个面向自然语言处理（NLP）的深度学习实战教程仓库，由德国达姆斯塔特工业大学（TU Darmstadt）的UKP实验室维护。该教程通过大量代码示例，帮助用户学习如何将深度学习技术应用于NLP任务。\n\n这个教程解决了 NLP 领域学习和实践的痛点：很多深度学习资料偏重理论，缺乏可直接运行的代码；而该教程提供了完整的课程幻灯片、源代码和视频教程，让学习者能够动手实践，真正掌握深度学习在文本处理中的应用。\n\n教程适合以下用户：计算机科学或语言学专业的学生、从事NLP研究的高校师生、需要在项目中应用深度学习的工程师，以及对深度学习与文本处理感兴趣的自学者。教程从基础到进阶都有覆盖，入门者可以先学习2015年的基础课程，有一定基础的用户可以直接参考2017年的最新研讨会内容。\n\n教程包含四种常见的深度学习模型实现：前馈神经网络用于词性标注、命名实体识别等序列标注任务；卷积神经网络（CNN）用于情感分析等文本分类任务；CNN用于语义关系抽取；以及LSTM网络处理序列标注问题。代码兼容Python 2.7和3.6，支持Keras 2.0.5，可搭配Theano或TensorFlow后端运行。对于想系统学习深度学习NLP应用的人来说，这是一个非常实用的学习资源。","# Deep Learning for NLP - Tutorial\nHands-on tutorial on deep learning with a special focus on Natural Language Processing (NLP).\n\nThis GIT repository accompanies the UKP lectures and seminars on Deep Learning for Natural Language Processing. In contrast to other tutorials, this tutorial focuses on the usage of deep learning methods. \n\n# Deep Learning for NLP - Seminar - July 2017\nIn July 2017 I updated the slides to the most recent Python and Keras version. The slides as well as the source code is available in the folder **[2017-07_Seminar](2017-07_Seminar\u002F)**. The code in the folder can be run with either Python 2.7 or Python 3.6, with Keras 2.0.5 and with Theano (0.9.0) or TensorFlow (1.2.1) as backend.\n\nFour different deep learning models for NLP are covered in the folder:\n1. Feed Forward Architecture for Sequence Classification (e.g. POS, NER, Chunking)\n2. Convolutional Neural Network for Sentence \u002F Text Classification (e.g. sentiment classification)\n3. Convolutional Neural Network for Relation Extraction (e.g. semantic relation extration)\n4. Long-Short-Term-Memory (LSTM)-Networks for Sequence Classificaiton \n\n\n# Deep Learning for NLP - Seminar - Nov. 2016\nIn November 2016 I gave a seminar at the University of Duisburg-Essen. The slides as well as the source code is available in the folder **[2016-11_Seminar](2016-11_Seminar\u002F)**. In the seminar I use Python 2.7, Theano 0.8.2, and Keras 1.1.1 to model four different deep learning models for NLP:\n\n1. Feed Forward Architecture for Sequence Classification (e.g. POS, NER, Chunking)\n2. Convolutional Neural Network for Sentence \u002F Text Classification (e.g. sentiment classification)\n3. Convolutional Neural Network for Relation Extraction (e.g. semantic relation extration)\n4. Long-Short-Term-Memory (LSTM)-Networks for Sequence Classificaiton \n\n\n# Deep Learning for NLP - Lecture - Oct. 2015\nIn October 2015 I gave a lecture for the UKP Department at the Technical University of Darmstadt. The lecture is structured in six parts and covers the basics about deep learning. In the lecture I use Python 2.7, Theano 0.6.0 and Keras 0.3.0 to model different applications of deep learning for NLP. The slides, the source code, and video recordings are available in the folder **[2015-10_Lecture](2015-10_Lecture\u002F)**.