[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-abhishekkrthakur--tez":3,"tool-abhishekkrthakur--tez":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",158594,2,"2026-04-16T23:34:05",[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。",108322,"2026-04-10T11:39:34",[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":76,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":141},8350,"abhishekkrthakur\u002Ftez","tez","Tez is a super-simple and lightweight Trainer for PyTorch. It also comes with many utils that you can use to tackle over 90% of deep learning projects in PyTorch.","Tez 是一款专为 PyTorch 打造的超轻量级训练框架，旨在让深度学习模型的训练过程变得极其简单高效。其名称源自印地语与乌尔都语，寓意“敏锐、快速且活跃”，完美契合了工具追求极速原型开发与生产就绪的设计理念。\n\n在深度学习项目中，开发者往往需要花费大量精力编写重复的训练循环、处理多设备调度及监控逻辑。Tez 通过提供一套简洁的工具集，解决了这些繁琐的工程化痛点，帮助用户轻松应对超过 90% 的常见 PyTorch 项目需求。它不试图取代或封装底层 PyTorch 代码，而是作为得力助手，让用户在完全掌控模型细节的同时，仅用极少的代码即可实现复杂的训练流程。\n\nTez 特别适合希望快速验证想法的研究人员、追求代码整洁的算法工程师以及需要高效原型的开发者。它的核心技术亮点在于极致的简约性与高度的可定制性：既保持了代码的清晰易读，又原生支持 CPU、单卡、多卡分布式以及 TPU 等多种硬件环境。尽管目前处于早期阶段，但 Tez 已展现出强大的潜力，让使用者能够专注于模型创新本身，而非被工程琐事牵绊。","# Tez: a simple pytorch trainer\n\n**NOTE: Currently, we are not accepting any pull requests! All PRs will be closed. If you want a feature or something doesn't work, please create an issue.**\n\ntez (तेज़ \u002F تیز) means sharp, fast & active. This is a simple, to-the-point, library to make your pytorch training easy.\n\n_This library is in early-stage currently! So, there might be breaking changes._\n\n### Idea around tez is simple:\n\n- keep things as simple as possible\n- make it as customizable as possible\n- clean code\n- faster prototyping\n- production ready\n\nCurrently, tez supports cpu, single gpu and multi-gpu & tpu training. More coming soon!\n\nUsing tez is super-easy. We don't want you to be far away from pytorch. So, you do everything on your own and just use tez to make a few things simpler.\n","# Tez: 一个简单的 PyTorch 训练器\n\n**注意：目前我们不接受任何 Pull Request！所有 PR 都将被关闭。如果您需要某个功能或遇到问题，请提交 Issue。**\n\ntez（तेज़ \u002F تیز）意为“锋利的、快速的、活跃的”。这是一个简单直接的库，旨在让您的 PyTorch 训练更加轻松。\n\n_该库目前仍处于早期阶段！因此，可能会有破坏性变更。_\n\n### Tez 的核心理念很简单：\n\n- 尽可能保持简单\n- 提供尽可能高的可定制性\n- 代码整洁\n- 加速原型开发\n- 适合生产环境\n\n目前，tez 支持 CPU、单 GPU、多 GPU 以及 TPU 训练。更多功能即将推出！\n\n使用 tez 非常简单。我们希望您不会远离 PyTorch 核心。因此，您可以完全自主地完成各项操作，只需借助 tez 来简化部分流程即可。","# Tez 快速上手指南\n\nTez（意为“锐利、快速、活跃”）是一个极简的 PyTorch 训练库，旨在让模型训练更简单、代码更整洁，同时保持高度的可定制性。它支持 CPU、单 GPU、多 GPU 及 TPU 训练，适合快速原型开发和生产环境。\n\n## 环境准备\n\n- **系统要求**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：建议 Python 3.7+\n- **前置依赖**：\n  - PyTorch（需预先安装，Tez 不自动安装 PyTorch）\n  - tqdm（用于进度条显示）\n\n请确保已安装对应环境的 PyTorch。