[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-codebasics--deep-learning-keras-tf-tutorial":3,"tool-codebasics--deep-learning-keras-tf-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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":92,"forks":93,"last_commit_at":94,"license":75,"difficulty_score":95,"env_os":96,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":110,"updated_at":111,"faqs":112,"releases":113},9453,"codebasics\u002Fdeep-learning-keras-tf-tutorial","deep-learning-keras-tf-tutorial","Learn deep learning with tensorflow2.0, keras and python through this comprehensive deep learning tutorial series. Learn deep learning from scratch. Deep learning series for beginners. Tensorflow tutorials, tensorflow 2.0 tutorial. deep learning tutorial python.","deep-learning-keras-tf-tutorial 是一套专为初学者打造的深度学习入门教程系列，旨在帮助用户从零开始掌握基于 Python、TensorFlow 2.0 和 Keras 的神经网络开发技能。面对深度学习领域概念抽象、环境配置复杂以及代码实战门槛高等痛点，这套资源通过系统化的视频讲解与代码演示，将复杂的理论拆解为易于理解的实操步骤，让用户能够轻松跨越从理论到应用的鸿沟。\n\n该教程特别适合想要转行进入人工智能领域的开发者、计算机相关专业的学生，以及希望快速上手构建模型的研究人员。无论你是没有任何基础的编程新手，还是有一定经验但想更新技术栈的工程师，都能从中找到适合自己的学习路径。其核心亮点在于紧跟 TensorFlow 2.0 的最新特性，充分利用 Keras 高级 API 的简洁性，大幅降低了模型搭建与训练的代码复杂度。课程内容涵盖数据预处理、经典网络架构构建、模型调优等全流程，强调“边学边做”，帮助学习者在实践中建立对深度学习的直观认知，为后续探索更前沿的 AI 技术打下坚实基础。","# [Deep Learning using Tensorflow 2.0 and Keras](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLeo1K3hjS3uu7CxAacxVndI4bE_o3BDtO)\nLearn deep learning with tensorflow2.0, keras and python through this comprehensive deep learning tutorial series. Learn deep learning from scratch. Deep learning series for beginners. Tensorflow tutorials, tensorflow 2.0 tutorial. deep learning tutorial python.\n","# [使用 TensorFlow 2.0 和 Keras 进行深度学习](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLeo1K3hjS3uu7CxAacxVndI4bE_o3BDtO)\n通过这套全面的深度学习教程系列，学习如何使用 TensorFlow 2.0、Keras 和 Python 进行深度学习。从零开始学习深度学习。面向初学者的深度学习系列。TensorFlow 教程、TensorFlow 2.0 教程、Python 深度学习教程。","# deep-learning-keras-tf-tutorial 快速上手指南\n\n本指南基于 TensorFlow 2.0 和 Keras，帮助开发者从零开始学习深度学习。\n\n## 环境准备\n\n*   **操作系统**：Windows、macOS 或 Linux\n*   **Python 版本**：推荐 Python 3.6 - 3.9\n*   **前置依赖**：\n    *   pip (Python 包管理工具)\n    *   建议安装虚拟环境工具 (如 `venv` 或 `conda`) 以隔离依赖\n\n## 安装步骤\n\n1.  **创建并激活虚拟环境** (可选但推荐)：\n    ```bash\n    python -m venv tf-env\n    # Windows\n    tf-env\\Scripts\\activate\n    # macOS\u002FLinux\n    source tf-env\u002Fbin\u002Factivate\n    ```\n\n2.  **安装 TensorFlow 2.0**：\n    *   **国内加速方案**：推荐使用清华源或阿里源加速下载。\n    ```bash\n    pip install tensorflow==2.0.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：若需 GPU 支持且环境配置复杂，初学者建议先使用 CPU 版本进行代码学习，上述命令已包含 CPU 支持)*\n\n3.  **获取教程代码**：\n    克隆项目仓库以获取示例代码和数据集：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fcodebasics\u002Fdeep-learning-keras-tf-tutorial.git\n    cd deep-learning-keras-tf-tutorial\n    ```\n\n## 基本使用\n\n以下是一个最简单的示例，展示如何加载教程中的手写数字识别模型并进行训练。进入项目目录后，找到对应的笔记本（如 `1_intro.ipynb` 或 `2_feedforward_dense_net.ipynb`）或直接运行以下 Python 脚本逻辑：\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\n\n# 1. 加载数据 (MNIST 手写数字数据集)\n(x_train, y_train), (x_test, y_test) = keras.datasets.mnist.load_data()\n\n# 2. 数据预处理\nx_train = x_train.reshape(-1, 28*28) \u002F 255.0\nx_test = x_test.reshape(-1, 28*28) \u002F 255.0\n\n# 3. 构建简单的 Sequential 模型\nmodel = keras.Sequential([\n    keras.layers.Dense(100, activation='relu', input_shape=(784,)),\n    keras.layers.Dense(10, activation='softmax')\n])\n\n# 4. 编译模型\nmodel.compile(optimizer='adam',\n              loss='sparse_categorical_crossentropy',\n              metrics=['accuracy'])\n\n# 5. 训练模型\nmodel.fit(x_train, y_train, epochs=5)\n\n# 6. 评估模型\ntest_loss, test_acc = model.evaluate(x_test, y_test)\nprint(f'Test accuracy: {test_acc}')\n```\n\n您可以直接在 Jupyter Notebook 中打开项目内的 `.ipynb` 文件，按顺序运行单元格以跟随完整的视频教程内容。","某初创公司的数据科学团队正试图从零构建一个基于图像识别的缺陷检测系统，但团队成员普遍缺乏 TensorFlow 2.0 和 Keras 的实战经验。\n\n### 没有 deep-learning-keras-tf-tutorial 时\n- 成员在配置 TensorFlow 2.0 环境时频繁遭遇版本冲突，耗费数天时间仍无法跑通\"Hello World\"级别的示例代码。\n- 面对复杂的神经网络架构，大家只能碎片化地搜索过时教程，导致对 Keras API 的理解支离破碎，模型构建错误百出。\n- 由于缺乏系统的调试指导，模型训练出现不收敛或过拟合时，团队无从下手排查，只能盲目调整参数，效率极低。\n- 新人入职培训周期被拉长，资深工程师被迫中断核心业务开发，转而充当“保姆”解答基础概念问题。\n\n### 使用 deep-learning-keras-tf-tutorial 后\n- 团队跟随教程中针对 TensorFlow 2.0 的环境搭建章节，仅用半天便统一了开发环境，并成功运行了首个图像分类 Demo。\n- 通过系列视频中从原理到代码的完整演示，成员快速掌握了 Keras Sequential 和 Functional API 的核心用法，规范地搭建起检测模型。\n- 教程中关于损失函数选择、优化器调整及回调函数使用的实战技巧，帮助团队迅速定位并解决了模型训练中的收敛难题。\n- 新人将教程作为标准自学教材，一周内即可独立承担模块开发任务，资深工程师得以回归算法优化等高价值工作。\n\ndeep-learning-keras-tf-tutorial 将原本需要数月摸索的深度学习入门路径压缩至数周，让团队能以最低成本快速实现技术落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcodebasics_deep-learning-keras-tf-tutorial_d5155e62.png","codebasics","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcodebasics_007da7ac.png","",null,"codebasics.io","https:\u002F\u002Fgithub.com\u002Fcodebasics",[79,83,87,90],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",100,{"name":84,"color":85,"percentage":86},"Python","#3572A5",0,{"name":88,"color":89,"percentage":86},"C","#555555",{"name":91,"color":75,"percentage":86},"Limbo",983,1943,"2026-04-17T09:50:47",1,"未说明",{"notes":98,"python":96,"dependencies":99},"README 内容仅为教程系列简介，未提供具体的运行环境配置、硬件需求或依赖版本详情。根据标题推断，核心依赖为 TensorFlow 2.0 和 Keras，建议参考官方文档或视频教程获取详细安装指南。",[100,101],"tensorflow>=2.0","keras",[14,15],[104,105,101,106,107,108,109],"deep-learning","deep-neural-networks","tensorflow","keras-tensorflow","mnist","object-detection","2026-03-27T02:49:30.150509","2026-04-19T15:37:25.909706",[],[]]