[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-apache--mahout":3,"tool-apache--mahout":61},[4,18,26,36,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},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",[14,15,13,60],"视频",{"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":77,"owner_email":77,"owner_twitter":77,"owner_website":78,"owner_url":79,"languages":80,"stars":120,"forks":121,"last_commit_at":122,"license":123,"difficulty_score":10,"env_os":124,"env_gpu":125,"env_ram":124,"env_deps":126,"category_tags":137,"github_topics":139,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":146,"updated_at":147,"faqs":148,"releases":187},4598,"apache\u002Fmahout","mahout","Apache Mahout - an environment for quickly creating scalable, performant machine learning applications.","Apache Mahout 是一个致力于快速构建可扩展、高性能机器学习应用的开源环境。值得注意的是，该项目近期迎来了重要转型：其经典的分布式算法库已转入维护模式，而核心重心已全面转向量子计算领域，推出了名为 Qumat 的高层 Python 库。\n\nMahout 主要解决了量子开发中框架碎片化和数据流转效率低的痛点。传统量子编程往往需要针对特定后端（如 Qiskit、Cirq 或 Amazon Braket）重复编写代码，且经典数据向量子态的编码过程常伴随高昂的计算开销。通过 Qumat，开发者只需编写一次代码，即可在不同量子后端间无缝运行，实现了“写一次，随处执行”。此外，其配套的 QDP（量子数据平面）利用 GPU 加速内核和 DLPack 协议，支持在 PyTorch、NumPy 和 TensorFlow 之间进行零拷贝张量传输，极大提升了量子机器学习的数据预处理效率。\n\n这款工具非常适合希望探索量子算法的科研人员、需要跨平台部署量子电路的软件工程师，以及对量子机器学习感兴趣的数据科学家。无需深入底层硬件细节，用户即可利用统一的 API 轻松构建量子电路并高效处理数据，是连接经典","Apache Mahout 是一个致力于快速构建可扩展、高性能机器学习应用的开源环境。值得注意的是，该项目近期迎来了重要转型：其经典的分布式算法库已转入维护模式，而核心重心已全面转向量子计算领域，推出了名为 Qumat 的高层 Python 库。\n\nMahout 主要解决了量子开发中框架碎片化和数据流转效率低的痛点。传统量子编程往往需要针对特定后端（如 Qiskit、Cirq 或 Amazon Braket）重复编写代码，且经典数据向量子态的编码过程常伴随高昂的计算开销。通过 Qumat，开发者只需编写一次代码，即可在不同量子后端间无缝运行，实现了“写一次，随处执行”。此外，其配套的 QDP（量子数据平面）利用 GPU 加速内核和 DLPack 协议，支持在 PyTorch、NumPy 和 TensorFlow 之间进行零拷贝张量传输，极大提升了量子机器学习的数据预处理效率。\n\n这款工具非常适合希望探索量子算法的科研人员、需要跨平台部署量子电路的软件工程师，以及对量子机器学习感兴趣的数据科学家。无需深入底层硬件细节，用户即可利用统一的 API 轻松构建量子电路并高效处理数据，是连接经典机器学习与前沿量子计算的有力桥梁。","\n\u003C!--\nLicensed to the Apache Software Foundation (ASF) under one or more\ncontributor license agreements.  See the NOTICE file distributed with\nthis work for additional information regarding copyright ownership.\nThe ASF licenses this file to You under the Apache License, Version 2.0\n(the \"License\"); you may not use this file except in compliance with\nthe License.  You may obtain a copy of the License at\n\n    http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0\n\nUnless required by applicable law or agreed to in writing, software\ndistributed under the License is distributed on an \"AS IS\" BASIS,\nWITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.\nSee the License for the specific language governing permissions and\nlimitations under the License.\n-->\n\n# Apache Mahout\n\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0)\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10--3.12-blue.svg)](https:\u002F\u002Fwww.python.org\u002F)\n[![GitHub Stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fapache\u002Fmahout.svg)](https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fstargazers)\n[![GitHub Contributors](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fapache\u002Fmahout.svg)](https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fgraphs\u002Fcontributors)\n\nThe goal of the Apache Mahout™ project is to build an environment for quickly creating scalable, performant machine learning applications.