[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-aksnzhy--xlearn":3,"tool-aksnzhy--xlearn":64},[4,17,27,35,44,52],{"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":10,"last_commit_at":41,"category_tags":42,"status":16},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[13,14,15,43],"视频",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":23,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":23,"last_commit_at":58,"category_tags":59,"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",[14,60,43,61,15,62,26,13,63],"数据工具","插件","其他","音频",{"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":81,"owner_email":82,"owner_twitter":80,"owner_website":80,"owner_url":83,"languages":84,"stars":123,"forks":124,"last_commit_at":125,"license":126,"difficulty_score":23,"env_os":127,"env_gpu":128,"env_ram":129,"env_deps":130,"category_tags":133,"github_topics":134,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":142,"updated_at":143,"faqs":144,"releases":180},4138,"aksnzhy\u002Fxlearn","xlearn","High performance, easy-to-use, and scalable machine learning (ML) package, including linear model (LR), factorization machines (FM), and field-aware factorization machines (FFM) for Python and CLI interface.","xLearn 是一款高性能、易用且可扩展的机器学习工具包，专为解决大规模稀疏数据问题而设计。它内置了线性模型（LR）、因子分解机（FM）以及场感知因子分解机（FFM）等经典算法，特别适用于推荐系统等需要处理百万级用户与类别特征的场景。对于习惯使用 liblinear、libfm 或 libffm 的用户而言，xLearn 提供了更优的替代方案。\n\n该工具的核心优势在于其卓越的性能与灵活性。基于精心优化的 C++ 底层代码，xLearn 通过缓存感知计算和无锁学习机制，将训练速度提升了 5 到 13 倍。同时，它支持“核外训练”（out-of-core training），能够利用普通电脑的硬盘直接处理 TB 级别的超大数据集，有效突破了内存限制。在使用体验上，xLearn 不依赖任何第三方库，安装简便，并提供了简洁的 Python 接口和命令行工具，内置交叉验证、早停机制等竞赛常用功能，极大降低了使用门槛。\n\nxLearn 非常适合数据科学家、算法工程师及研究人员使用，尤其是那些需要在资源有限的环境下处理高维稀疏数据，或追求极致训练效率的开发者。无论是进行工业级推荐系统建模，还是参与数","xLearn 是一款高性能、易用且可扩展的机器学习工具包，专为解决大规模稀疏数据问题而设计。它内置了线性模型（LR）、因子分解机（FM）以及场感知因子分解机（FFM）等经典算法，特别适用于推荐系统等需要处理百万级用户与类别特征的场景。对于习惯使用 liblinear、libfm 或 libffm 的用户而言，xLearn 提供了更优的替代方案。\n\n该工具的核心优势在于其卓越的性能与灵活性。基于精心优化的 C++ 底层代码，xLearn 通过缓存感知计算和无锁学习机制，将训练速度提升了 5 到 13 倍。同时，它支持“核外训练”（out-of-core training），能够利用普通电脑的硬盘直接处理 TB 级别的超大数据集，有效突破了内存限制。在使用体验上，xLearn 不依赖任何第三方库，安装简便，并提供了简洁的 Python 接口和命令行工具，内置交叉验证、早停机制等竞赛常用功能，极大降低了使用门槛。\n\nxLearn 非常适合数据科学家、算法工程师及研究人员使用，尤其是那些需要在资源有限的环境下处理高维稀疏数据，或追求极致训练效率的开发者。无论是进行工业级推荐系统建模，还是参与数据挖掘竞赛，xLearn 都能提供稳定且高效的技术支持。","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_fdccfc74a05d.png\" width = \"400\"\u002F>\n\n[![Hex.pm](https:\u002F\u002Fimg.shields.io\u002Fhexpm\u002Fl\u002Fplug.svg)](.\u002FLICENCE)\n[![Project Status](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fversion-0.4.4-green.svg)]()\n\n## What is xLearn?