例如，使用 pip 安装 CUDA 版本：\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n```\n\n> 💡 国内用户可使用清华镜像加速 PyTorch 安装：\n> ```bash\n> pip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n通过 pip 直接安装 Tez：\n\n```bash\npip install tez\n```\n\n> 💡 国内用户推荐使用清华镜像源加速安装：\n> ```bash\n> pip install tez -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n⚠️ 注意：当前项目处于早期阶段，可能存在破坏性更新；暂不接受 Pull Request，如有问题请提交 Issue。\n\n## 基本使用\n\nTez 的设计理念是“你掌控一切，Tez 帮你简化流程”。你只需定义模型、数据加载器和训练步骤，其余由 Tez 自动处理。\n\n以下是最小可用示例：\n\n```python\nimport torch\nimport torch.nn as nn\nfrom tez import Tez, TezArgs\n\n# 1. 定义你的模型\nclass MyModel(nn.Module):\n    def __init__(self):\n        super().__init__()\n        self.linear = nn.Linear(10, 2)\n    \n    def forward(self, x):\n        return self.linear(x)\n\n# 2. 准备数据集（此处以虚拟数据为例）\ntrain_dataset = [(torch.randn(10), torch.randint(0, 2, (1,))) for _ in range(100)]\nvalid_dataset = [(torch.randn(10), torch.randint(0, 2, (1,))) for _ in range(20)]\n\n# 3. 配置训练参数\nargs = TezArgs(epochs=5, batch_size=16, device=\"cuda\" if torch.cuda.is_available() else \"cpu\")\n\n# 4. 初始化并运行训练\nmodel = MyModel()\ntrainer = Tez(model, args=args)\ntrainer.train(train_dataset, valid_dataset)\n```\n\n运行后，Tez 将自动处理训练循环、损失计算、进度显示及设备调度。你仍可完全控制模型结构、优化器、损失函数等细节，只需按需扩展即可。","一位计算机视觉工程师正在紧急开发一个基于 PyTorch 的医学影像分类模型，需要在单天内完成从原型验证到多 GPU 训练部署的全流程。\n\n### 没有 tez 时\n- 工程师需要手动编写数十行样板代码来构建训练循环，包括前向传播、损失计算和反向传播的逻辑嵌套，极易出现缩进或逻辑错误。\n- 处理多 GPU 分布式训练时，必须深入配置 `DistributedDataParallel`，繁琐地处理进程初始化、采样器分配及设备间同步问题，调试耗时极长。\n- 每次修改模型结构或优化策略时，都需同步调整验证逻辑和指标计算代码，导致重构成本高，难以快速响应实验想法。\n- 缺乏统一的进度监控接口，需要额外集成 tqdm 或 TensorBoard 插件才能查看实时训练状态，打断开发心流。\n\n### 使用 tez 后\n- 只需继承 `TezModel` 并定义核心的 `forward` 和 `loss` 方法，tez 自动封装了完整的训练循环，将数百行代码缩减为几十行，显著降低出错率。\n- 仅需在启动参数中指定 GPU 数量，tez 即可自动处理多卡并行与 TPU 适配，无需关心底层通信细节，瞬间实现线性加速比。\n- 借助高度模块化的设计，更换优化器或评估指标仅需修改配置字典，核心训练逻辑保持不变，极大提升了原型迭代速度。\n- 内置智能进度条与日志系统，默认输出清晰的训练损耗与准确率曲线，让开发者能专注于模型效果而非工具搭建。\n\ntez 通过极简的抽象剥离了深度学习工程中的重复劳动，让研究者能将 100% 的精力回归到算法创新本身。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fabhishekkrthakur_tez_268a74a7.png","abhishekkrthakur","abhishek thakur","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fabhishekkrthakur_4fa6b91f.png","World's first 4x Kaggle GrandMaster;\r\nex-Hugging Face;\r\n100k+ Youtube; 150k+ LinkedIn",null,"127.0.0.1","abhi1thakur","www.bit.ly\u002Fabhitubesub","https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur",[82,86],{"name":83,"color":84,"percentage":85},"Python","#3572A5",99.5,{"name":87,"color":88,"percentage":89},"Makefile","#427819",0.5,1159,142,"2026-03-08T01:52:57","Apache-2.0",1,"","非必需。