[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ageron--tf2_course":3,"tool-ageron--tf2_course":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",159267,2,"2026-04-17T11:29:14",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":77,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":32,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":101,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":145},8663,"ageron\u002Ftf2_course","tf2_course","Notebooks for my \"Deep Learning with TensorFlow 2 and Keras\" course","tf2_course 是一套专为《Deep Learning with TensorFlow 2 and Keras》课程设计的开源学习资源，核心内容为一系列 Jupyter Notebook 笔记。它系统地提供了深度学习练习题目及其完整代码解决方案，旨在帮助学习者通过动手实践，快速掌握使用 TensorFlow 2 和 Keras 构建神经网络的技能。\n\n对于希望深入理解深度学习原理但苦于缺乏实战代码的初学者或开发者而言，tf2_course 有效解决了“理论到实践”的转化难题。用户无需在本地繁琐配置环境，即可通过 Google Colab、Binder 或 Deepnote 等云端平台直接运行和修改代码，极大地降低了学习门槛。若需离线学习，项目也提供了基于 Anaconda 的详细本地部署指南。\n\n这套资源特别适合人工智能领域的学生、刚入门的开发者以及希望系统提升 TensorFlow 实战能力的研究人员。其技术亮点在于紧密贴合主流教程体系，代码结构清晰且注释详尽，同时支持多种便捷的在线交互方式，让学习过程更加流畅高效。无论是想快速浏览代码逻辑，还是希望深入调试模型，tf2_cou","tf2_course 是一套专为《Deep Learning with TensorFlow 2 and Keras》课程设计的开源学习资源，核心内容为一系列 Jupyter Notebook 笔记。它系统地提供了深度学习练习题目及其完整代码解决方案，旨在帮助学习者通过动手实践，快速掌握使用 TensorFlow 2 和 Keras 构建神经网络的技能。\n\n对于希望深入理解深度学习原理但苦于缺乏实战代码的初学者或开发者而言，tf2_course 有效解决了“理论到实践”的转化难题。用户无需在本地繁琐配置环境，即可通过 Google Colab、Binder 或 Deepnote 等云端平台直接运行和修改代码，极大地降低了学习门槛。若需离线学习，项目也提供了基于 Anaconda 的详细本地部署指南。\n\n这套资源特别适合人工智能领域的学生、刚入门的开发者以及希望系统提升 TensorFlow 实战能力的研究人员。其技术亮点在于紧密贴合主流教程体系，代码结构清晰且注释详尽，同时支持多种便捷的在线交互方式，让学习过程更加流畅高效。无论是想快速浏览代码逻辑，还是希望深入调试模型，tf2_course 都能提供友好的支持。","Deep Learning with TensorFlow 2 and Keras – Notebooks\n==============================================\n\nThis project accompanies my **Deep Learning with TensorFlow 2 and Keras** trainings. It contains the exercises and their solutions, in the form of [Jupyter](http:\u002F\u002Fjupyter.org\u002F) notebooks.\n\nIf you are looking for the code accompanying my O'Reilly book, [Hands-on Machine Learning with Scikit-Learn and TensorFlow](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fhands-on-machine-learning\u002F9781492032632\u002F), visit this GitHub project: [ageron\u002Fhandson-ml2](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml2).\n\n## Quick Start\n\n### Want to play with these notebooks online without having to install anything?\nUse any of the following services.\n\n**WARNING**: Please be aware that these services provide temporary environments: anything you do will be deleted after a while, so make sure you download any data you care about.\n\n* **Recommended**: open this repository in [Colaboratory](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F):\n\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_tf2_course_readme_53bfc49bf4db.png\" width=\"90\" \u002F>\u003C\u002Fa>\n\n* Or open it in [Binder](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fageron\u002Ftf2_course\u002Fmaster):\n\u003Ca href=\"https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fageron\u002Ftf2_course\u002Fmaster\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_tf2_course_readme_596af5d6338e.png\" width=\"90\" \u002F>\u003C\u002Fa>\n\n  * _Note_: Most of the time, Binder starts up quickly and works great, but when tf2\\_course is updated, Binder creates a new environment from scratch, and this can take quite some time.