\\\nFor additional information about Mahout, visit the [Mahout Home Page](http:\u002F\u002Fmahout.apache.org\u002F)\n\n## Qumat\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapache_mahout_readme_154be2e9a58a.png\" width=\"400\" alt=\"Apache Mahout\">\n\u003C\u002Fp>\n\nQumat is a high-level Python library for quantum computing that provides:\n\n- **Quantum Circuit Abstraction** - Build quantum circuits with standard gates (Hadamard, CNOT, Pauli, etc.) and run them on Qiskit, Cirq, or Amazon Braket with a single unified API. Write once, execute anywhere. Check out [basic gates](https:\u002F\u002Fmahout.apache.org\u002Fdocs\u002Fqumat\u002Fbasic-gates\u002F) for a quick introduction to the basic gates supported across all backends.\n- **QDP (Quantum Data Plane)** - Encode classical data into quantum states using GPU-accelerated kernels. Zero-copy tensor transfer via DLPack lets you move data between PyTorch, NumPy, and TensorFlow without overhead.\n\n## Quick Start\n\n```bash\npip install qumat\n```\n\nwith QDP (Quantum Data Plane) support\n\n```bash\npip install qumat[qdp]\n```\n\n### Qumat: Run a Quantum Circuit\n\n```python\nfrom qumat import QuMat\n\nqumat = QuMat({\"backend_name\": \"qiskit\", \"backend_options\": {\"simulator_type\": \"aer_simulator\"}})\nqumat.create_empty_circuit(num_qubits=2)\nqumat.apply_hadamard_gate(0)\nqumat.apply_cnot_gate(0, 1)\nqumat.execute_circuit()\n```\n\n### QDP: Encode data for Quantum ML\n\n```python\nimport qumat.qdp as qdp\n\nengine = qdp.QdpEngine(device_id=0)\nqtensor = engine.encode([1.0, 2.0, 3.0, 4.0], num_qubits=2, encoding_method=\"amplitude\")\n```\n\n## Roadmap\n\n### 2024\n- [x] Transition of Classic to maintenance mode\n- [x] Integration of Qumat with hardened (tests, docs, CI\u002FCD) Cirq, Qiskit, and Braket backends\n- [x] Integration with Amazon Braket\n- [x] [Public talk about Qumat](https:\u002F\u002F2024.fossy.us\u002Fschedule\u002Fpresentation\u002F265\u002F)\n\n### 2025\n- [x] [FOSDEM talk](https:\u002F\u002Ffosdem.org\u002F2025\u002Fschedule\u002Fevent\u002Ffosdem-2025-5298-introducing-qumat-an-apache-mahout-joint-\u002F)\n- [x] QDP: Foundation & Infrastructure (Rust workspace, build configuration)\n- [x] QDP: Core Implementation (CUDA kernels, CPU preprocessing, GPU memory management)\n- [x] QDP: Zero-copy and Safety (DLManagedTensor, DLPack structures)\n- [x] QDP: Python Binding (PyO3 wrapping, DLPack protocol)\n\n### Q1 2026\n- [ ] QDP: Input Format Support (PyTorch, NumPy, TensorFlow integration)\n- [ ] QDP: Verification and Testing (device testing, benchmarking)\n- [ ] QDP: Additional Encoders (angle\u002Fbasis encoding, multi-GPU optimization)\n- [ ] QDP: Integration & Release (documentation, example notebooks, PyPI publishing)\n\n## Legal\nPlease see the `NOTICE.txt` included in this directory for more information.