[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-amygdala--tensorflow-workshop":3,"tool-amygdala--tensorflow-workshop":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":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":10,"env_os":112,"env_gpu":113,"env_ram":113,"env_deps":114,"category_tags":119,"github_topics":78,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":152},1159,"amygdala\u002Ftensorflow-workshop","tensorflow-workshop","This repo contains materials for use in a TensorFlow workshop.","TensorFlow workshop 是一个面向 TensorFlow 初学者和教学者的实践资源库，包含多个动手实验和示例代码，帮助用户快速上手 TensorFlow 的核心概念和功能。它通过从简单图结构到高级 API 的逐步引导，解决了初学者在学习深度学习时可能遇到的入门困难，提供了清晰的实践路径。适合开发者和研究人员使用，尤其适合希望通过实际项目理解 TensorFlow 工作原理的人群。工具中涵盖了 Estimator、Keras、TensorBoard 等现代 API 的使用，并展示了如 Wide & Deep 模型、特征列等进阶技术，是学习 TensorFlow 实战的实用指南。","\n# TensorFlow workshop materials\n\nThis repo contains materials for use in TensorFlow workshops.\n\nContributions are not currently accepted.  This is not an official Google product.\n\n\u003C!---\n[** add note re: TF versions tested with **].\n-->\n\n## Getting Started\n\n- [Building a small starter TensorFlow graph](workshop_sections\u002Fgetting_started\u002Fstarter_tf_graph\u002FREADME.md)\n- [XOR: A minimal training example](workshop_sections\u002Fgetting_started\u002Fxor\u002FREADME.md)\n- A [LinearRegressor example](workshop_sections\u002Flinear_regressor_datasets) that uses Datasets.\n\n## [The high-level TensorFlow APIs, via MNIST & 'fashion MNIST'](workshop_sections\u002Fhigh_level_APIs)\n\n- [Using TensorFlow's high-level APIs to build classifiers, and introducing TensorBoard](workshop_sections\u002Fhigh_level_APIs\u002Fmnist_estimator.ipynb).\n- [An example of using Keras with TensorFlow eager mode, on the'Fashion MNIST' dataset](workshop_sections\u002Fhigh_level_APIs\u002Fmnist_eager_keras.ipynb): This notebook shows an example of using Keras with TensorFlow eager mode, on the 'Fashion MNIST' dataset. This notebook requires TensorFlow >=1.7.\n- [Building Custom `Estimator`s for a version of MNIST that uses CNNs](workshop_sections\u002Fhigh_level_APIs\u002Fmnist_cnn_custom_estimator\u002FREADME.md), using either TensorFlow or [Keras](https:\u002F\u002Fkeras.io\u002F) layers.\n\n\n## 'Wide & Deep'\n\n- [Using a tf.estimator to train a 'Wide & Deep' model](workshop_sections\u002Fwide_n_deep\u002FREADME.md). The example highlights use of [`tf.feature_columns`](https:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fmaster\u002Fget_started\u002Ffeature_columns), which are intermediaries between raw data and Estimators, enabling you to transform a diverse range of raw data into formats that Estimators can use, and allowing easy experimentation.\nIt also includes the use of [**`tf.estimator.train_and_evaluate`**](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Festimator\u002Ftrain_and_evaluate) and [**Datasets**](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Fdata\u002FDataset).\n\n\n## Extras\n\n- [Transfer learning: using a trained model to 'bootstrap' learning new classifications](transfer_learning\u002FREADME.md) [using Cloud ML Engine](workshop_sections\u002Ftransfer_learning\u002Fcloudml). This example still works (and is fun to play with), but uses TensorFlow v1.2.  So it doesn't demonstrate current best practices.\n\n- **(probably outdated)** [Building a word2vec model using a Custom Estimator, and exploring the learned embeddings](workshop_sections\u002Fword2vec\u002FREADME.md). Introducing [TFRecords](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_guides\u002Fpython\u002Fpython_io).