支持 CPU、单 GPU、多 GPU 及 TPU 训练，未指定具体显卡型号、显存大小或 CUDA 版本。","未说明",{"notes":99,"python":97,"dependencies":100},"该库目前处于早期阶段，可能存在破坏性更新。暂不接受 Pull Requests，如有问题请提交 Issue。旨在简化 PyTorch 训练流程，同时保持高度的可定制性。",[101],"torch",[14],[64,104,105,106,107],"pytorch","deep-learning","deep-neural-networks","neural-networks","2026-03-27T02:49:30.150509","2026-04-17T10:22:32.815319",[111,116,121,126,131,136],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},37368,"遇到 'ValueError: operands could not be broadcast together' 错误，提示图像形状不匹配（如包含 4 个通道）怎么办？","这通常是因为输入图像是 RGBA 格式（4 个通道），而模型期望的是 RGB 格式（3 个通道）。解决方法是将图像转换为 RGB 格式。如果必须使用 RGBA 数据，则需要编写自定义的数据加载器（dataloader）来处理。","https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Ftez\u002Fissues\u002F8",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},37369,"如何在没有 CUDA（即仅使用 CPU）的环境中运行 Tez 模型？","默认情况下可能会报错，因为 PyTorch 试图初始化 CUDA。你需要在调用 model.fit() 时显式指定 device 参数为 \"cpu\"。示例代码如下：\nmodel.fit(\n    train_dataset, valid_dataset, \n    train_bs=1024, valid_bs=1024, \n    fp16=True, device=\"cpu\"\n)","https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Ftez\u002Fissues\u002F26",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},37370,"Tez 是否支持多 GPU 训练？如何指定多个 GPU？","目前多 GPU 支持并不像想象中那样直接简单。维护者指出这需要重大的 API 变更，因此计划在新版本中通过全新的 API 来实现该功能。在当前版本中，暂时无法通过简单的参数配置直接使用多 GPU 训练。","https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Ftez\u002Fissues\u002F12",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},37371,"如何在每个 epoch 设置不同的学习率，或者在中断后从特定 epoch 继续训练？","对于可变学习率，建议直接使用 PyTorch 内置的学习率调度器（如 StepLR、ReduceLROnPlateau 等）并将其传递给 Tez。关于从中断处恢复训练（断点续训），框架设计初衷是简化流程，具体实现通常需要结合回调函数或手动加载检查点状态，建议参考 PyTorch 的标准恢复训练模式配合使用。","https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Ftez\u002Fissues\u002F33",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},37372,"当 accumulation_steps=1 时，zero_grad 的行为是否符合预期？","这是一个已确认的代码逻辑问题。用户发现在特定条件下 zero_grad 的执行顺序可能不符合常规直觉（应在反向传播前清除梯度）。维护者已确认该问题并在主分支（main branch）中进行了修复。如果遇到类似梯度累积异常，请确保更新到最新版本的代码。","https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Ftez\u002Fissues\u002F38",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},37373,"Tez 相比原生 PyTorch 有什么性能优势？是否有相关文档说明？","Tez 的主要优势在于开箱即用的优化配置，例如轻松启用混合精度训练（fp16）以加速训练并减少显存占用。虽然早期文档可能不够详细，但用户可以通过查看源码或社区讨论了解其内部优化机制。社区也在积极推动更详细的教程和文档编写。","https:\u002F\u002Fgithub.com\u002Fabhishekkrthakur\u002Ftez\u002Fissues\u002F1",[142],{"id":143,"version":144,"summary_zh":76,"released_at":145},297939,"v0.1.8","2021-08-16T18:42:17"]