\n\nxLearn is a ***high performance***, ***easy-to-use***, and ***scalable*** machine learning package that contains linear model (LR), factorization machines (FM), and field-aware factorization machines (FFM), all of which can be used to solve large-scale machine learning problems. xLearn is especially useful for solving machine learning problems on large-scale sparse data. Many real world datasets deal with high dimensional sparse feature vectors like a recommendation system where the number of categories and users is on the order of millions. In that case, if you are the user of liblinear, libfm, and libffm, now xLearn is your another better choice.\n\n[Get Started! (English)](http:\u002F\u002Fxlearn-doc.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)\n\n[Get Started! (中文)](http:\u002F\u002Fxlearn-doc-cn.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)\n\n### Performance\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_a6503c7533e6.png\" width = \"800\"\u002F>\n\nxLearn is developed by high-performance C++ code with careful design and optimizations. Our system is designed to maximize CPU and memory utilization, provide cache-aware computation, and support lock-free learning. By combining these insights, xLearn is 5x-13x faster compared to similar systems.\n\n### Ease-of-use\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_08c36cb1950c.png\" width = \"600\"\u002F>\n\nxLearn does not rely on any third-party library and users can just clone the code and compile it by using cmake. Also, xLearn supports very simple Python and CLI interface for data scientists, and it also offers many useful features that have been widely used in machine learning and data mining competitions, such as cross-validation, early-stop, etc.\n\n### Scalability\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_d9d5d4a80e74.png\" width = \"650\"\u002F>\n\nxLearn can be used for solving large-scale machine learning problems. xLearn supports out-of-core training, which can handle very large data (TB) by just leveraging the disk of a PC.\n\n## How to Contribute\n\nxLearn has been developed and used by many active community members. Your help is very valuable to make it better for everyone.\n\n * Please contribute if you find any bug in xLearn.\n * Contribute new features you want to see in xLearn.\n * Contribute to the tests to make it more reliable.\n * Contribute to the documents to make it clearer for everyone.\n * Contribute to the examples to share your experience with other users.\n * Open issue if you met problems during development.\n\nNote that, please post iusse and contribution in *English* so that everyone can get help from them.\n\n## What's New\n\n - 2019-10-13 [Andrew Kane](https:\u002F\u002Fgithub.com\u002Fankane) add [Ruby bindings](https:\u002F\u002Fgithub.com\u002Fankane\u002Fxlearn) for xLearn!