\n\nIn addition, there is an [extras](workshop_sections\u002Fextras\u002FREADME.md) directory, that contains some older labs not currently used in this workshop (& which may not necessarily run with the latest version of TF), but which may be of interest.\n\n","# TensorFlow 研讨会资料\n\n此仓库包含用于 TensorFlow 研讨会的材料。\n\n目前不接受贡献。这并非 Google 的官方产品。\n\n\u003C!---\n[** 添加关于已测试 TensorFlow 版本的说明 **].\n-->\n\n## 入门\n\n- [构建一个小型入门 TensorFlow 图](workshop_sections\u002Fgetting_started\u002Fstarter_tf_graph\u002FREADME.md)\n- [XOR：一个最小的训练示例](workshop_sections\u002Fgetting_started\u002Fxor\u002FREADME.md)\n- 一个使用 Dataset 的 [LinearRegressor 示例](workshop_sections\u002Flinear_regressor_datasets)。\n\n## [通过 MNIST 和 'fashion MNIST' 介绍 TensorFlow 高级 API](workshop_sections\u002Fhigh_level_APIs)\n\n- [使用 TensorFlow 高级 API 构建分类器，并介绍 TensorBoard](workshop_sections\u002Fhigh_level_APIs\u002Fmnist_estimator.ipynb)。\n- [在 'Fashion MNIST' 数据集上使用 Keras 与 TensorFlow eager 模式的一个示例](workshop_sections\u002Fhigh_level_APIs\u002Fmnist_eager_keras.ipynb)：该笔记本展示了在 'Fashion MNIST' 数据集上使用 Keras 与 TensorFlow eager 模式的示例。此笔记本需要 TensorFlow >=1.7。\n- [为使用 CNN 的 MNIST 版本构建自定义 `Estimator`](workshop_sections\u002Fhigh_level_APIs\u002Fmnist_cnn_custom_estimator\u002FREADME.md)，可以使用 TensorFlow 或 [Keras](https:\u002F\u002Fkeras.io\u002F) 层。\n\n\n## 'Wide & Deep'\n\n- [使用 tf.estimator 训练 'Wide & Deep' 模型](workshop_sections\u002Fwide_n_deep\u002FREADME.md)。该示例重点介绍了 [`tf.feature_columns`](https:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fmaster\u002Fget_started\u002Ffeature_columns) 的使用，它们是原始数据与 Estimator 之间的桥梁，能够将各种原始数据转换为 Estimator 可以使用的格式，并便于实验。此外还包含了 [**`tf.estimator.train_and_evaluate`**](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Festimator\u002Ftrain_and_evaluate) 和 [**Datasets**](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Fdata\u002FDataset) 的使用。\n\n\n## 附加内容\n\n- [迁移学习：使用预训练模型“启动”新分类的学习](transfer_learning\u002FREADME.md) [通过 Cloud ML Engine](workshop_sections\u002Ftransfer_learning\u002Fcloudml)。这个示例仍然有效（并且很有趣），但使用的是 TensorFlow v1.2，因此并未展示当前的最佳实践。\n\n- **(可能已过时)** [使用自定义 Estimator 构建 word2vec 模型，并探索学习到的嵌入](workshop_sections\u002Fword2vec\u002FREADME.md)。介绍 [TFRecords](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_guides\u002Fpython\u002Fpython_io)。\n\n此外，还有一个 [extras](workshop_sections\u002Fextras\u002FREADME.md) 目录，其中包含一些较旧的实验，目前未在此研讨会上使用（并且可能无法在最新版本的 TF 上运行），但或许仍具有参考价值。","# TensorFlow Workshop 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Windows、macOS 或 Linux\n- Python 版本：3.6 - 3.9（推荐使用 Python 3.8）\n- GPU 支持（可选）：NVIDIA CUDA 11.x 及以上版本\n\n### 前置依赖\n- Python 3.x（建议使用 [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002F) 进行环境管理）\n- pip（Python 包管理工具）\n\n> 推荐使用国内镜像源加速安装，例如：\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 安装步骤\n\n1. 克隆仓库到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fworkshop.git\ncd workshop\n```\n\n2. 安装 TensorFlow：\n```bash\npip install tensorflow==2.10.0\n```\n\n> 如果需要 GPU 支持，安装对应的 GPU 版本：\n```bash\npip install tensorflow-gpu==2.10.0\n```\n\n## 基本使用\n\n### 示例：运行一个简单的 TensorFlow 图\n\n进入 `getting_started\u002Fstarter_tf_graph` 目录并运行示例代码：\n\n```bash\ncd workshop_sections\u002Fgetting_started\u002Fstarter_tf_graph\npython starter_tf_graph.py\n```\n\n### 示例：运行 XOR 训练示例\n\n进入 `getting_started\u002Fxor` 目录并运行示例代码：\n\n```bash\ncd workshop_sections\u002Fgetting_started\u002Fxor\npython xor.py\n```\n\n### 示例：使用 Keras 和 Eager Execution 的 Fashion MNIST 分类\n\n打开 `workshop_sections\u002Fhigh_level_APIs\u002Fmnist_eager_keras.ipynb` 并在 Jupyter Notebook 中运行。