\n\n* Or open it in [Deepnote](https:\u002F\u002Fbeta.deepnote.com\u002Flaunch?template=data-science&url=https%3A\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb):\n\u003Ca href=\"https:\u002F\u002Fbeta.deepnote.com\u002Flaunch?template=data-science&url=https%3A\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_tf2_course_readme_414836117f0a.png\" width=\"150\" \u002F>\u003C\u002Fa>\n\n### Just want to quickly look at some notebooks, without executing any code?\n\nBrowse this repository using [jupyter.org's notebook viewer](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb):\n\u003Ca href=\"https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb\">\u003Cimg src=\"https:\u002F\u002Fjupyter.org\u002Fassets\u002Fnav_logo.svg\" width=\"150\" \u002F>\u003C\u002Fa>\n\n_Note_: [github.com's notebook viewer](01_neural_nets_with_keras.ipynb) also works but it is slower and the math equations are not always displayed correctly.\n\n### Want to install this project on your own machine?\n\nStart by installing [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fdistribution\u002F) (or [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html)), [git](https:\u002F\u002Fgit-scm.com\u002Fdownloads), and if you have a TensorFlow-compatible GPU, install the [GPU driver](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx), as well as the appropriate version of CUDA and cuDNN (see TensorFlow's documentation for more details).\n\nNext, clone this project by opening a terminal and typing the following commands (do not type the first `$` signs on each line, they just indicate that these are terminal commands):\n\n    $ git clone https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course.git\n    $ cd tf2_course\n\nNext, run the following commands:\n\n    $ conda env create -f environment.yml\n    $ conda activate tf2c\n    $ python -m ipykernel install --user --name=python3\n\nFinally, start Jupyter:\n\n    $ jupyter notebook\n\nIf you need further instructions, read the [detailed installation instructions](INSTALL.md).\n\n# FAQ\n\n**Which Python version should I use?**\n\nI recommend Python 3.7. If you follow the installation instructions above, that's the version you will get. Most code will work with other versions of Python 3, but some libraries do not support Python 3.8 or 3.9 yet, which is why I recommend Python 3.7.\n\n**I'm getting an SSL error on MacOSX**\n\nYou probably need to install the SSL certificates (see this [StackOverflow question](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F27835619\u002Furllib-and-ssl-certificate-verify-failed-error)). If you downloaded Python from the official website, then run `\u002FApplications\u002FPython\\ 3.7\u002FInstall\\ Certificates.command` in a terminal (change `3.7` to whatever version you installed). If you installed Python using MacPorts, run `sudo port install curl-ca-bundle` in a terminal.\n\n**I've installed this project locally. How do I update it to the latest version?**\n\nSee [INSTALL.md](INSTALL.md)\n\n**How do I update my Python libraries to the latest versions, when using Anaconda?**\n\nSee [INSTALL.md](INSTALL.md)\n\nThat's it! Now, have fun learning TensorFlow 2!\n","使用 TensorFlow 2 和 Keras 的深度学习——笔记本\n==============================================\n\n本项目是本人 **使用 TensorFlow 2 和 Keras 的深度学习** 培训课程的配套内容。它以 [Jupyter](http:\u002F\u002Fjupyter.org\u002F) 笔记本的形式，包含了练习题及其解答。