\n\n\n## Contact\n\nContact person: Nils Reimers, reimers@ukp.informatik.tu-darmstadt.de\n\nhttp:\u002F\u002Fwww.ukp.tu-darmstadt.de\u002F\n\n\nhttp:\u002F\u002Fwww.tu-darmstadt.de\u002F\n\nDon't hesitate to send us an e-mail or report an issue, if something is broken (and it shouldn't be) or if you have further questions.\n\n> This repository contains experimental software and is published for the sole purpose of supporting the lectures. \n","#深度学习用于自然语言处理 - 教程\n\n关于深度学习的实践教程，特别关注自然语言处理（Natural Language Processing，NLP）。\n\n本 Git 仓库配合 UKP 开设的深度学习与自然语言处理课程和研讨会使用。与其他教程不同，本教程侧重于深度学习方法的应用。\n\n# 深度学习用于自然语言处理 - 研讨会 - 2017年7月\n\n2017年7月，我更新了幻灯片至最新的 Python 和 Keras 版本。幻灯片和源代码可在文件夹 **[2017-07_Seminar](2017-07_Seminar\u002F)** 中找到。该文件夹中的代码可在 Python 2.7 或 Python 3.6 环境下运行，使用 Keras 2.0.5，后端可选择 Theano (0.9.0) 或 TensorFlow (1.2.1)。\n\n该文件夹涵盖了四种不同的 NLP 深度学习模型：\n\n1. 用于序列分类的前馈神经网络（Feed Forward Architecture），例如词性标注（POS）、命名实体识别（NER）、分块（Chunking）\n2. 用于句子\u002F文本分类的卷积神经网络（Convolutional Neural Network, CNN），例如情感分类\n3. 用于关系抽取的卷积神经网络，例如语义关系抽取\n4. 用于序列分类的长短期记忆网络（Long-Short-Term-Memory, LSTM）\n\n# 深度学习用于自然语言处理 - 研讨会 - 2016年11月\n\n2016年11月，我在杜伊斯堡-埃森大学举办了研讨会。幻灯片和源代码可在文件夹 **[2016-11_Seminar](2016-11_Seminar\u002F)** 中找到。研讨会上我使用 Python 2.7、Theano 0.8.2 和 Keras 1.1.1 实现了四种不同的 NLP 深度学习模型：\n\n1. 用于序列分类的前馈神经网络（例如词性标注、命名实体识别、分块）\n2. 用于句子\u002F文本分类的卷积神经网络（例如情感分类）\n3. 用于关系抽取的卷积神经网络（例如语义关系抽取）\n4. 用于序列分类的长短期记忆网络\n\n# 深度学习用于自然语言处理 - 课程 - 2015年10月\n\n2015年10月，我在达姆斯塔特工业大学为 UKP 系开设了课程。课程分为六个部分，涵盖深度学习的基础知识。课程中使用 Python 2.7、Theano 0.6.0 和 Keras 0.3.0 来实现深度学习在 NLP 中的不同应用。幻灯片、源代码和视频录像可在文件夹 **[2015-10_Lecture](2015-10_Lecture\u002F)** 中找到。\n\n## 联系方式\n\n联系人：Nils Reimers，reimers@ukp.informatik.tu-darmstadt.de\n\nhttp:\u002F\u002Fwww.ukp.tu-darmstadt.de\u002F\n\nhttp:\u002F\u002Fwww.tu-darmstadt.de\u002F\n\n如果发现任何问题（尽管不应该出现）或有其他问题，请随时发送电子邮件或提交问题报告。\n\n> 本仓库包含实验性软件，仅供支持教学使用。","# deeplearning4nlp-tutorial 快速上手指南\n\n本教程提供深度学习在自然语言处理（NLP）领域的实践案例，包含四种常用的 NLP 深度学习模型实现。\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS \u002F Windows\n- Python 2.7 或 Python 3.6\n\n### 前置依赖\n\n| 依赖 | 推荐版本 |\n|------|----------|\n| Python | 2.7 或 3.6 |\n| Keras | 2.0.5 |\n| Theano | 0.9.0 或 TensorFlow 1.2.1 |\n| NumPy | - |\n| SciPy | - |\n\n## 安装步骤\n\n### 1. 克隆仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FUKPLab\u002Fdeeplearning4nlp-tutorial.git\ncd deeplearning4nlp-tutorial\n```\n\n### 2. 安装 Python 依赖\n\n```bash\npip install numpy scipy\npip install tensorflow  # 或 pip install theano\npip install keras==2.0.5\n```\n\n> **国内加速**：可使用清华镜像源\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy tensorflow keras==2.0.5\n> ```\n\n## 基本使用\n\n### 运行示例代码\n\n本教程提供四个核心模型示例，位于 `2017-07_Seminar\u002F` 目录下：\n\n1. **前馈神经网络** - 序列分类（POS、NER、Chunking）\n2. **CNN** - 句子\u002F文本分类（情感分析）\n3. **CNN** - 关系抽取\n4. **LSTM** - 序列分类\n\n### 快速运行示例\n\n进入示例目录并运行：\n\n```bash\ncd 2017-07_Seminar\npython 