[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-alrojo--tensorflow-tutorial":3,"tool-alrojo--tensorflow-tutorial":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":76,"owner_email":77,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":76,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":133},6015,"alrojo\u002Ftensorflow-tutorial","tensorflow-tutorial","Practical tutorials and labs for TensorFlow used by Nvidia, FFN, CNN, RNN, Kaggle, AE","tensorflow-tutorial 是一套专为 TensorFlow 初学者设计的实战教程，通过交互式 Jupyter Notebook 提供从零开始的深度学习指导。它旨在解决新手在理解复杂神经网络概念时缺乏直观代码示例和可视化演示的痛点，帮助用户快速掌握从基础逻辑回归到高级模型构建的核心技能。\n\n这套教程非常适合开发者、数据科学学生以及希望入门深度学习的研究人员使用。其内容涵盖五大核心实验模块：前馈神经网络（FFN）、卷积神经网络（CNN）、循环神经网络（RNN）、Kaggle 叶片分类竞赛实战以及自编码器（AE）无监督学习。\n\ntensorflow-tutorial 的独特亮点在于其极高的易用性与权威性。所有练习均设计为可在普通笔记本电脑的 CPU 上直接运行，同时也支持 GPU 加速，降低了硬件门槛。课程内容曾由英伟达（Nvidia）在伦敦的深度学习中采用，部分代码源自知名学术项目并经过优化翻译。此外，教程还贴心地关联了 Michael Nielsen 等权威专家的阅读材料，让用户在动手实践中能同步深化理论认知，是连接理论学习与工程实践的理想桥梁。","# TensorFlow Tutorial - used by Nvidia\n\nLearn TensorFlow from scratch by examples and visualizations with interactive jupyter notebooks. Learn to compete in the [Kaggle leaf detection challenge](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fleaf-classification)!\n\nAll exercises are designed to be run from a CPU on a laptop, but can be accelerated with GPU resources.\n\nLab 1-4 was used in the [Deep Learning using TensorFlow](http:\u002F\u002Fwww.eventbrite.com\u002Fe\u002Fdeep-learning-using-tensorflow-tickets-27071720244#) in London by Nvidia and Persontyle\n\n## Credits\n\nLabs 1, 2, 3 and 5 have been translated from Theano\u002FLasagne with minor modifications from the following repositories: [Nvidia Summer Camp](https:\u002F\u002Fgithub.com\u002FDeepLearningDTU\u002Fnvidia_deep_learning_summercamp_2016) and [02456 deep learning](https:\u002F\u002Fgithub.com\u002FDeepLearningDTU\u002F02456-deep-learning). Original authors: [skaae](https:\u002F\u002Fgithub.com\u002Fskaae), [casperkaae](https:\u002F\u002Fgithub.com\u002Fcasperkaae) and [larsmaaloee](https:\u002F\u002Fgithub.com\u002Flarsmaaloee).\n\nThanks to professor [Ole Winther](http:\u002F\u002Fcogsys.imm.dtu.dk\u002Fstaff\u002Fwinther\u002F) for supervision and sponsoring the labs.\n\n## Setup and Installation\n\nGuides for downloading and installing TensorFlow on Linux, OSX and Windows using Docker can be found [here](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Fdownload-and-setup).\n\n## Material\n\nThe material consists of 5 labs.\n\n### [Lab1 - FFN](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab1_FFN)\n\nLogistic regression, feed forward neural network (FFN) on the (in)famous MNIST!