[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-afshinea--stanford-cs-230-deep-learning":3,"tool-afshinea--stanford-cs-230-deep-learning":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":79,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":79,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":92,"github_topics":93,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":99,"updated_at":100,"faqs":101,"releases":102},2997,"afshinea\u002Fstanford-cs-230-deep-learning","stanford-cs-230-deep-learning","VIP cheatsheets for Stanford's CS 230 Deep Learning","stanford-cs-230-deep-learning 是斯坦福大学 CS 230 深度学习课程的精华速查表合集，旨在将复杂的深度学习核心概念浓缩为直观易懂的图文资料。它主要解决了学习者在面对庞大知识体系时难以快速回顾关键公式、网络架构及训练技巧的痛点，提供了一份随时可查阅的“终极指南”。\n\n这份资源特别适合深度学习初学者、高校学生、AI 研究人员以及需要快速温习基础理论的开发者使用。无论是准备考试、复习面试，还是在实际项目中需要确认卷积神经网络（CNN）或循环神经网络（RNN）的细节，它都能提供高效支持。\n\n其独特亮点在于内容的高度结构化与可视化：不仅包含针对 CNN 和 RNN 的专项详解，还汇总了模型训练中的实用技巧与避坑指南。更值得一提的是，项目将所有内容整合为一张\"Super VIP\"超级速查表，实现了一页纸掌握全局。此外，该资源支持英语、法语、日语、韩语等多种语言版本，并配有专属网页端，方便用户在各类设备上流畅阅读，是入门和精进深度学习不可多得的免费优质资料。","# Deep Learning cheatsheets for Stanford's CS 230\n\nAvailable in [English](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Fen) -  [فارسی](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Ffa) -  [Français](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Ffr) - [日本語](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Fja) - [한국어](https:\u002F\u002Fstanford.edu\u002F~shervine\u002Fl\u002Fko\u002Fteaching\u002Fcs-230\u002Fcheatsheet-convolutional-neural-networks) -  [Türkçe](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Ftr) - [Tiếng Việt](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Fvi)\n\n## Goal\nThis repository aims at summing up in the same place all the important notions that are covered in Stanford's CS 230 Deep Learning course, and include:\n- **Cheatsheets detailing everything** about convolutional neural networks, recurrent neural networks, as well as the tips and tricks to have in mind when training a deep learning model.\n- All elements of the above combined in an **ultimate compilation of concepts**, to have with you at all times!\n\n## Content\n#### VIP Cheatsheets\n|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fcheatsheet-convolutional-neural-networks.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_ab97acf115c2.png\" alt=\"Illustration\" width=\"280px\"\u002F>\u003C\u002Fa>|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fcheatsheet-recurrent-neural-networks.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_958c565c3cbe.png\" alt=\"Illustration\" width=\"280px\"\u002F>\u003C\u002Fa>|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fcheatsheet-deep-learning-tips-tricks.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_50da42c4f8b7.png\" alt=\"Illustration\" width=\"280px\"\u002F>\u003C\u002Fa>|\n|:--:|:--:|:--:|\n|Convolutional Neural Networks|Recurrent Neural Networks|Tips and tricks|\n\n#### Super VIP Cheatsheet\n|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fsuper-cheatsheet-deep-learning.