[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-andersbll--deeppy":3,"tool-andersbll--deeppy":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",153609,2,"2026-04-13T11:34:59",[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":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":77,"owner_email":78,"owner_twitter":75,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":99,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":138},7230,"andersbll\u002Fdeeppy","deeppy","Deep learning in Python","deeppy 是一个基于 Python 构建的深度学习框架，旨在让开发者能够以简洁、自然的代码风格探索神经网络。它底层依赖 NumPy 进行数值计算，并可选集成 cudarray 库以实现 CUDA GPU 加速，从而在保持代码易读性的同时兼顾运算效率。\n\n在深度学习框架日益复杂的背景下，deeppy 致力于解决“黑盒化”与“过度封装”的问题。它不追求大而全的功能堆砌，而是提供一个轻量级、透明的环境，让用户能清晰地理解模型内部的数学原理与数据流动过程，非常适合用于教学演示、算法原型验证或深入理论研究。\n\n这款工具特别适合希望深入理解深度学习底层机制的研究人员、高校师生以及喜欢动手实现的 Python 开发者。如果你不满足于直接调用高层 API，而是渴望从零构建或修改网络结构，deeppy 将是一个理想的起点。其独特的技术亮点在于完美的\"Pythonic\"设计风格，结合了 NumPy 的生态兼容性与潜在的 GPU 加速能力，让用户无需切换语言或适应繁琐的配置，即可在熟悉的 Python 环境中高效完成从基础感知机到复杂卷积网络的实验。","## Deep learning in Python\n\nDeepPy is a Pythonic deep learning framework built on top of NumPy ([with CUDA acceleration][cudarray]).\n\nRead more on the [preliminary website][website].\n\n[website]: http:\u002F\u002Fandersbll.github.io\u002Fdeeppy-website\u002F\n[cudarray]: http:\u002F\u002Fgithub.com\u002Fandersbll\u002Fcudarray\n","## Python中的深度学习\n\nDeepPy 是一个基于 NumPy 构建的、具有 Python 风格的深度学习框架（[支持 CUDA 加速][cudarray]）。\n\n更多内容请访问[初步网站][website]。\n\n[website]: http:\u002F\u002Fandersbll.github.io\u002Fdeeppy-website\u002F\n[cudarray]: http:\u002F\u002Fgithub.com\u002Fandersbll\u002Fcudarray","# DeepPy 快速上手指南\n\nDeepPy 是一个基于 NumPy（支持 CUDA 加速）构建的 Python 风格深度学习框架。本指南将帮助你快速搭建环境并运行第一个示例。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（Windows 需通过 WSL 或类似环境运行）。\n*   **Python 版本**：推荐 Python 3.6+。\n*   **核心依赖**：\n    *   `NumPy`：基础数值计算库。\n    *   `cudarray`（可选）：如果你拥有 NVIDIA GPU 并希望启用 CUDA 加速，需要安装此依赖及对应的 CUDA Toolkit。\n\n## 安装步骤\n\n你可以使用 `pip` 直接从 GitHub 源码安装最新版本的 DeepPy。\n\n### 1. 安装基础版本（仅 CPU）\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy.git\n```\n\n> **国内加速建议**：如果下载速度较慢，可配置国内镜像源（如清华源）进行安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple git+https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy.git\n> ```\n\n### 2. 安装 GPU 加速版本（可选）\n\n若需使用 CUDA 加速，请先确保已安装 `cudarray`，然后再安装 DeepPy：\n\n```bash\n# 先安装 cudarray (需预先安装好 CUDA Toolkit)\npip install git+https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fcudarray.git\n\n# 再安装 deeppy\npip install git+https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy.git\n```\n\n## 基本使用\n\n以下是一个最简单的示例，展示如何定义一个简单的神经网络模型并进行前向传播。\n\n```python\nimport numpy as np\nimport deeppy as dp\n\n# 1. 准备数据 (简单的 XOR 问题示例)\nX = np.array([[0, 0], [0, 1], [1, 0], [1, 1]], dtype=np.float32)\ny = np.array([[0], [1], [1], [0]], dtype=np.float32)\n\n# 2. 构建网络结构\n# 输入层 -> 隐藏层 (ReLU 激活) -> 输出层 (Sigmoid 激活)\nlayers = [\n    dp.fc(input_size=2, output_size=4, activation=dp.ReLU()),\n    dp.fc(input_size=4, output_size=1, activation=dp.Sigmoid())\n]\n\nnetwork = dp.NeuralNetwork(layers)\n\n# 3. 设置优化器并训练\noptimizer = dp.SGD(network, learning_rate=0.1)\n\nprint(\"开始训练...\")\nfor epoch in range(1000):\n    loss = optimizer.train(X, y)\n    if epoch % 100 == 0:\n        print(f\"Epoch {epoch}, Loss: {loss:.4f}\")\n\n# 4. 预测结果\npredictions = network.predict(X)\nprint(\"\\n预测结果:\")\nfor i, pred in enumerate(predictions):\n    print(f\"输入: {X[i]} -> 预测: {pred[0]:.4f} (真实值：{y[i][0]})\")\n```\n\n运行上述代码后，你将看到模型逐步收敛并输出接近真实值的预测结果。","某初创计算机视觉团队正尝试在资源受限的服务器上，从零构建一个基于 NumPy 的自定义卷积神经网络原型，以验证新的图像去噪算法。