\n\nOptional reading material from [Michael Nielsen](http:\u002F\u002Fneuralnetworksanddeeplearning.com\u002F) chapters 1-4 (Do 3-5 of the optional exercises).\n\n### [Lab2 - CNN](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab2_CNN)\n\nConvolutional Neural Network (CNN) and Spatial Transformer on images.\n\nOptional reading material from [Michael Nielsen](http:\u002F\u002Fneuralnetworksanddeeplearning.com\u002F) chapter 6 (stop when reaching section called Other approaches to deep neural nets).\n\n### [Lab3 - RNN](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab3_RNN)\n\nRecurrent Neural Network (RNN) on Translation using Encoder-Decoder model and Encoder-Decoder with attention.\n\nOptional reading material from [Alex Graves](https:\u002F\u002Fwww.cs.toronto.edu\u002F~graves\u002Fpreprint.pdf) chapters 3.1, 3.2 and 4,\n\n### [Lab4 - Kaggle](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab4_Kaggle)\n\nCompete in the kaggle competition [Leaf Classification](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fleaf-classification) using FFN, CNN and RNN.\n\n### [Lab5 - AE](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab5_AE)\n\nUnsupervised learning with autoencoder (AE) reconstructing the MNIST from only two latent variables.\n\nOptional reading material from [deeplearningbook.org](http:\u002F\u002Fwww.deeplearningbook.org\u002Fcontents\u002Fautoencoders.html) chapter 14.\n","# TensorFlow 教程 - 由 NVIDIA 使用\n\n通过示例和可视化，结合交互式 Jupyter 笔记本，从零开始学习 TensorFlow。学习如何在 [Kaggle 叶片检测挑战赛](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fleaf-classification) 中取得好成绩！\n\n所有练习都设计为可以在笔记本电脑的 CPU 上运行，但也可以利用 GPU 资源来加速。\n\n实验室 1 至 4 曾被 NVIDIA 和 Persontyle 在伦敦举办的 [使用 TensorFlow 的深度学习课程](http:\u002F\u002Fwww.eventbrite.com\u002Fe\u002Fdeep-learning-using-tensorflow-tickets-27071720244#) 中采用。\n\n## 致谢\n\n实验室 1、2、3 和 5 均基于 Theano\u002FLasagne 进行了翻译，并做了少量修改，参考了以下仓库：[NVIDIA 夏季营](https:\u002F\u002Fgithub.com\u002FDeepLearningDTU\u002Fnvidia_deep_learning_summercamp_2016) 和 [02456 深度学习](https:\u002F\u002Fgithub.com\u002FDeepLearningDTU\u002F02456-deep-learning)。原作者包括：[skaae](https:\u002F\u002Fgithub.com\u002Fskaae)、[casperkaae](https:\u002F\u002Fgithub.com\u002Fcasperkaae) 和 [larsmaaloee](https:\u002F\u002Fgithub.com\u002Flarsmaaloee)。\n\n感谢教授 [Ole Winther](http:\u002F\u002Fcogsys.imm.dtu.dk\u002Fstaff\u002Fwinther\u002F) 对本教程的指导与支持。\n\n## 设置与安装\n\n关于如何在 Linux、OSX 和 Windows 系统上使用 Docker 下载并安装 TensorFlow 的指南，请参阅 [此处](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Fdownload-and-setup)。