2-1_Classification_Embeddings.py\n```\n\n### 目录结构\n\n```\ndeeplearning4nlp-tutorial\u002F\n├── 2017-07_Seminar\u002F    # 最新版本（推荐）\n│   ├── 1-1_Embeddings.py\n│   ├── 2-1_Classification_Embeddings.py\n│   ├── 3-1_CNN_Classification.py\n│   └── 4-1_LSTM_Sequence_Tagging.py\n├── 2016-11_Seminar\u002F\n└── 2015-10_Lecture\u002F\n```\n\n## 注意事项\n\n- 推荐使用 **2017-07_Seminar** 目录下的代码，兼容 Python 2.7\u002F3.6\n- 如遇依赖冲突，建议使用虚拟环境：\n  ```bash\n  python -m venv venv\n  source venv\u002Fbin\u002Factivate  # Linux\u002FmacOS\n  # 或\n  venv\\Scripts\\activate     # Windows\n  ```","# 场景背景\n\n小张是一名计算机专业的研究生，正在选修一门自然语言处理课程。课程的期末项目要求使用深度学习方法完成文本情感分类任务，而他此前只接触过传统的机器学习方法，对深度学习几乎一无所知。\n\n### 没有 deeplearning4nlp-tutorial 时\n\n- 网上搜索深度学习+NLP的教程，发现资料零散，要么理论太深奥，要么代码不完整，难以系统学习\n- 尝试自己搭建CNN或LSTM模型，但面对Keras、TensorFlow、Theano等框架的版本兼容问题花费大量时间排查\n- 不清楚如何将文本数据预处理成模型需要的格式，也不了解词向量（Word Embeddings）的具体用法\n- 参考的他人代码往往缺少注释或文档，无法理解模型结构的设计意图\n- 项目进度严重滞后，多次因模型训练报错而停滞不前，临近截止日期感到焦虑\n\n### 使用 deeplearning4nlp-tutorial 后\n\n- 教程提供了完整的代码示例和对应的Keras版本说明，小张可以直接运行并观察效果\n- 仓库中包含四种主流NLP深度学习模型的实现代码，他选择从CNN文本分类开始学习\n- 每个模型都配有详细的幻灯片讲解，帮助他理解从数据预处理到模型训练的全流程\n- 教程使用Python 2.7\u002F3.6都能运行，降低了环境配置的门槛\n- 通过模仿教程中的代码结构，他顺利完成了自己的情感分类项目，准确率达到课程要求\n\n### 总结\n\ndeeplearning4nlp-tutorial 为零基础学习者提供了从理论到代码的完整学习路径，让深度学习+NLP不再高不可攀。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FUKPLab_deeplearning4nlp-tutorial_ec6d6d84.png","UKPLab","Ubiquitous Knowledge Processing Lab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FUKPLab_73f5126a.jpg","",null,"http:\u002F\u002Fwww.ukp.tu-darmstadt.de","https:\u002F\u002Fgithub.com\u002FUKPLab",[84,88,92],{"name":85,"color":86,"percentage":87},"Python","#3572A5",38.5,{"name":89,"color":90,"percentage":91},"Jupyter Notebook","#DA5B0B",33.1,{"name":93,"color":94,"percentage":95},"HTML","#e34c26",28.4,652,270,"2025-12-08T12:00:56","Apache-2.0","未说明",{"notes":102,"python":103,"dependencies":104},"该教程为教学用途，提供了三个不同时期的版本（2015年、2016年、2017年），分别对应不同的依赖版本。2017年版本支持 Python 2.7 或 3.6，可使用 Keras 2.0.5 配合 Theano 0.9.0 或 TensorFlow 1.2.1。2016年版本使用 Python 2.7 + Keras 1.1.1 + Theano 0.8.2。2015年版本使用 Python 2.7 + Keras 0.3.0 + Theano 0.6.0。README 中未明确说明操作系统支持、GPU 需求和内存要求。","2.7 或 3.6",[105,106,107,108,109,110,111],"Keras 2.0.5","Keras 1.1.1","Keras 0.3.0","Theano 0.9.0","Theano 0.8.2","Theano 0.6.0","TensorFlow 1.2.1",[26,13],"2026-03-27T02:49:30.150509","2026-04-06T08:08:38.024471",[116],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},904,"项目缺少 requirements.txt 文件，导致依赖版本不兼容怎么办？","需要为项目创建 requirements.txt 文件来锁定依赖版本。Keras 和 Lasagne 的 API 不断变化，当前 pip 上的 Keras 0.3.2 版本与教程代码不再兼容。具体问题例如 keras.utils.theano_utils 在新版 Keras 中已不存在。解决方案是创建 requirements.txt 文件并指定兼容的依赖版本，或者参考社区提供的解决方案（如 https:\u002F\u002Fgithub.com\u002Fmhamilton723\u002FpyTrading\u002Fissues\u002F1 中的 workaround）。","https:\u002F\u002Fgithub.com\u002FUKPLab\u002Fdeeplearning4nlp-tutorial\u002Fissues\u002F1",[]]