\n","\u002F*\n本项目根据一个或多个贡献者许可协议授予Apache软件基金会（ASF）使用许可。有关版权归属的更多信息，请参阅随本项目发布的NOTICE文件。\nASF根据Apache许可证2.0版（“许可证”）授予您使用本文件的权利；除非符合该许可证的规定，否则不得使用本文件。您可以在以下网址获取许可证副本：\n\n    http:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0\n\n除非适用法律要求或书面同意，否则按照“AS IS”基础分发的软件不提供任何形式的保证或条件，无论是明确的还是隐含的。有关权限和限制的具体规定，请参阅许可证。\n*\u002F\n\n# Apache Mahout\n\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-Apache%202.0-blue.svg)](https:\u002F\u002Fwww.apache.org\u002Flicenses\u002FLICENSE-2.0)\n[![Python](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FPython-3.10--3.12-blue.svg)](https:\u002F\u002Fwww.python.org\u002F)\n[![GitHub 星标](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fapache\u002Fmahout.svg)](https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fstargazers)\n[![GitHub 贡献者](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fapache\u002Fmahout.svg)](https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fgraphs\u002Fcontributors)\n\nApache Mahout™项目的宗旨是构建一个能够快速创建可扩展、高性能机器学习应用的环境。\\\n如需了解更多关于Mahout的信息，请访问[Mahout主页](http:\u002F\u002Fmahout.apache.org\u002F)\n\n## Qumat\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapache_mahout_readme_154be2e9a58a.png\" width=\"400\" alt=\"Apache Mahout\">\n\u003C\u002Fp>\n\nQumat是一个用于量子计算的高级Python库，它提供了：\n\n- **量子电路抽象** - 使用标准门（Hadamard门、CNOT门、Pauli门等）构建量子电路，并通过单一统一的API在Qiskit、Cirq或Amazon Braket上运行。一次编写，随处执行。请查看[基本门](https:\u002F\u002Fmahout.apache.org\u002Fdocs\u002Fqumat\u002Fbasic-gates\u002F)以快速了解所有后端支持的基本门。\n- **QDP（量子数据平面）** - 使用GPU加速内核将经典数据编码为量子态。通过DLPack实现零拷贝张量传输，可在PyTorch、NumPy和TensorFlow之间无缝移动数据，而无需额外开销。\n- \n\n## 快速入门\n\n```bash\npip install qumat\n```\n\n如果需要QDP（量子数据平面）支持：\n\n```bash\npip install qumat[qdp]\n```\n\n### Qumat：运行量子电路\n\n```python\nfrom qumat import QuMat\n\nqumat = QuMat({\"backend_name\": \"qiskit\", \"backend_options\": {\"simulator_type\": \"aer_simulator\"}})\nqumat.create_empty_circuit(num_qubits=2)\nqumat.apply_hadamard_gate(0)\nqumat.apply_cnot_gate(0, 1)\nqumat.execute_circuit()\n```\n\n### QDP：为量子机器学习编码数据\n\n```python\nimport qumat.qdp as qdp\n\nengine = qdp.QdpEngine(device_id=0)\nqtensor = engine.encode([1.0, 2.0, 3.0, 4.0], num_qubits=2, encoding_method=\"amplitude\")\n```\n\n## 路线图\n\n### 2024年\n- [x] 将Classic迁移至维护模式\n- [x] 将Qumat与经过强化（测试、文档、CI\u002FCD）的Cirq、Qiskit和Braket后端集成\n- [x] 与Amazon Braket集成\n- [x] [关于Qumat的公开演讲](https:\u002F\u002F2024.fossy.us\u002Fschedule\u002Fpresentation\u002F265\u002F)\n\n### 2025年\n- [x] [FOSDEM演讲](https:\u002F\u002Ffosdem.org\u002F2025\u002Fschedule\u002Fevent\u002Ffosdem-2025-5298-introducing-qumat-an-apache-mahout-joint-\u002F)\n- [x] QDP：基础与基础设施（Rust工作区、构建配置）\n- [x] QDP：核心实现（CUDA内核、CPU预处理、GPU内存管理）\n- [x] QDP：零拷贝与安全性（DLManagedTensor、DLPack结构）\n- [x] QDP：Python绑定（PyO3封装、DLPack协议）\n\n### 2026年第一季度\n- [ ] QDP：输入格式支持（PyTorch、NumPy、TensorFlow集成）\n- [ ] QDP：验证与测试（设备测试、基准测试）\n- [ ] QDP：附加编码器（角度\u002F基底编码、多GPU优化）\n- [ ] QDP：集成与发布（文档、示例笔记本、PyPI发布）\n\n## 法律声明\n有关更多信息，请参阅本目录中包含的`NOTICE.txt`文件。","# Apache Mahout (Qumat) 快速上手指南\n\nApache Mahout 目前的核心重点是 **Qumat**，这是一个用于量子计算的高级 Python 库。