\n\n## 教材内容\n\n本教材共包含 5 个实验。\n\n### [Lab1 - FFN](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab1_FFN)\n\n逻辑回归以及在著名 MNIST 数据集上的前馈神经网络（FFN）！\n\n可选阅读材料来自 [Michael Nielsen](http:\u002F\u002Fneuralnetworksanddeeplearning.com\u002F) 第 1 至 4 章（建议完成 3 到 5 个可选习题）。\n\n### [Lab2 - CNN](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab2_CNN)\n\n卷积神经网络（CNN）及图像空间变换器。\n\n可选阅读材料来自 [Michael Nielsen](http:\u002F\u002Fneuralnetworksanddeeplearning.com\u002F) 第 6 章（请在“其他深度神经网络方法”一节停止阅读）。\n\n### [Lab3 - RNN](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab3_RNN)\n\n基于编码器-解码器模型及带注意力机制的编码器-解码器模型的循环神经网络（RNN），用于机器翻译任务。\n\n可选阅读材料来自 [Alex Graves](https:\u002F\u002Fwww.cs.toronto.edu\u002F~graves\u002Fpreprint.pdf) 第 3.1、3.2 和 4 章。\n\n### [Lab4 - Kaggle](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab4_Kaggle)\n\n使用 FFN、CNN 和 RNN 参加 Kaggle 比赛 [叶片分类](https:\u002F\u002Fwww.kaggle.com\u002Fc\u002Fleaf-classification)。\n\n### [Lab5 - AE](https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Ftree\u002Fmaster\u002Flab5_AE)\n\n无监督学习：自编码器（AE）仅利用两个隐变量重建 MNIST 数据集。\n\n可选阅读材料来自 [deeplearningbook.org](http:\u002F\u002Fwww.deeplearningbook.org\u002Fcontents\u002Fautoencoders.html) 第 14 章。","# TensorFlow Tutorial 快速上手指南\n\n本指南基于 Nvidia 使用的开源教程，旨在通过交互式 Jupyter Notebook 和可视化示例，帮助开发者从零开始掌握 TensorFlow。所有练习默认设计为在笔记本电脑 CPU 上运行，同时也支持 GPU 加速。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **核心依赖**：Docker（推荐方式，可避免环境配置冲突）\n*   **硬件要求**：\n    *   最低配置：普通笔记本电脑 CPU\n    *   推荐配置：配备 NVIDIA GPU 的机器（用于加速训练）\n*   **前置知识**：建议具备基础的 Python 编程能力\n\n## 安装步骤\n\n本项目推荐使用 Docker 进行环境部署，以确保依赖一致性。\n\n1.  **安装 Docker**\n    请前往 [Docker 官网](https:\u002F\u002Fwww.docker.com\u002F) 下载并安装适合您操作系统的 Docker Desktop。\n    *国内用户可使用阿里云镜像加速器提升拉取速度：*\n    ```bash\n    # 配置 Docker  daemon.json (Linux\u002FmacOS 示例)\n    {\n      \"registry-mirrors\": [\"https:\u002F\u002F\u003Cyour-id>.mirror.aliyuncs.com\"]\n    }\n    ```\n\n2.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial.git\n    cd tensorflow-tutorial\n    ```\n\n3.  **构建并启动容器**\n    进入 `download-and-setup` 目录查看具体的 Docker 构建脚本，或直接使用官方提供的镜像（如果可用）。通常步骤如下：\n    ```bash\n    # 进入设置目录\n    cd download-and-setup\n    \n    # 构建镜像 (具体 Dockerfile 名称请参考该目录下文件)\n    docker build -t tensorflow-tutorial .\n    \n    # 启动容器并映射 Jupyter 端口\n    docker run -it -p 8888:8888 -v $(pwd)\u002F..:\u002Fhome\u002Fjovyan\u002Fwork tensorflow-tutorial\n    ```\n    *注：启动后终端会输出带有 Token 的 Jupyter Notebook 访问链接（如 `http:\u002F\u002Flocalhost:8888\u002F?token=...`），请在浏览器中打开该链接。*\n\n## 基本使用\n\n启动成功后，您将在 Jupyter 界面中看到 5 个核心实验文件夹。以下是快速体验第一个实验（前馈神经网络）的步骤：\n\n1.  **进入实验目录**\n    在 Jupyter 文件浏览器中，点击进入 `lab1_FFN` 文件夹。\n\n2.  **运行示例 Notebook**\n    打开名为 `Lab1_FFN_MNIST.ipynb`（或类似名称）的文件。\n\n3.  **执行代码**\n    *   点击菜单栏的 **Cell** -> **Run All** 依次运行所有单元格。\n    *   您将看到逻辑回归和前馈神经网络（FFN）在 MNIST 数据集上的训练过程及可视化结果。\n\n4.  **探索其他实验**\n    完成 Lab 1 后，可按顺序挑战以下模块：\n    *   `lab2_CNN`: 卷积神经网络与空间变换器。\n    *   `lab3_RNN`: 基于 Encoder-Decoder 的翻译模型及注意力机制。\n    *   `lab4_Kaggle`: 参与 Kaggle 叶片分类竞赛的综合实战。\n    *   `lab5_AE`: 使用自编码器进行无监督学习。\n\n> **提示**：所有代码均在 Notebook 中提供详细说明，您可以直接修改参数观察模型变化，无需额外编写代码即可开始学习。","某高校深度学习课程讲师正带领学生从零开始掌握 TensorFlow，并准备参加 Kaggle 叶片分类竞赛，但团队缺乏系统的实战教材与可视化教学资源。\n\n### 没有 tensorflow-tutorial 时\n- 学生面对抽象的数学公式难以理解前馈网络（FFN）和卷积网络（CNN）的实际代码实现，学习曲线极其陡峭。\n- 缺乏针对循环神经网络（RNN）及注意力机制的完整编码器 - 解码器案例，导致在处理序列数据时无从下手。\n- 实验室环境配置混乱，师生花费大量时间解决 Docker 安装和依赖冲突，而非专注于算法本身。\n- 缺少从理论到 Kaggle 竞赛的过渡练习，学生无法将学到的 MNIST 基础模型迁移到真实的叶片识别任务中。\n- 自编码器（AE）等无监督学习内容晦涩难懂，缺乏直观的降维重构演示，导致概念理解停留在表面。\n\n### 使用 tensorflow-tutorial 后\n- 通过 Lab1 和 Lab2 的交互式 Jupyter Notebook，学生能直观看到 FFN 和 CNN 在 MNIST 数据集上的训练过程与可视化结果，快速建立直觉。\n- 利用 Lab3 提供的机器翻译完整案例，团队顺利掌握了 RNN 及注意力机制的核心代码，成功复现了编码器 - 解码器模型。\n- 借助官方提供的 Docker 部署指南，师生在几分钟内统一了开发环境，彻底消除了因系统差异导致的运行错误。\n- 直接复用 Lab4 中针对 Kaggle 叶片分类竞赛的成熟架构，学生迅速将基础知识应用于实战，显著提升了竞赛排名。\n- 通过 Lab5 中仅用两个潜在变量重构 MNIST 的实验，复杂的天监督学习概念变得具体可感，学生轻松理解了数据压缩原理。\n\ntensorflow-tutorial 通过“所见即所得”的交互式实验和工业级案例，将深奥的深度学习理论转化为可执行的竞赛能力，极大缩短了从入门到实战的路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Falrojo_tensorflow-tutorial_cd18a725.png","alrojo","A Johansen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Falrojo_38a3a48c.jpg","CS PhD Candidate",null,"arjo@stanford.edu","https:\u002F\u002Fgithub.com\u002Falrojo",[80,84],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",92.9,{"name":85,"color":86,"percentage":87},"Python","#3572A5",7.1,1962,441,"2026-04-04T03:59:11","Linux, macOS, Windows","非必需（设计为可在笔记本 CPU 上运行），若加速需 NVIDIA GPU（具体型号、显存及 CUDA 版本未说明）","未说明",{"notes":95,"python":93,"dependencies":96},"所有练习设计为在笔记本电脑的 CPU 上运行，但可使用 GPU 资源加速。官方提供了基于 Docker 的安装指南。项目包含 5 个实验，涵盖前馈神经网络、卷积神经网络、循环神经网络及自编码器等内容。",[97,98,99],"tensorflow","jupyter","docker",[14],"2026-03-27T02:49:30.150509","2026-04-10T07:43:04.407843",[104,109,114,119,124,129],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},27255,"在 Windows 上运行 Docker 容器时，为什么挂载的共享目录中只能看到文件夹而看不到文件内容？","这通常是因为 Docker Desktop for Windows 中路径格式的问题。请尝试以下步骤：\n1. 在 Docker 终端（而不是普通的 PowerShell 或 CMD）中进入你的项目目录并输入 `pwd`，获取正确的 Unix 风格路径（例如 `\u002Fc\u002FUsers\u002FMathias\u002FDesktop\u002FDocker\u002Ftensorflow_tutorial\u002F`）。\n2. 使用获取到的路径运行 docker 命令，注意路径前缀应为 `\u002Fc\u002F...` 而不是 `C:\\...`。