\n\n - 2019-4-25 xLearn 0.4.4 version release. Main update:\n\n    * Support Python DMatrix\n    * Better Windows support\n    * Fix bugs in previous version\n\n - 2019-3-25 xLearn 0.4.3 version release. Main update:\n    * Fix bugs in previous version\n\n - 2019-3-12 xLearn 0.4.2 version release. Main update:\n    * Release Windows version of xLearn\n\n - 2019-1-30 xLearn 0.4.1 version release. Main update:\n    * More flexible data reader\n\n - 2018-11-22 xLearn 0.4.0 version release. Main update:\n\n    * Fix bugs in previous version\n    * Add online learning for xLearn\n\n - 2018-11-10 xLearn 0.3.8 version release. Main update:\n\n    * Fix bugs in previous version.\n    * Update early-stop mechanism.\n\n - 2018-11-08. xLearn gets 2000 star! Congs!\n\n - 2018-10-29 xLearn 0.3.7 version release. Main update:\n\n    * Add incremental Reader, which can save 50% memory cost.\n\n - 2018-10-22 xLearn 0.3.5 version release. Main update:\n\n    * Fix bugs in 0.3.4.\n\n - 2018-10-21 xLearn 0.3.4 version release. Main update:\n\n    * Fix bugs in on-disk training.\n    * Support new file format.\n\n - 2018-10-14 xLearn 0.3.3 version release. Main update:\n\n    * Fix segmentation fault in prediction task.\n    * Update early-stop meachnism.\n\n - 2018-09-21 xLearn 0.3.2 version release. Main update:\n\n    * Fix bugs in previous version\n    * New TXT format for model output\n\n - 2018-09-08 xLearn uses the new logo:\n\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_fdccfc74a05d.png\" width = \"300\"\u002F>\n\n - 2018-09-07 The [Chinese document](http:\u002F\u002Fxlearn-doc-cn.readthedocs.io\u002Fen\u002Flatest\u002Findex.html) is available now!\n\n - 2018-03-08 xLearn 0.3.0 version release. Main update:\n\n    * Fix bugs in previous version\n    * Solved the memory leak problem for on-disk learning\n    * Support TXT model checkpoint\n    * Support Scikit-Learn API\n\n - 2017-12-18 xLearn 0.2.0 version release. Main update:\n\n    * Fix bugs in previous version\n    * Support pip installation\n    * New Documents\n    * Faster FTRL algorithm\n\n - 2017-11-24 The first version (0.1.0) of xLearn release !\n","\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_fdccfc74a05d.png\" width = \"400\"\u002F>\n\n[![Hex.pm](https:\u002F\u002Fimg.shields.io\u002Fhexpm\u002Fl\u002Fplug.svg)](.\u002FLICENCE)\n[![项目状态](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fversion-0.4.4-green.svg)]()\n\n## 什么是xLearn？\n\nxLearn是一个***高性能***、***易用***且***可扩展***的机器学习工具包，包含了线性回归（LR）、因子分解机（FM）和领域感知因子分解机（FFM）等模型，这些模型均可用于解决大规模机器学习问题。xLearn尤其适用于处理大规模稀疏数据的机器学习任务。许多现实世界的数据集都涉及高维稀疏特征向量，例如推荐系统中类别和用户的数量可能达到百万级别。在这种情况下，如果你之前使用过liblinear、libfm或libffm，那么现在xLearn将是你的另一个更优选择。\n\n[开始使用！（英文）](http:\u002F\u002Fxlearn-doc.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)\n\n[开始使用！（中文）](http:\u002F\u002Fxlearn-doc-cn.