它支持构建量子电路并在 Qiskit、Cirq 或 Amazon Braket 等后端运行，同时提供 **QDP (Quantum Data Plane)** 以实现基于 GPU 加速的经典数据到量子态的编码。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**: Linux, macOS 或 Windows\n*   **Python 版本**: 3.10 - 3.12\n*   **前置依赖**:\n    *   若使用量子电路功能，需安装对应的后端库（如 `qiskit`, `cirq` 等），Qumat 会自动处理部分依赖，但建议根据目标后端预先配置环境。\n    *   若使用 QDP (GPU 加速数据编码)，需要配备 NVIDIA GPU 并安装正确的 CUDA 驱动。\n\n## 安装步骤\n\n### 1. 基础安装\n仅安装 Qumat 核心库（适用于运行量子电路）：\n\n```bash\npip install qumat\n```\n\n> **国内加速建议**：如果遇到下载速度慢的问题，推荐使用清华或阿里镜像源：\n> ```bash\n> pip install qumat -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 2. 安装带 QDP 支持版本\n如果您需要使用 GPU 加速的数据编码功能 (QDP)，请安装额外依赖：\n\n```bash\npip install qumat[qdp]\n```\n\n## 基本使用\n\n### 场景一：运行量子电路 (Qumat)\n以下示例演示如何创建一个包含 2 个量子比特的电路，应用 Hadamard 门和 CNOT 门，并在 Qiskit 模拟器上执行。\n\n```python\nfrom qumat import QuMat\n\nqumat = QuMat({\"backend_name\": \"qiskit\", \"backend_options\": {\"simulator_type\": \"aer_simulator\"}})\nqumat.create_empty_circuit(num_qubits=2)\nqumat.apply_hadamard_gate(0)\nqumat.apply_cnot_gate(0, 1)\nqumat.execute_circuit()\n```\n\n### 场景二：量子机器学习数据编码 (QDP)\n以下示例演示如何使用 QDP 引擎将经典列表数据编码为量子态（振幅编码）。\n\n```python\nimport qumat.qdp as qdp\n\nengine = qdp.QdpEngine(device_id=0)\nqtensor = engine.encode([1.0, 2.0, 3.0, 4.0], num_qubits=2, encoding_method=\"amplitude\")\n```","某量子计算研究团队正尝试将经典金融时间序列数据编码为量子态，以探索量子机器学习在风险预测中的潜力。\n\n### 没有 mahout 时\n- **后端适配繁琐**：研究人员需分别学习 Qiskit、Cirq 和 Amazon Braket 的独立 API，为同一套量子电路编写多套重复代码，切换硬件后端时重构成本极高。\n- **数据传输瓶颈**：在使用 PyTorch 预处理数据后，将其转换为量子态需经过多次内存拷贝，CPU 与 GPU 间的数据搬运导致训练延迟显著增加。\n- **开发门槛高**：缺乏统一的高层抽象，开发者必须深入处理底层量子门操作细节，难以快速验证新的编码算法或电路结构。\n- **生态割裂**：经典深度学习框架（如 TensorFlow）与量子计算库之间缺乏高效互操作标准，数据格式转换容易引发类型错误和性能损耗。\n\n### 使用 mahout 后\n- **一次编写，随处运行**：借助 mahout 旗下的 Qumat 库，团队通过统一 API 构建量子电路，仅需修改配置参数即可无缝切换至 Qiskit 模拟器或 Amazon Braket 真机执行。\n- **零拷贝数据流转**：利用 mahout 提供的 QDP（量子数据平面）技术，通过 DLPack 协议实现 PyTorch 张量到量子态的零拷贝传输，大幅降低数据编码延迟。\n- **高层抽象提效**：Qumat 封装了 Hadamard、CNOT 等标准量子门操作，让研究人员能专注于业务逻辑与算法创新，而非底层指令集的实现细节。\n- **异构生态融合**：mahout 打通了经典 GPU 加速内核与量子后端的数据链路，支持在不牺牲性能的前提下灵活组合 NumPy、PyTorch 与多种量子后端。\n\nmahout 通过统一接口与高效数据平面，消除了经典计算与量子计算之间的工程鸿沟，让可扩展的量子机器学习应用开发变得触手可及。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fapache_mahout_154be2e9.png","apache","The Apache Software Foundation","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fapache_c52803a1.png","",null,"https:\u002F\u002Fwww.apache.org\u002F","https:\u002F\u002Fgithub.com\u002Fapache",[81,85,89,93,97,101,105,109,113,116],{"name":82,"color":83,"percentage":84},"Rust","#dea584",51.6,{"name":86,"color":87,"percentage":88},"Python","#3572A5",37.8,{"name":90,"color":91,"percentage":92},"Cuda","#3A4E3A",5.1,{"name":94,"color":95,"percentage":96},"TypeScript","#3178c6",2.1,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",1.4,{"name":102,"color":103,"percentage":104},"CSS","#663399",0.8,{"name":106,"color":107,"percentage":108},"Makefile","#427819",0.4,{"name":110,"color":111,"percentage":112},"Jupyter Notebook","#DA5B0B",0.3,{"name":114,"color":115,"percentage":112},"C","#555555",{"name":117,"color":118,"percentage":119},"Shell","#89e051",0.2,2279,990,"2026-04-06T08:48:57","Apache-2.0","未说明","QDP (Quantum Data Plane) 模块需要支持 CUDA 的 NVIDIA GPU（用于 GPU 加速内核），具体型号和显存大小未说明；基础 Qumat 库未强制要求 GPU。",{"notes":127,"python":128,"dependencies":129},"该项目包含两个主要部分：Qumat（量子电路抽象库）和 QDP（量子数据平面）。