\n\n示例命令：\n`docker run -p 8888:8888 -v \u002Fc\u002FUsers\u002F\u003C用户名>\u002Ftensorflow-tutorial:\u002Fmnt\u002Fmyproject -it alrojo\u002Ftf-sklearn-cpu`\n\n确保使用的是 Docker 自带的终端工具，且路径格式正确转换了盘符。","https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Fissues\u002F1",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},27256,"如何在 lab3_RNN 中对新案例进行预测（即没有目标值 target 的情况下生成序列）？","虽然 TensorFlow 的新版 seq2seq 模块支持此功能，但本教程为了教学目的保留了自定义实现。要编写预测函数，核心思路是：\n1. 将起始标记（如 EOS）作为第一个输入。\n2. 循环调用解码器，每次取输出的 argmax 作为下一步的输入。\n3. 当达到最大长度（max_length）或再次生成 EOS 标记时停止。\n\n你需要手动实现一个循环，利用 `while` 循环在解码器内部逐步生成 token，直到满足停止条件。这需要修改现有的注意力解码器逻辑，使其不依赖真实的 target 序列进行教师强制（teacher forcing）。","https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Fissues\u002F5",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},27257,"代码中存在打印变量名错误，导致输出了操作列表而非变量列表，如何修正？","这是一个简单的代码笔误。在打印变量列表的代码段中，最后一行错误地打印了 `operations` 变量。请将：\n`print(operations)` \n修改为：\n`print(variables)`\n\n修正后的代码片段应为：\n```python\nprint(\"variables\")\nvariables = [var.name for var in tf.all_variables()]\nprint(variables)  # 此处已修正\n```","https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Fissues\u002F3",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},27258,"在 Lab4 构建模型时，调用 convolution2d 报错 'unexpected keyword argument normalize_fn'，如何解决？","这是参数名称拼写错误。`convolution2d` 函数接受的参数名是 `normalizer_fn` 而不是 `normalize_fn`（缺少了字母 'r'）。\n\n请将代码中的：\n`normalize_fn=batch_norm`\n修改为：\n`normalizer_fn=batch_norm`\n\n修正后的函数调用示例：\n```python\nreturn convolution2d(l_in, num_outputs=num_outputs, kernel_size=kernel_size,\n                     stride=stride, normalizer_fn=batch_norm, scope=scope)\n```","https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Fissues\u002F2",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},27259,"我想对教程代码提出建议或发现代码不完美，应该如何反馈或参与改进？","维护者非常欢迎所有的建议和开发想法。你可以直接在 GitHub 上发起 Pull Request (PR) 或者在 Issue 中留言讨论。目前的代码架构仍在开发中，并不完美。如果你不确定如何关闭自己创建的无效 Issue（例如仅作为建议提出），可以在 Issue 页面评论区附近找到 \"Close\" 按钮自行关闭。","https:\u002F\u002Fgithub.com\u002Falrojo\u002Ftensorflow-tutorial\u002Fissues\u002F4",{"id":130,"question_zh":131,"answer_zh":132,"source_url":113},27260,"在自定义注意力机制时，如何处理不同维度矩阵（如 2D 和 3D）的批量乘法并避免 TensorArray 读取错误？","当需要在注意力解码器中处理如 2x10 和 2x10x5 这样的矩阵批量乘法时，若使用 `while` 循环遇到 `InvalidArgumentError: TensorArray ... has not yet been written to` 错误，通常是因为在读取 TensorArray 索引之前未正确写入。\n\n解决思路：\n1. 确保在使用 `TensorArray.read()` 之前，对应的索引已经通过 `TensorArray.write()` 写入了数据。\n2. 在动态循环（如 `tf.while_loop`）中，必须将更新后的 TensorArray 作为循环变量返回，以便在下一次迭代中使用已写入的状态。\n3. 检查初始化逻辑，确保 TensorArray 的大小和类型定义正确。由于这是高级定制开发，建议参考 TensorFlow 官方关于 TensorArray 的动态控制流文档，或在 PR 中与社区交流具体代码实现。",[]]