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)\n\n### 性能\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_a6503c7533e6.png\" width = \"800\"\u002F>\n\nxLearn基于高性能的C++代码开发，并经过精心设计与优化。我们的系统旨在最大化CPU和内存的利用率，提供缓存友好的计算方式，并支持无锁学习。通过结合这些技术优势，xLearn相比同类系统性能提升了5到13倍。\n\n### 易用性\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_08c36cb1950c.png\" width = \"600\"\u002F>\n\nxLearn不依赖任何第三方库，用户只需克隆代码并使用CMake进行编译即可。此外，xLearn还为数据科学家提供了非常简洁的Python和命令行接口，并支持许多在机器学习和数据挖掘竞赛中广泛使用的实用功能，如交叉验证、早停等。\n\n### 可扩展性\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_d9d5d4a80e74.png\" width = \"650\"\u002F>\n\nxLearn可用于解决大规模机器学习问题。它支持外存训练模式，仅需利用个人电脑的硬盘即可处理超大规模数据（TB级别）。\n\n## 如何贡献\n\nxLearn已经由众多活跃的社区成员开发和使用。你的帮助对提升xLearn的质量至关重要。\n\n * 如果你发现xLearn中的任何bug，请提交贡献。\n * 提出你希望在xLearn中看到的新功能。\n * 参与测试工作，以提高系统的可靠性。\n * 完善文档，使其更加清晰易懂。\n * 分享示例代码，与其他用户交流经验。\n * 如果在开发过程中遇到问题，请提交issue。\n\n请注意，所有issue和贡献请使用*英语*提交，以便所有人都能从中受益。\n\n## 最新动态\n\n - 2019年10月13日 [Andrew Kane](https:\u002F\u002Fgithub.com\u002Fankane) 为xLearn添加了[Ruby绑定](https:\u002F\u002Fgithub.com\u002Fankane\u002Fxlearn)！\n\n - 2019年4月25日 xLearn 0.4.4版本发布。主要更新：\n\n    * 支持Python DMatrix\n    * 更好的Windows支持\n    * 修复了上一版本中的bug\n\n - 2019年3月25日 xLearn 0.4.3版本发布。主要更新：\n    * 修复了上一版本中的bug\n\n - 2019年3月12日 xLearn 0.4.2版本发布。主要更新：\n    * 发布了Windows版本的xLearn\n\n - 2019年1月30日 xLearn 0.4.1版本发布。主要更新：\n    * 数据读取器更加灵活\n\n - 2018年11月22日 xLearn 0.4.0版本发布。主要更新：\n\n    * 修复了上一版本中的bug\n    * 为xLearn新增了在线学习功能\n\n - 2018年11月10日 xLearn 0.3.8版本发布。主要更新：\n\n    * 修复了上一版本中的bug\n    * 更新了早停机制\n\n - 2018年11月8日，xLearn获得了2000颗星！恭喜！\n\n - 2018年10月29日 xLearn 0.3.7版本发布。主要更新：\n\n    * 新增了增量读取器，可节省50%的内存开销\n\n - 2018年10月22日 xLearn 0.3.5版本发布。主要更新：\n\n    * 修复了0.3.4中的bug\n\n - 2018年10月21日 xLearn 0.3.4版本发布。主要更新：\n\n    * 修复了磁盘训练中的bug\n    * 支持新的文件格式\n\n - 2018年10月14日 xLearn 0.3.3版本发布。主要更新：\n\n    * 修复了预测任务中的段错误\n    * 更新了早停机制\n\n - 2018年9月21日 xLearn 0.3.2版本发布。主要更新：\n\n    * 修复了上一版本中的bug\n    * 模型输出新增TXT格式\n\n - 2018年9月8日，xLearn启用了新Logo：\n\n \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_readme_fdccfc74a05d.png\" width = \"300\"\u002F>\n\n - 2018年9月7日，[中文文档](http:\u002F\u002Fxlearn-doc-cn.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)正式上线！\n\n - 2018年3月8日 xLearn 0.3.0版本发布。主要更新：\n\n    * 修复了上一版本中的bug\n    * 解决了磁盘学习中的内存泄漏问题\n    * 支持TXT格式的模型检查点\n    * 支持Scikit-Learn API\n\n - 2017年12月18日 xLearn 0.2.0版本发布。主要更新：\n\n    * 修复了上一版本中的bug\n    * 支持通过pip安装\n    * 新增文档\n    * FTRL算法速度更快\n\n - 2017年11月24日，xLearn的第一个版本（0.1.0）发布！","# xLearn 快速上手指南\n\nxLearn 是一个高性能、易用且可扩展的机器学习包，专为解决大规模稀疏数据问题（如推荐系统）而设计。它支持线性模型 (LR)、因子分解机 (FM) 和域感知因子分解机 (FFM)，在性能上比同类库快 5-13 倍。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **编译器**：支持 C++11 的编译器 (如 g++, clang++)\n*   **构建工具**：CMake (版本 2.8 或更高)\n*   **语言支持**：\n    *   Python (可选，需安装 `pip` 和 `setuptools`)\n    *   Ruby (可选，社区贡献版)\n*   **依赖项**：xLearn 不依赖任何第三方 C++ 库，开箱即用。\n\n## 安装步骤\n\n你可以选择通过源码编译安装（推荐以获得最佳性能）或使用 Python pip 安装。