\n\n如果您正在寻找我为 O'Reilly 出版的书籍《使用 Scikit-Learn 和 TensorFlow 的动手机器学习》（[Hands-on Machine Learning with Scikit-Learn and TensorFlow](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fhands-on-machine-learning\u002F9781492032632\u002F)）所编写的代码，请访问此 GitHub 项目：[ageron\u002Fhandson-ml2](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml2)。\n\n## 快速入门\n\n### 想在线体验这些笔记本，而无需安装任何东西吗？\n您可以使用以下任意一项服务。\n\n**警告**：请注意，这些服务提供的都是临时环境；您所做的任何操作在一段时间后都会被清除，因此请务必下载您关心的数据。\n\n* **推荐**：在 [Colaboratory](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F) 中打开此仓库：\n\u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_tf2_course_readme_53bfc49bf4db.png\" width=\"90\" \u002F>\u003C\u002Fa>\n\n* 或者在 [Binder](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fageron\u002Ftf2_course\u002Fmaster) 中打开：\n\u003Ca href=\"https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fageron\u002Ftf2_course\u002Fmaster\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_tf2_course_readme_596af5d6338e.png\" width=\"90\" \u002F>\u003C\u002Fa>\n\n  * _注_：大多数情况下，Binder 启动迅速且运行良好，但当 tf2_course 更新时，Binder 会从头开始创建新环境，这可能需要相当长的时间。\n\n* 或者在 [Deepnote](https:\u002F\u002Fbeta.deepnote.com\u002Flaunch?template=data-science&url=https%3A\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb) 中打开：\n\u003Ca href=\"https:\u002F\u002Fbeta.deepnote.com\u002Flaunch?template=data-science&url=https%3A\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_tf2_course_readme_414836117f0a.png\" width=\"150\" \u002F>\u003C\u002Fa>\n\n### 只想快速浏览一些笔记本，而不执行任何代码吗？\n\n请使用 [jupyter.org 的笔记本查看器](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb) 浏览此仓库：\n\u003Ca href=\"https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb\">\u003Cimg src=\"https:\u002F\u002Fjupyter.org\u002Fassets\u002Fnav_logo.svg\" width=\"150\" \u002F>\u003C\u002Fa>\n\n_注_：[github.com 的笔记本查看器](01_neural_nets_with_keras.ipynb) 也可以使用，但速度较慢，且数学公式有时无法正确显示。\n\n### 想在自己的电脑上安装该项目吗？\n\n首先，请安装 [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fdistribution\u002F)（或 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html)）、[git](https:\u002F\u002Fgit-scm.com\u002Fdownloads)，并且如果您拥有兼容 TensorFlow 的 GPU，还需安装 [GPU 驱动程序](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx)，以及相应版本的 CUDA 和 cuDNN（详情请参阅 TensorFlow 官方文档）。\n\n接下来，通过打开终端并输入以下命令来克隆该项目（每行开头的 `$` 不需输入，仅表示这是终端命令）：\n\n    $ git clone https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course.git\n    $ cd tf2_course\n\n然后运行以下命令：\n\n    $ conda env create -f environment.yml\n    $ conda activate tf2c\n    $ python -m ipykernel install --user --name=python3\n\n最后，启动 Jupyter：\n\n    $ jupyter notebook\n\n如需更多说明，请阅读[详细的安装指南](INSTALL.md)。\n\n# 常见问题解答\n\n**我应该使用哪个 Python 版本？**\n\n建议使用 Python 3.7。如果您按照上述安装步骤操作，将获得该版本。大多数代码也能在其他 Python 3 版本上运行，但部分库目前尚不支持 Python 3.8 或 3.9，因此我推荐使用 Python 3.7。\n\n**我在 macOSX 上遇到 SSL 错误**\n\n您可能需要安装 SSL 证书（请参阅此 [StackOverflow 问题](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F27835619\u002Furllib-and-ssl-certificate-verify-failed-error)）。如果您是从官方网站下载的 Python，请在终端中运行 `\u002FApplications\u002FPython\\ 3.7\u002FInstall\\ Certificates.command`（将 `3.7` 替换为您安装的版本）。如果您使用 MacPorts 安装了 Python，则在终端中运行 `sudo port install curl-ca-bundle`。\n\n**我已经在本地安装了该项目。如何将其更新到最新版本？**\n\n请参阅 [INSTALL.md](INSTALL.md)。\n\n**使用 Anaconda 时，如何将 Python 库更新到最新版本？**\n\n请参阅 [INSTALL.md](INSTALL.md)。\n\n好了！现在就开始愉快地学习 TensorFlow 2 吧！","# tf2_course 快速上手指南\n\n本指南旨在帮助开发者快速开始使用 `tf2_course` 项目，通过 Jupyter Notebook 学习 TensorFlow 2 和 Keras 深度学习内容。\n\n## 环境准备\n\n在本地安装前，请确保满足以下系统要求：\n\n*   **操作系统**：Windows、macOS 或 Linux。\n*   **Python 版本**：推荐 **Python 3.7**（部分库可能暂不支持 Python 3.8+）。