基础功能只需安装 qumat 即可运行；若需使用 GPU 加速的数据编码功能（QDP），需安装 qumat[qdp] 并确保环境配置了 Rust 工作区及兼容的 CUDA 驱动。QDP 目前处于基础设施构建阶段，计划于 2026 年 Q1 完成对 PyTorch、NumPy 和 TensorFlow 的全面集成。","3.10-3.12",[130,131,132,133,134,135,136],"qiskit","cirq","amazon-braket","pytorch (可选，用于 QDP)","numpy (可选，用于 QDP)","tensorflow (可选，用于 QDP)","rust (用于 QDP 核心构建)",[14,138],"其他",[140,141,142,143,144,145],"apache-mahout","cuda","python","rust","qumat-qdp","qumat","2026-03-27T02:49:30.150509","2026-04-07T03:51:27.614514",[149,154,159,164,169,174,178,183],{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},20923,"Mahout 网站是否会添加深色模式（Dark Mode）切换功能？","虽然有用户提议添加明暗模式切换以改善阅读体验，但该请求已被关闭。维护者表示当前的优先级是内容完善和文档改进，而非 UI 变更。因此，短期内不会实施深色模式功能。","https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fissues\u002F798",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},20918,"如何安装和测试 Apache Mahout Qumat 的发布候选版本（RC）？","要测试 Qumat 0.5.0rc2 及 QDP 扩展，请确保使用 Python 3.10、3.11 或 3.12。对于 QDP 扩展，需要 Linux 环境且配备 NVIDIA GPU 和 CUDA。\n安装核心包命令：\npip install --pre \"qumat==0.5.0rc2\"\n\n安装带 QDP 扩展（GPU 支持）的命令：\npip install --pre \"qumat[qdp]==0.5.0rc2\"\n\n贡献者已在 Python 3.10\u002F3.11\u002F3.12 环境下验证所有测试通过。","https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fissues\u002F986",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},20919,"QDP 扩展在批处理模式和流式模式下对空值（null）的处理策略有何不同？","目前存在不一致性：\n1. 批处理模式（Batch Mode）：空值会自动被强制转换为 0。\n2. 流式模式（Streaming Mode）：空值会触发运行时错误。\n\n项目正在讨论统一策略，可能的方向包括：两端都报错以防止数据损坏、两端都默认转为 0、或允许用户配置行为（如忽略、填零或报错）。目前尚未最终定论，需关注后续共识。","https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fissues\u002F765",{"id":165,"question_zh":166,"answer_zh":167,"source_url":168},20920,"Apache Mahout 的 GPU\u002FCUDA 内核实现路线图包含哪些主要内容？","GPU 相关进展的路线图包括：\n1. 实现基础内核。\n2. 优化工作：并行归一化内核、合并内存访问模式、Warp 级优化、支持异步执行的流。\n3. 实现可选的 CUDA 测试（若无 CUDA 设备则跳过）。\n4. 基准测试：缩放测试（延迟 vs 量子比特数）和数据加载器测试（批次吞吐量）。\n5. 优雅处理内存溢出（OOM）。\n6. 未来的编码方法：角度编码、基矢编码、IQP 编码。\n7. 添加 CUDA 相关的 Apache 许可证预提交检查。\n8. 在概念验证（PoC）完成后，将预处理从 CPU 移至 GPU。","https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fissues\u002F657",{"id":170,"question_zh":171,"answer_zh":172,"source_url":173},20921,"README.md 中的路线图和基本门（basic gates）文档是否过时？","是的，之前的 README 中提到的路线图是去年第一季度的，且关于“基本门仅存在于 qiskit 后端”的描述已不再准确。该问题已通过 PR #808 关闭，文档已得到维护和更新。建议查看最新的仓库文档以获取准确信息。","https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fissues\u002F479",{"id":175,"question_zh":176,"answer_zh":177,"source_url":158},20922,"如何在开发流程中运行测试和预提交检查？","项目已增强开发流程，添加了 make 命令支持。用户可以通过运行 `make test` 来执行测试，运行 `make pre-commit` 来执行预提交检查。这有助于确保代码质量和一致性。",{"id":179,"question_zh":180,"answer_zh":181,"source_url":182},20924,"在测试 Qumat 发布候选版时发现了哪些常见问题及修复情况？","在测试 0.5.0rc1 版本时，社区发现了一些问题并迅速修复，包括：\n1. PyPI 上的 README 图片源路径问题（已改为绝对路径）。\n2. Braket 后端缺少 region 参数传递的问题。\n3. `get_final_state_vector()` 函数中所有后端的参数绑定问题。