\n\n### 方法一：源码编译安装 (通用)\n\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Faksnzhy\u002FxLearn.git\ncd xlearn\n\n# 2. 创建构建目录并进入\nmkdir build && cd build\n\n# 3. 使用 CMake 配置\ncmake ..\n\n# 4. 编译\nmake -j4\n\n# 5. (可选) 安装到系统路径\nsudo make install\n```\n\n### 方法二：Python Pip 安装\n\n```bash\npip install xlearn\n```\n\n> **提示**：国内用户若遇到下载慢的问题，可使用国内镜像源加速安装：\n> `pip install xlearn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 基本使用\n\nxLearn 提供了简洁的 Python API 和命令行接口 (CLI)。以下展示最简单的 Python 使用流程，包含模型训练与预测。\n\n### Python 示例\n\n```python\nimport xlearn as xl\n\n# 1. 初始化模型 (以 FFM 为例)\nffm_model = xl.ffm()\n\n# 2. 设置参数\nffm_model.setTrain(\".\u002Ftrain_data.txt\")  # 训练数据\nffm_model.setValidate(\".\u002Ftest_data.txt\") # 验证数据 (用于早停)\nffm_model.setTask(\"binary\")             # 任务类型：binary (二分类) 或 multi-class\nffm_model.setSign(0.1)                  # 符号函数参数\nffm_model.setLambda(0.002)              # 正则化系数\nffm_model.setEpoch(10)                  # 迭代次数\n\n# 3. 训练模型\n# 启用早停机制 (early stop)，当验证集误差不再下降时自动停止\nffm_model.fit()\n\n# 4. 预测\nffm_model.setTest(\".\u002Ftest_data.txt\")\nffm_model.predict(\".\u002Foutput.txt\")\n```\n\n### 命令行 (CLI) 示例\n\n如果你更喜欢直接使用命令行工具：\n\n```bash\n# 训练模型\n.\u002Fxlearn_train .\u002Ftrain_data.txt -m .\u002Fmodel.out -v .\u002Ftest_data.txt --task binary --epoch 10\n\n# 进行预测\n.\u002Fxlearn_predict .\u002Ftest_data.txt .\u002Fmodel.out -o .\u002Foutput.txt\n```\n\n### 数据格式说明\nxLearn 默认支持 LibSVM 格式或 xLearn 特有的文本格式。对于大规模稀疏数据，建议将类别特征转换为 ID 形式输入。","某电商平台的算法团队正在构建一个拥有千万级用户和百万级商品的大规模点击率（CTR）预测系统，需要处理极高维度的稀疏特征数据。\n\n### 没有 xlearn 时\n- **训练速度缓慢**：使用传统的 libfm 或 libffm 库时，面对 TB 级别的日志数据，单次模型训练往往需要数天时间，严重拖慢迭代节奏。\n- **内存资源瓶颈**：由于数据量超出单机内存限制，团队不得不搭建昂贵的分布式集群或进行复杂的数据分片处理，运维成本极高。\n- **调参流程繁琐**：缺乏内置的交叉验证和早停（early-stop）机制，工程师需手动编写大量脚本防止过拟合并寻找最优参数，效率低下。\n- **环境依赖复杂**：底层库对第三方依赖较多，在不同操作系统（尤其是 Windows）上编译部署时常遇到兼容性报错，阻碍快速上线。\n\n### 使用 xlearn 后\n- **性能显著提升**：借助 xlearn 的缓存感知计算和无锁学习设计，训练速度提升了 5 至 13 倍，原本几天的任务现在几小时内即可完成。\n- **支持外存训练**：利用 xlearn 的 Out-of-core 训练特性，直接在普通 PC 硬盘上即可流畅处理 TB 级数据，无需扩充内存或构建集群。\n- **开发体验优化**：通过简单的 Python 接口直接调用内置的交叉验证与早停功能，自动锁定最佳模型，大幅减少了人工调参工作量。\n- **部署轻松无忧**：xlearn 不依赖任何第三方库且提供完善的 Windows 支持，团队可一键编译并在多种环境下稳定运行，降低了维护难度。\n\nxlearn 让大规模稀疏数据的机器学习任务从“资源密集型”转变为“高效敏捷型”，显著降低了算力门槛并加速了业务落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Faksnzhy_xlearn_9bfa117a.png","aksnzhy","Chao Ma","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Faksnzhy_c93b0f78.jpg","I focus on distributed systems and large-scale machine