\n*   **必备工具**：\n    *   [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fdistribution\u002F) 或 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html)（用于管理环境和依赖）。\n    *   [Git](https:\u002F\u002Fgit-scm.com\u002Fdownloads)（用于克隆代码库）。\n*   **可选硬件加速**：\n    *   若拥有兼容的 NVIDIA GPU，请提前安装对应的 [GPU 驱动](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx)、CUDA 及 cuDNN（具体版本请参考 TensorFlow 官方文档）。\n\n> **提示**：国内用户若下载 Anaconda 或 Git 较慢，可使用清华大学或中科大镜像站获取安装包。\n\n## 安装步骤\n\n打开终端（Terminal 或 CMD），依次执行以下命令：\n\n1.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course.git\n    cd tf2_course\n    ```\n\n2.  **创建并激活 Conda 环境**\n    此步骤将根据 `environment.yml` 自动安装所需依赖（包括 TensorFlow 2 和 Keras）。\n    ```bash\n    conda env create -f environment.yml\n    conda activate tf2c\n    ```\n    > **加速提示**：若 `conda` 下载依赖速度过慢，可配置清华镜像源：\n    > `conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F`\n\n3.  **注册 Jupyter 内核**\n    将当前环境添加到 Jupyter Notebook 的内核列表中，以便在界面中选择该环境。\n    ```bash\n    python -m ipykernel install --user --name=python3\n    ```\n\n4.  **启动 Jupyter Notebook**\n    ```bash\n    jupyter notebook\n    ```\n    执行后浏览器将自动打开，即可看到项目中的笔记本书列。\n\n## 基本使用\n\n### 方式一：本地运行（推荐）\n启动 Jupyter 后，点击任意 `.ipynb` 文件（例如 `01_neural_nets_with_keras.ipynb`）即可开始学习。\n*   在页面右上角确保选中的内核为 `python3` (对应刚才激活的 `tf2c` 环境)。\n*   按顺序运行单元格（Cell）中的代码块进行练习。\n\n### 方式二：在线免安装运行\n若不想配置本地环境，可直接通过以下云平台加载本项目（注意：云端环境为临时性的，重要数据请及时下载）：\n\n*   **Google Colaboratory (推荐)**:\n    [在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F)\n*   **Binder**:\n    [在 Binder 中打开](https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fageron\u002Ftf2_course\u002Fmaster)\n    *(注：首次加载或项目更新时，Binder 构建环境可能需要较长时间)*\n*   **Deepnote**:\n    [在 Deepnote 中打开](https:\u002F\u002Fbeta.deepnote.com\u002Flaunch?template=data-science&url=https%3A\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb)\n\n### 仅查看代码\n若只需浏览代码而不执行，可使用 [Jupyter Notebook Viewer](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Ftf2_course\u002Fblob\u002Fmaster\u002F01_neural_nets_with_keras.ipynb)，渲染效果优于 GitHub 原生预览。","某高校数据科学讲师正准备开设一门基于 TensorFlow 2 的深度学习实战课，急需一套结构完整且能立即运行的教学代码库。\n\n### 没有 tf2_course 时\n- 讲师需从零编写数十个 Jupyter Notebook 习题与解答，耗费数周时间整理代码逻辑与注释。\n- 学生本地环境配置困难重重，常因 Python 版本不匹配或缺少 CUDA 驱动导致代码无法运行，课堂时间大量浪费在修电脑上。\n- 缺乏统一的依赖管理文件，不同学生机器上的库版本混乱，导致同一份代码在不同设备上报错频出。\n- 课后练习缺乏标准答案参考，学生自学时遇到瓶颈难以验证思路，作业批改效率极低。\n\n### 使用 tf2_course 后\n- 直接复用课程配套的完整 Notebook 资源，包含精心设计的习题与标准解法，备课周期从数周缩短至几天。\n- 学生可通过 Colab 或 Binder 链接一键在云端启动环境，无需本地安装任何软件，开课即能专注于算法逻辑。\n- 项目提供精确的 `environment.yml` 文件，确保本地开发者的 Python 3.7 环境与所有依赖库版本完全一致，彻底消除“在我机上能跑”的难题。\n- 每个章节均附带详细解决方案，学生可即时对照调试，讲师也能依据标准答案快速评估学习效果。\n\ntf2_course 通过提供开箱即用的教学环境与标准化代码资源，将深度学习课程的开发与部署门槛降至最低，让师生真正聚焦于模型构建本身。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_tf2_course_0e08a953.png","ageron","Aurélien Geron","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fageron_57c7255d.jpg","Author of the book Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Former PM of YouTube video classification and founder & CTO of Wifirst.",null,"Auckland","https:\u002F\u002Ftwitter.com\u002Faureliengeron","https:\u002F\u002Fgithub.com\u002Fageron",[82],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",100,1919,535,"2026-04-10T04:55:23","Apache-2.0","Linux, macOS, Windows","非必需。若使用 GPU，需 NVIDIA 显卡及对应的驱动程序、CUDA 和 cuDNN（具体版本需参考 TensorFlow 文档，文中未明确指定版本号）。","未说明",{"notes":94,"python":95,"dependencies":96},"建议使用 Anaconda 或 Miniconda 管理环境。