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_9cac5e73922d.png\" alt=\"Illustration\" width=\"400px\"\u002F>\u003C\u002Fa>|\n|:--:|\n|All the above gathered in one place|\n\n## Website\nThis material is also available on a dedicated [website](https:\u002F\u002Fstanford.edu\u002F~shervine\u002Fteaching\u002Fcs-230), so that you can enjoy reading it from any device.\n\n## Translation\nWould you like to see these cheatsheets in your native language? You can help us translating them on [this dedicated repo](https:\u002F\u002Fgithub.com\u002Fshervinea\u002Fcheatsheet-translation)!\n\n## Authors\n[Afshine Amidi](https:\u002F\u002Ftwitter.com\u002Fafshinea) (Ecole Centrale Paris, MIT) and [Shervine Amidi](https:\u002F\u002Ftwitter.com\u002Fshervinea) (Ecole Centrale Paris, Stanford University)\n","# 斯坦福大学CS 230深度学习备忘单\n\n提供多种语言版本：[英语](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Fen) - [波斯语](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Ffa) - [法语](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Ffr) - [日语](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Fja) - [韩语](https:\u002F\u002Fstanford.edu\u002F~shervine\u002Fl\u002Fko\u002Fteaching\u002Fcs-230\u002Fcheatsheet-convolutional-neural-networks) - [土耳其语](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Ftr) - [越南语](https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Ftree\u002Fmaster\u002Fvi)\n\n## 目标\n本仓库旨在将斯坦福大学CS 230深度学习课程中涵盖的所有重要概念汇总到一处，内容包括：\n- **详尽的备忘单**，涵盖卷积神经网络、循环神经网络，以及训练深度学习模型时需要注意的技巧和窍门。\n- 将上述所有内容整合为一份**终极概念汇编**，方便您随时查阅！\n\n## 内容\n#### VIP 备忘单\n|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fcheatsheet-convolutional-neural-networks.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_ab97acf115c2.png\" alt=\"插图\" width=\"280px\"\u002F>\u003C\u002Fa>|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fcheatsheet-recurrent-neural-networks.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_958c565c3cbe.png\" alt=\"插图\" width=\"280px\"\u002F>\u003C\u002Fa>|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fcheatsheet-deep-learning-tips-tricks.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_50da42c4f8b7.png\" alt=\"插图\" width=\"280px\"\u002F>\u003C\u002Fa>|\n|:--:|:--:|:--:|\n|卷积神经网络|循环神经网络|技巧与窍门|\n\n#### 超级VIP备忘单\n|\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fblob\u002Fmaster\u002Fen\u002Fsuper-cheatsheet-deep-learning.pdf\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_readme_9cac5e73922d.png\" alt=\"插图\" width=\"400px\"\u002F>\u003C\u002Fa>|\n|:--:|\n|以上所有内容汇集于一处|\n\n## 官网\n这些资料也在专门的[网站](https:\u002F\u002Fstanford.edu\u002F~shervine\u002Fteaching\u002Fcs-230)上提供，方便您在任何设备上阅读。\n\n## 翻译\n希望看到这些备忘单的母语版本吗？欢迎您参与翻译工作，请访问[此专用仓库](https:\u002F\u002Fgithub.com\u002Fshervinea\u002Fcheatsheet-translation)！\n\n## 作者\n[Afshine Amidi](https:\u002F\u002Ftwitter.com\u002Fafshinea)（巴黎中央理工学院，麻省理工学院）和[Shervine Amidi](https:\u002F\u002Ftwitter.com\u002Fshervinea)（巴黎中央理工学院，斯坦福大学）","# Stanford CS 230 深度学习速查表快速上手指南\n\n本项目并非可执行的软件库，而是一套针对斯坦福大学 CS 230 深度学习课程的**核心概念速查表（Cheatsheets）**集合。它涵盖了卷积神经网络（CNN）、循环神经网络（RNN）以及模型训练技巧等关键知识点。