learning.",null,"ShangHai","mctt90@gmail.com","https:\u002F\u002Fgithub.com\u002Faksnzhy",[85,89,93,97,101,105,109,112,116,119],{"name":86,"color":87,"percentage":88},"C++","#f34b7d",82.7,{"name":90,"color":91,"percentage":92},"Shell","#89e051",7.7,{"name":94,"color":95,"percentage":96},"Python","#3572A5",5.4,{"name":98,"color":99,"percentage":100},"Makefile","#427819",2.2,{"name":102,"color":103,"percentage":104},"CMake","#DA3434",0.8,{"name":106,"color":107,"percentage":108},"C","#555555",0.6,{"name":110,"color":80,"percentage":111},"M4",0.4,{"name":113,"color":114,"percentage":115},"Batchfile","#C1F12E",0.1,{"name":117,"color":118,"percentage":115},"R","#198CE7",{"name":120,"color":121,"percentage":122},"Dockerfile","#384d54",0,3095,515,"2026-04-05T13:33:07","Apache-2.0","Linux, macOS, Windows","未说明","未说明（支持外存训练，可利用磁盘处理 TB 级数据）",{"notes":131,"python":128,"dependencies":132},"该工具不依赖任何第三方库，只需克隆代码并使用 cmake 编译即可。支持 Python 和命令行接口。特别适用于大规模稀疏数据场景，支持外存训练（Out-of-core training），可利用普通 PC 磁盘处理 TB 级数据。",[],[60,13,62],[135,136,137,138,139,140,141],"machine-learning","statistics","data-science","data-analysis","factorization-machines","ffm","fm","2026-03-27T02:49:30.150509","2026-04-06T11:57:28.261503",[145,150,155,160,165,170,175],{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},18851,"为什么每次运行模型得到的预测结果都不一样？","这是一个已修复的随机性 Bug。请下载并编译最新的源代码来解决此问题，或者确保您使用的版本高于 0.4.2。维护者确认该问题已在后续版本中修复。","https:\u002F\u002Fgithub.com\u002Faksnzhy\u002Fxlearn\u002Fissues\u002F237",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},18852,"安装时提示需要 CMake 3.0 以上版本，但系统版本较低怎么办？","如果通过 pip 安装或源码编译遇到 CMake 版本过低或缺少库的错误，请先安装必要的静态库。在 CentOS 等系统上，尝试运行命令：`sudo yum install glibc-static libstdc++-static -y`，然后重新构建 xLearn。如果仍然有问题，请升级 CMake 到 3.0 或以上版本。","https:\u002F\u002Fgithub.com\u002Faksnzhy\u002Fxlearn\u002Fissues\u002F52",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},18853,"如何导出 FM 或 FFM 模型训练后的特征 Embedding 向量？","可以导出。请参考官方文档中的模型输出部分（Model Output），地址为：https:\u002F\u002Fxlearn-doc.readthedocs.io\u002Fen\u002Flatest\u002Fcli_api\u002Findex.html#model-output。文档中包含了导出嵌入向量的具体方法和参数说明。","https:\u002F\u002Fgithub.com\u002Faksnzhy\u002Fxlearn\u002Fissues\u002F176",{"id":161,"question_zh":162,"answer_zh":163,"source_url":164},18854,"如何使用 Pip 安装最新版本的 xlearn，以及 .whl 和 .tar.gz 包有什么区别？","维护者已上传修复后的 Python 包。您可以选择两种文件进行安装：\n1. `.whl` 文件：后端代码已编译为 `.so` 文件，安装速度快。使用前请确保系统的 GLIBC 版本 >= 2.17（可通过 `ldd --version` 检查）。\n2. `.tar.gz` 文件：包含源码，需要本地编译。请确保系统已安装 CMake 且 g++ 支持 C++11（通常 g++ 5.4+ 即可）。","https:\u002F\u002Fgithub.com\u002Faksnzhy\u002Fxlearn\u002Fissues\u002F256",{"id":166,"question_zh":167,"answer_zh":168,"source_url":169},18855,"在 macOS 上运行示例脚本失败或遇到分段错误（Segmentation Fault）如何解决？","如果是由于数据行过长导致的崩溃，维护者已修改了 `kMaxLineSize` 常量，请使用最新的源代码重新编译。此外，如果读取 CSV 文件时跳过零值导致问题，可以尝试注释掉源码 `src\u002Freader\u002Fparser.cc` 第 233 行的相关代码。对于内存不足的问题，xLearn 支持“磁盘训练”（on-disk train），适合大数据集，详见文档：https:\u002F\u002Fxlearn-doc.readthedocs.io\u002Fen\u002Flatest\u002Flarge\u002Findex.html。","https:\u002F\u002Fgithub.com\u002Faksnzhy\u002Fxlearn\u002Fissues\u002F246",{"id":171,"question_zh":172,"answer_zh":173,"source_url":174},18856,"如何在推荐系统中处理海量的用户 - 物品组合以避免计算爆炸？","建议使用负采样（Negative Sampling）技术。