在线运行可使用 Colaboratory、Binder 或 Deepnote，但注意这些是临时环境，数据会被清除。MacOS 用户若遇到 SSL 错误，需手动安装证书。","3.7 (推荐)",[97,98,99,100],"tensorflow>=2.0","keras","jupyter","ipykernel",[14],"2026-03-27T02:49:30.150509","2026-04-18T03:33:23.485365",[105,110,115,120,125,130,135,140],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},38793,"如何在 Conda 环境中安装 TensorFlow 2.0？","conda-forge 频道可能没有 TensorFlow 2.0，建议从 \"anaconda\" 频道安装。命令行示例：`conda install -c anaconda tensorflow`。或者在 environment.yml 文件中指定渠道：\n```yaml\nname: tf2\nchannels:\n  - anaconda\n  - conda-forge\ndependencies:\n  - python=3.7\n  - numpy\n  - opencv\n  - tensorflow\n```\n另一种方案是先用 conda-forge 创建环境，然后在激活的环境中通过 pip 升级：`pip install --upgrade tensorflow`。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F2",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},38794,"使用 Scikit-Learn 的 StandardScaler 处理图像数据时，reshape 参数应该是什么？","StandardScaler 需要二维数组输入。如果原始数据形状为 [样本数, 28, 28]，应先将其展平为 [样本数, 784]（即 28*28）。正确的代码是将 `.reshape(-1, 1)` 改为 `.reshape(-1, 28 * 28)`。标准化完成后，再使用 `.reshape(-1, 28, 28)` 恢复原始图像形状。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F10",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},38795,"在使用 RandomizedSearchCV 拟合 Keras 模型时，为什么报错 'fit() got an unexpected keyword argument epochs'？","这通常是因为 Scikit-Learn 版本过旧。需要至少版本 0.20 才能支持将 `epochs`、`validation_data` 和 `callbacks` 等参数传递给 Keras 模型的 fit 方法。请运行 `pip install --upgrade scikit-learn` 或将版本更新至 0.20 及以上。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F5",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},38796,"下载 Shakespeare 数据集时出现 'getaddrinfo failed' 或 URL fetch failure 错误怎么办？","这通常是 DNS 解析失败或网络问题导致的。可以尝试以下解决方案：\n1. 稍后重试，可能是临时网络问题。\n2. 检查防火墙或 VPN 设置。\n3. 替换为备用 URL：`shakespeare_url = \"https:\u002F\u002Fraw.githubusercontent.com\u002Fkarpathy\u002Fchar-rnn\u002Fmaster\u002Fdata\u002Ftinyshakespeare\u002Finput.txt\"`。\n4. 手动下载文件并保存到 `$HOME\u002F.keras\u002Fdatasets\u002Fshakespeare.txt`（$HOME 为您的用户主目录路径）。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F19",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},38797,"安装 requirements.txt 时提示找不到 'tf-nightly-2.0-preview' 包怎么办？","该错误通常是因为 requirements.txt 文件已过时，指定的夜间构建版本不再存在。维护者已更新该文件，请拉取最新的代码库内容并重新尝试安装。如果问题依旧，建议直接安装稳定的 TensorFlow 2.0 正式版而非夜间版。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F16",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},38798,"哪里可以找到基于 TensorFlow 2.x 的强化学习（Reinforcement Learning）章节笔记？","您查看的可能是第一版书籍的笔记。第二版书籍（2019 年第四季度发布）已基于 TF 2.x 更新。新版笔记位于：https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml2。其中强化学习笔记本的具体地址是：https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml2\u002Fblob\u002Fmaster\u002F18_reinforcement_learning.ipynb，该版本还引入了 TF Agents。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F15",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},38799,"在绘制学习曲线时，如何正确设置 Y 轴范围（ylim）？","`plt.set_ylim(0, 1)` 这种写法在某些 matplotlib 版本中不存在或不推荐。正确的方法是获取当前坐标轴对象并调用 set_ylim。代码示例：\n```python\npd.DataFrame(history.history).plot(figsize=(8, 5)).set_ylim(0, 1)\nplt.grid(True)\n```\n或者使用：`plt.gca().set_ylim(0, 1)`。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F7",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},38800,"在 Keras 练习中，应该使用 X_valid 还是 X_test 进行模型拟合（model.fit）？","这是一个笔误，已被修复。在模型训练阶段（model.fit），应该使用验证集 `X_valid` 来监控训练过程中的表现，而测试集 `X_test` 应保留用于最终的模型评估，不应参与训练过程。","https:\u002F\u002Fgithub.com\u002Fageron\u002Ftf2_course\u002Fissues\u002F9",[]]