开发者无需安装任何依赖，直接下载 PDF 文档即可使用。\n\n## 环境准备\n\n本项目无系统要求或前置依赖。\n- **适用设备**：任何能够查看 PDF 文件的设备（电脑、平板、手机）。\n- **网络要求**：需能访问 GitHub 或项目官方网站。\n- **推荐工具**：Adobe Acrobat Reader、浏览器内置 PDF 阅读器或各类笔记软件（如 Notion, Obsidian）。\n\n> **提示**：国内用户若访问 GitHub 原图或文件较慢，可直接访问项目托管的**官方网站**，加载速度通常更优且支持多端适配。\n\n## 获取步骤\n\n由于无需安装，你可以通过以下两种方式获取资料：\n\n### 方式一：访问官方网站（推荐）\n直接在浏览器中阅读，体验最佳，支持响应式布局。\n```bash\n# 在浏览器地址栏输入以下网址\nhttps:\u002F\u002Fstanford.edu\u002F~shervine\u002Fteaching\u002Fcs-230\n```\n\n### 方式二：从 GitHub 下载 PDF\n克隆仓库或直接下载单个 PDF 文件。\n\n```bash\n# 1. 克隆整个仓库（包含所有语言版本）\ngit clone https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning.git\n\n# 2. 进入英文原版目录\ncd stanford-cs-230-deep-learning\u002Fen\n\n# 或者，直接使用 wget\u002Fcurl 下载单个核心速查表（示例：下载 CNN 速查表）\nwget https:\u002F\u002Fgithub.com\u002Fafshinea\u002Fstanford-cs-230-deep-learning\u002Fraw\u002Fmaster\u002Fen\u002Fcheatsheet-convolutional-neural-networks.pdf\n```\n\n## 基本使用\n\n本项目的“使用”即指查阅文档以辅助深度学习模型的开发与学习。以下是核心文档的使用场景指引：\n\n### 1. 构建卷积神经网络 (CNN)\n当你需要快速回顾卷积层、池化层参数计算或经典架构（如 ResNet, Inception）时：\n- **打开文件**：`cheatsheet-convolutional-neural-networks.pdf`\n- **适用场景**：设计图像分类、目标检测模型架构时。\n\n### 2. 构建循环神经网络 (RNN)\n当你需要查阅 LSTM、GRU 单元结构或序列数据处理流程时：\n- **打开文件**：`cheatsheet-recurrent-neural-networks.pdf`\n- **适用场景**：处理自然语言处理（NLP）、时间序列预测任务时。\n\n### 3. 优化模型训练\n当模型不收敛或需要调整超参数时：\n- **打开文件**：`cheatsheet-deep-learning-tips-tricks.pdf`\n- **适用场景**：调试损失函数、选择优化器、处理过拟合\u002F欠拟合问题。\n\n### 4. 全能速查 (Super Cheatsheet)\n如果你需要一份涵盖上述所有内容的汇总文档以便随时查阅：\n- **打开文件**：`super-cheatsheet-deep-learning.pdf`\n- **特点**：将 CNN、RNN 及训练技巧整合在一份文档中，适合打印或作为桌面参考。\n\n---\n*注：本项目由 Afshine Amidi 和 Shervine Amidi 维护，旨在帮助开发者高效掌握深度学习核心概念。*","一名初级算法工程师正在准备技术面试，并急需在周末快速复习卷积神经网络（CNN）和循环神经网络（RNN）的核心公式与调优技巧。\n\n### 没有 stanford-cs-230-deep-learning 时\n- 需要在数十篇分散的博客、论文和官方文档中反复搜索，难以确认公式推导的准确性。\n- 面对复杂的反向传播推导或激活函数选择，缺乏系统化的总结，导致理解碎片化且耗时漫长。\n- 在模型训练遇到瓶颈时，找不到集中整理的“避坑指南”，只能凭经验盲目尝试超参数。\n- 复习资料多为纯文本或低清截图，关键图表模糊不清，无法在移动端高效查阅。\n\n### 使用 stanford-cs-230-deep-learning 后\n- 直接获取斯坦福 CS 230 课程官方认证的高清速查表，涵盖 CNN、RNN 及调优技巧，内容权威且精准。\n- 通过\"Super VIP Cheatsheet\"将零散概念整合为一张全景图，几分钟内即可理清从基础架构到高级优化的逻辑脉络。\n- 利用专门的\"Tips and tricks\"章节快速定位过拟合或梯度消失的解决方案，显著缩短模型调试周期。\n- 借助多语言支持和响应式网页版，随时随地在手机或平板上清晰查看结构化图表，大幅提升复习效率。\n\nstanford-cs-230-deep-learning 将厚重的深度学习知识浓缩为精准的实战地图，让学习者从繁琐的资料检索中解放出来，专注于核心逻辑的掌握与应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fafshinea_stanford-cs-230-deep-learning_8fb2e9a0.png","afshinea","Afshine Amidi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fafshinea_55a081a6.png","Ecole Centrale Paris, MIT",null,"https:\u002F\u002Fwww.mit.edu\u002F~amidi","https:\u002F\u002Fgithub.com\u002Fafshinea",6950,1439,"2026-04-03T14:09:52","MIT",1,"","未说明",{"notes":90,"python":88,"dependencies":91},"该项目并非可执行的 AI 软件工具，而是斯坦福大学 CS 230 深度学习课程的速查表（Cheatsheets）文档集合。内容主要以 PDF 图片和多语言网页形式提供，涵盖卷积神经网络、循环神经网络及训练技巧等理论知识。用户无需配置任何运行环境、GPU、Python 或依赖库，直接通过浏览器访问网站或下载 PDF 文件即可阅读。",[],[54,51,13],[94,95,96,97,98],"cheatsheet","deep-learning","convolutional-neural-networks","recurrent-neural-networks","data-science","2026-03-27T02:49:30.150509","2026-04-06T07:14:57.758526",[],[]]