\n\n> 注意：该示例需要 TensorFlow >= 1.7。建议使用 TensorFlow 2.x 版本以获得更好的兼容性。","某高校人工智能实验室的研究生团队正在开发一个基于深度学习的图像分类项目，用于识别医学影像中的异常区域。他们需要快速上手 TensorFlow，并希望在有限的时间内完成模型训练和评估。\n\n### 没有 tensorflow-workshop 时  \n- 团队成员对 TensorFlow 的 API 和工作流程不熟悉，导致初期学习成本高  \n- 缺乏统一的实践指导，不同成员的代码风格和实现方式差异大，难以协作  \n- 需要自行查找和验证各种示例代码，浪费大量时间  \n- 对高级功能如 Estimator、Keras 和 TensorBoard 的使用不够熟练  \n\n### 使用 tensorflow-workshop 后  \n- 提供结构化教程，帮助成员快速掌握 TensorFlow 核心概念和 API  \n- 统一了开发流程和代码规范，提升了团队协作效率  \n- 直接引用成熟示例，减少重复劳动，加快开发进度  \n- 通过 MNIST 和 Fashion MNIST 等真实案例，深入理解高级功能的应用场景  \n\ntensorflow-workshop 有效降低了深度学习项目的入门门槛，显著提升了团队的研发效率与代码质量。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Famygdala_tensorflow-workshop_05fbf9df.png","amygdala","Amy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Famygdala_115ffb07.jpg",null,"https:\u002F\u002Fgithub.com\u002Famygdala",[81,85,89,93,97,101,105],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",81,{"name":86,"color":87,"percentage":88},"Python","#3572A5",17,{"name":90,"color":91,"percentage":92},"Shell","#89e051",1,{"name":94,"color":95,"percentage":96},"HTML","#e34c26",0.6,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",0.2,{"name":102,"color":103,"percentage":104},"Dockerfile","#384d54",0.1,{"name":106,"color":107,"percentage":104},"CSS","#663399",627,264,"2026-03-28T23:27:16","Apache-2.0","Linux, macOS, Windows","未说明",{"notes":115,"python":116,"dependencies":117},"部分示例需要 TensorFlow 1.7 或更高版本，部分实验可能需要下载数据集和模型文件。建议使用虚拟环境进行管理。","3.8+",[118],"tensorflow>=1.7",[13],"2026-03-27T02:49:30.150509","2026-04-06T06:44:11.146524",[123,128,133,138,143,148],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},5245,"如何在本地机器上对训练好的 Wide & Deep 分类器进行预测？","可以参考这个示例：[在 Tensorflow Wide and Deep 上进行本地预测并保存结果到 CSV](https:\u002F\u002Fgithub.com\u002FAshutoshDongare\u002FTensorflow-Wide-Deep-Local-Prediction)。此外，在 notebook 的末尾添加了使用 `estimator.predict` 调用的示例，具体可查看此链接：[调用 estimator.predict 示例](https:\u002F\u002Fgithub.com\u002Famygdala\u002Ftensorflow-workshop\u002Fblob\u002Fmaster\u002Fworkshop_sections\u002Fwide_n_deep\u002Fwide_n_deep_flow3.ipynb)","https:\u002F\u002Fgithub.com\u002Famygdala\u002Ftensorflow-workshop\u002Fissues\u002F71",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},5246,"运行 word2vec_basic_summaries.py 时出现 ValueError 错误怎么办？","这可能是 scikit-learn 的问题。尝试卸载 scikit-learn 后重新安装预发布版本：`pip install --pre scikit-learn -U`。该方法已解决类似问题。","https:\u002F\u002Fgithub.com\u002Famygdala\u002Ftensorflow-workshop\u002Fissues\u002F12",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},5247,"创建 Kubernetes 集群时提示资源不足，如何解决？","这是默认配额限制的问题。非试用账户的默认 CPU 配额为 8.0，而请求的是 24.0。建议升级账户或调整机器类型以满足需求。","https:\u002F\u002Fgithub.com\u002Famygdala\u002Ftensorflow-workshop\u002Fissues\u002F13",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},5248,"如何可视化 Word2Vec 训练出的词向量？","需要安装 `sklearn` 和 `matplotlib` 库。如果遇到错误，请确保正确安装这些依赖，并尝试使用 T-SNE 降维进行可视化。","https:\u002F\u002Fgithub.com\u002Famygdala\u002Ftensorflow-workshop\u002Fissues\u002F8",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},5249,"如何在 TensorFlow 1.12 中获取程序的输出？","建议上传包含输出的笔记本文件，或者提供更详细的说明以便更好地支持用户。","https:\u002F\u002Fgithub.com\u002Famygdala\u002Ftensorflow-workshop\u002Fissues\u002F68",{"id":149,"question_zh":150,"answer_zh":151,"source_url":127},5250,"如何在本地运行 TensorFlow Wide & Deep 模型进行预测？","可以在 notebook 的末尾找到 `estimator.predict` 的使用示例，具体可查看此链接：[调用 estimator.predict 示例](https:\u002F\u002Fgithub.com\u002Famygdala\u002Ftensorflow-workshop\u002Fblob\u002Fmaster\u002Fworkshop_sections\u002Fwide_n_deep\u002Fwide_n_deep_flow3.ipynb)",[]]