在训练阶段，将问题从多分类转化为二分类：对每一个正样本（发生交易），采样一个负样本（未发生交易）。这样可以使用 FM 或 FFM 模型进行训练。在预测阶段，再对所有候选物品进行评分和排序，从而避免在训练时枚举所有组合。","https:\u002F\u002Fgithub.com\u002Faksnzhy\u002Fxlearn\u002Fissues\u002F230",{"id":176,"question_zh":177,"answer_zh":178,"source_url":179},18857,"文档声称支持 CSV 格式但报错，或者输入验证有问题怎么办？","早期版本的 CSV 解析器可能存在校验过于严格或逻辑不完善的问题。维护者表示会改进检查器。如果遇到此类问题，建议尝试使用 GLM 模型（设置 s=0 选项）看是否能通过，或者检查输入数据格式是否完全符合 LibSVM\u002FFFM 的标准格式要求。如遇持续问题，建议升级到最新版本以获取修复后的解析器。","https:\u002F\u002Fgithub.com\u002Faksnzhy\u002Fxlearn\u002Fissues\u002F9",[181,186,191,196,201,206,211,216,220,225,230,235,240,245,250],{"id":182,"version":183,"summary_zh":184,"released_at":185},109367,"v0.4.4","主要更新：\n\n  * 支持 Python 的 DMatrix。\n  * 更好的 Windows 支持。","2019-04-25T02:10:05",{"id":187,"version":188,"summary_zh":189,"released_at":190},109368,"v0.4.3","主要更新：\n    *修复上一版本中的 bugs\n    *在 Windows 上提供二进制 Python 包。支持以下版本的 Python（x64）：py2.7、py3.4、py3.5、py3.6、py3.7\n","2019-03-25T13:30:35",{"id":192,"version":193,"summary_zh":194,"released_at":195},109369,"v0.4.2","主要更新：\n* 发布 xLearn 的 Windows 版本\n","2019-03-12T08:17:00",{"id":197,"version":198,"summary_zh":199,"released_at":200},109370,"v0.4.1","主要更新：\n\n* 更灵活的数据读取器","2019-01-30T14:13:32",{"id":202,"version":203,"summary_zh":204,"released_at":205},109371,"v0.4.0","* 修复上一版本中的 bugs\r\n* 增加 xLearn 的在线学习功能","2018-11-22T13:46:30",{"id":207,"version":208,"summary_zh":209,"released_at":210},109372,"v0.3.8","2018年11月10日，xLearn 0.3.8版本发布。主要更新如下：\n\n   * 修复了之前版本中的错误。\n   * 更新了早停机制。","2018-11-10T13:01:57",{"id":212,"version":213,"summary_zh":214,"released_at":215},109373,"v0.3.7","主要更新：\n\n* 修复 0.3.6 中的 bug","2018-10-29T05:14:18",{"id":217,"version":218,"summary_zh":80,"released_at":219},109374,"v","2018-10-29T05:13:42",{"id":221,"version":222,"summary_zh":223,"released_at":224},109375,"v0.3.6","主要更新：\n\n    * 添加增量读取器，可节省50%的内存开销。","2018-10-29T04:38:10",{"id":226,"version":227,"summary_zh":228,"released_at":229},109376,"0.3.5","修复 0.3.4 版本中的 bug。","2018-10-22T07:18:05",{"id":231,"version":232,"summary_zh":233,"released_at":234},109377,"v0.3.4","主要更新：\n\n1. 修复了上一版本中磁盘训练的 bug。\n2. 支持新的文件格式。","2018-10-21T14:20:14",{"id":236,"version":237,"summary_zh":238,"released_at":239},109378,"0.3.3","Main update:\r\n\r\n1. Solve segmentation fault in prediction\r\n2. Update Early-stop ","2018-10-14T08:33:41",{"id":241,"version":242,"summary_zh":243,"released_at":244},109379,"0.3.2","Fix bugs in previous version and re-design the TXT model output format. ","2018-09-22T12:42:39",{"id":246,"version":247,"summary_zh":248,"released_at":249},109380,"v0.3.1","Fix the memory leak bug in xLearn 0.3.0","2018-03-09T06:53:08",{"id":251,"version":252,"summary_zh":80,"released_at":253},109381,"v0.3.0","2018-03-09T06:51:51"]