\n这些问题均在 rc2 版本中得到修复，建议在测试时直接使用最新的 rc2 版本。","https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fissues\u002F963",{"id":184,"question_zh":185,"answer_zh":186,"source_url":158},20925,"QDP 扩展中如何处理 PyTorch 和 DLPack 之间的设备 ID 一致性？","项目中已添加了一项检查机制，用于验证 PyTorch 和 DLPack 之间的设备 ID 一致性。这是为了防止因设备不匹配导致的潜在错误。该功能已在 PR #931 中实现并合并。",[188],{"id":189,"version":190,"summary_zh":191,"released_at":192},126939,"mahout-qumat-0.5.0","## 变更内容\n* MAHOUT-1817：由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F203 中实现 Flink 绑定中的缓存功能\n* MAHOUT-1570：由 @alexeygrigorev 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F137 中为 Mahout DSL 提供 Flink 后端\n* 关闭 GitHub 通知，使用 mvn 调试器测试 Travis 配置，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F225 中完成\n* MAHOUT-1836：重新排列 Javadoc 参数注释，由 @mutekinootoko 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F227 中完成\n* （无 Jira）启用 Flink 测试，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F226 中完成\n* [MAHOUT-1956] 更新 README.md，加入 GPU\u002FGPU\u002FJVM 的构建说明，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F297 中完成\n* [网站] 添加 Jekyll Bootstrapper 等内容，由 @rawkintrevo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F308 中完成\n* 添加主题，由 @rawkintrevo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F309 中完成\n* 重构为文档和前端子站点，由 @rawkintrevo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F311 中完成\n* （无 Jira）手动回滚至 0.13.1-SNAPSHOT，并进行外观修复，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F336 中完成\n* 准备发布，由 @andrewmusselman 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F364 中完成\n* 分支 0.14.0，由 @andrewmusselman 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F365 中完成\n* 修复拼写错误，由 @jimmycasey 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F359 中完成\n* 紧急修复：源代码和二进制归档包，由 @rawkintrevo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F366 中完成\n* 紧急修复：恢复 JavaDocs 功能，由 @rawkintrevo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F367 中完成\n* 无 Jira：编辑发布说明，由 @andrewmusselman 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F368 中完成\n* 网站标题中的错别字，由 @jeffling 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F369 中完成\n* （无 Jira）修复 http:\u002F\u002Fopenjdk.java.net\u002Fjeps\u002F212；将 SCM 标签更新为 0.14.1，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F371 中完成\n* MAHOUT-2067：将 RAT 插件更新至最新版本，由 @ottlinger 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F372 中完成\n* （无 Jira）版本号提升至 V14.0，进行其他一些小修复，并更改 apalumbo 的密钥，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F373 中完成\n* MAHOUT-2067：最新的 RAT 版本及 pom.xml 中的修复，由 @ottlinger 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F374 中完成\n* [MAHOUT-2017] 大规模重构后的微调与多项升级 [MAH…，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F376 中完成\n* Mahout 14.1，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F377 中完成\n* Mahout 14.1 回滚、发布准备及术语变更，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F378 中完成\n* [无 Jira][MAHOUT-14.1][发布工作]- 将 apache\u002Fmahout-14.1 合并到 aplaumbo\u002Fmahout-14.1（GitHub\u002Fgitbox 权限存在问题，无法直接推送），由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F379 中完成\n* Mahout 14.1 回滚，由 @andrewpalumbo 在 https:\u002F\u002Fgithub.com\u002Fapache\u002Fmahout\u002Fpull\u002F380 中完成\n* [MAHOUT-2071] 修复二进制和源代码 r","2026-02-02T13:52:00"]