\n\n### 没有 deeppy 时\n- 开发者需手动编写繁琐的前向传播与反向传播数学公式，极易因矩阵维度不匹配导致难以排查的 Bug。\n- 缺乏内置的 GPU 加速支持，训练大规模图像数据集时只能依赖 CPU，单次迭代耗时数小时，严重拖慢实验节奏。\n- 每次调整网络层结构都需要重构大量底层代码，无法像搭积木一样快速组合不同的激活函数或损失函数。\n- 调试过程中缺乏统一的张量操作接口，必须在原生 NumPy 数组与自定义类之间频繁转换，代码可读性极差。\n\n### 使用 deeppy 后\n- 利用 deeppy 封装好的层级模块，开发者只需几行代码即可定义网络结构，自动处理复杂的梯度计算与维度对齐。\n- 通过集成 cudarray 后端，deeppy 无缝调用 CUDA 加速，将原本数小时的训练时间压缩至分钟级，大幅提升迭代效率。\n- 借助其高度 Pythonic 的 API 设计，团队成员可以灵活替换损失函数或优化器，无需修改底层架构即可验证多种假设。\n- 统一的张量操作流让代码逻辑清晰直观，开发者能更专注于算法创新而非陷入底层数学实现的泥潭。\n\ndeeppy 让研究人员从繁琐的底层数学实现中解放出来，真正实现了用纯粹的 Python 思维高效驾驭深度学习模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fandersbll_deeppy_6346ea7e.png","andersbll","Anders Boesen Lindbo Larsen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fandersbll_94e113d7.jpg",null,"Technical University of Denmark","Copenhagen, Denmark","anders.bll@gmail.com","http:\u002F\u002Fcompute.dtu.dk\u002F~abll","https:\u002F\u002Fgithub.com\u002Fandersbll",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1375,299,"2026-04-10T06:16:43","MIT",4,"未说明","可选（通过 cudarray 支持 CUDA 加速），具体型号、显存及 CUDA 版本未说明",{"notes":94,"python":95,"dependencies":96},"该框架基于 NumPy 构建，若需 GPU 加速需安装 cudarray 库。README 内容较为简略，未提供具体的版本号和硬件最低要求，建议参考项目官网或源码获取详细安装指南。","未说明（需支持 NumPy 的 Python 环境）",[97,98],"numpy","cudarray",[14],"2026-03-27T02:49:30.150509","2026-04-14T04:24:05.613918",[103,108,113,118,123,128,133],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},32464,"如何在没有 GPU 或不安装 CUDA 的情况下使用 deeppy？","可以不用 GPU 后端运行。请参考 cudarray 项目中关于“无 CUDA 后端”的说明文档：https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fcudarray#without-cuda-back-end","https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy\u002Fissues\u002F3",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},32465,"运行示例时遇到 'invalid device function' 错误或程序崩溃怎么办？","这通常是因为 CUDA 架构版本与您的 GPU 不匹配。请检查您使用的 GPU 型号（例如 GeForce GT 730M），并修改 Makefile 中的 CUDA_ARCH 变量以匹配您的显卡计算能力。可以参考 Caffe 项目的相关 issue 获取具体配置方法：https:\u002F\u002Fgithub.com\u002FBVLC\u002Fcaffe\u002Fissues\u002F138","https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy\u002Fissues\u002F5",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},32466,"初始化参数时出现 'TypeError: __init__() got an unexpected keyword argument weight_decay' 错误？","这通常是因为您当前激活的是旧版本的 deeppy，该版本不支持 'weight_decay' 参数。请尝试重新下载并编译安装最新版本的 deeppy，确保使用的是新构建的版本即可解决此问题。","https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy\u002Fissues\u002F6",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},32467,"代码修改后使用递归重载 (recursive reload) 导致报错 AttributeError 怎么办？","这是因为底层的 C 扩展库（libcudarray）无法被 Python 的热重载机制正确重载。解决方法是重启 IPython 内核（Kernel），然后重新运行代码，不要依赖热重载功能。","https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy\u002Fissues\u002F13",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},32468,"为什么其他神经风格迁移实现会占用大量内存甚至爆显存，而 deeppy 的实现不会？","内存占用的差异主要源于优化器的选择。许多其他实现使用 L-BFGS 优化器，它需要更多的内存；而 deeppy 的神经艺术风格实现使用的是 ADAM 优化器，其内存效率更高。","https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy\u002Fissues\u002F14",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},32469,"在 Python 3 环境下导入 deeppy 时出现 'ImportError: No module named nnet' 错误？","这是代码兼容性问题。早期版本的代码未完全兼容 Python 3，导致导入失败。请确保您已更新到修复了 Python 3 兼容性的最新版本。","https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy\u002Fissues\u002F22",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},32470,"设置正的 weight_decay 导致权重爆炸，而负值反而使权重缩小，是不是符号错了？","是的，这是一个代码逻辑错误。在惩罚项（penalty）的计算中符号确实有误，导致行为相反。该问题已在后续提交中修复（commit 45cce4efbd94b00de0ba97590e7ea010dac43e68），请更新代码以获取正确的权重衰减行为。","https:\u002F\u002Fgithub.com\u002Fandersbll\u002Fdeeppy\u002Fissues\u002F17",[]]