[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-d2l-ai--d2l-vi":3,"tool-d2l-ai--d2l-vi":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",154349,2,"2026-04-13T23:32:16",[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":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":75,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":105,"github_topics":106,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":159},7334,"d2l-ai\u002Fd2l-vi","d2l-vi","Một cuốn sách về Học Sâu đề cập đến nhiều framework phổ biến, được sử dụng trên 300 trường Đại học từ 55 đất nước bao gồm MIT, Stanford, Harvard, và Cambridge.","d2l-vi 是国际知名深度学习教材《Dive into Deep Learning》的越南语开源翻译项目。这本书原本以英文编写，涵盖了深度学习的基础理论与实战代码，支持多种主流框架，已被全球 55 个国家的 300 多所顶尖高校（如 MIT、斯坦福、哈佛等）采用为教学资料。\n\n由于高质量的技术资源多以英文呈现，许多越南语学习者面临语言障碍。d2l-vi 通过社区协作的方式，将这本权威教材完整本地化，让越南学生和研究者能更轻松地掌握深度学习知识。书中不仅讲解清晰，还配有可运行的代码示例，帮助读者边学边练，真正理解模型构建与训练过程。\n\n该项目适合对人工智能感兴趣的学生、教师、研究人员以及希望系统学习深度学习的开发者使用。无论你是刚入门的新手，还是有一定基础想深入进阶，都能从中受益。其独特之处在于结合了理论讲解、代码实现与多框架适配，并依托活跃的开源社区持续更新术语表与维护内容质量。\n\n目前，项目由多位资深维护者带领，遵循开放许可协议，鼓励更多人参与贡献。访问官方网站即可免费阅读全书内容，也可在 GitHub 上参与讨论或协助翻译，共同推动越南语 AI 教育的发展。","[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd2l-ai_d2l-vi_readme_25510fd01db8.png\" \u002F>](https:\u002F\u002Fd2l.aivivn.com\u002F)\n\n## Dự án dịch sách \"[Dive into Deep Learning](https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-en)\"\n![GitHub Workflow Status (branch)](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fworkflow\u002Fstatus\u002Fmlbvn\u002Fd2l-vn\u002FPython%20application\u002Fmaster?style=flat-square)\n![Website](https:\u002F\u002Fimg.shields.io\u002Fwebsite?down_message=offline&style=flat-square&up_message=online&url=https%3A%2F%2Fd2l.aivivn.com)\n![GitHub repo size](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fmlbvn\u002Fd2l-vn?style=flat-square)\n![GitHub contributors](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fmlbvn\u002Fd2l-vn?color=%233a87f2&label=contributors&style=flat-square)\n![GitHub commit activity](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fmlbvn\u002Fd2l-vn?style=flat-square)\n![GitHub last commit](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fmlbvn\u002Fd2l-vn?color=%23f2af3a&style=flat-square)\n\n\n* Bản tiếng Việt: https:\u002F\u002Fd2l.aivivn.com\u002F\n* Bản tiếng Anh: https:\u002F\u002Fwww.d2l.ai\u002F\n\n### Thảo luận cùng nhóm Dịch thuật\nBạn có thể bắt đầu một cuộc thảo luận mới **[tại đây](https:\u002F\u002Fgithub.com\u002Fmlbvn\u002Fd2l-vn\u002Fdiscussions)**.\n\n### Bảng thuật ngữ\nTra cứu các thuật ngữ được sử dụng trong nhóm dịch **[tại đây](glossary.md)**.\n\n### Lời cảm ơn\nTrong quá trình thực hiện, chúng tôi đã nhận được rất nhiều sự giúp đỡ, sự ủng hộ cùng với sự tư vấn từ Cộng đồng; \nbằng sự trân trọng sâu sắc, chúng tôi mong muốn gửi lời cảm ơn và tri ân đến những người đã đóng góp vào dự án này dù ít hay nhiều.\n\nNhững đóng góp cụ thể của Cộng đồng được chúng tôi liệt kê đầy đủ **[tại đây](ACKNOWLEDGEMENT.md)**.\n\n### Maintainers\n* Đoàn Võ Duy Thanh [@duythanhvn](https:\u002F\u002Fgithub.com\u002Fduythanhvn)\n* Vũ Hữu Tiệp [@tiepvupsu](https:\u002F\u002Fgithub.com\u002Ftiepvupsu)\n\n### Giấy phép\n\nCuốn sách này được cung cấp dưới giấy phép **[Creative Commons Attribution-ShareAlike 4.0 International Public](LICENSE)**. Mã nguồn mẫu và nội dung tham chiếu trong cuốn sách này được cung cấp dưới giấy phép **[MIT](LICENSE-SAMPLECODE)** với nội dung đã có sự cập nhật.\n","[\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd2l-ai_d2l-vi_readme_25510fd01db8.png\" \u002F>](https:\u002F\u002Fd2l.aivivn.com\u002F)\n\n## 书籍翻译项目“[深入浅出深度学习](https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-en)”\n![GitHub 工作流状态（分支）](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fworkflow\u002Fstatus\u002Fmlbvn\u002Fd2l-vn\u002FPython%20application\u002Fmaster?style=flat-square)\n![网站](https:\u002F\u002Fimg.shields.io\u002Fwebsite?down_message=离线&style=flat-square&up_message=在线&url=https%3A%2F%2Fd2l.aivivn.com)\n![GitHub 仓库大小](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fmlbvn\u002Fd2l-vn?style=flat-square)\n![GitHub 贡献者](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcontributors\u002Fmlbvn\u002Fd2l-vn?color=%233a87f2&label=contributors&style=flat-square)\n![GitHub 提交活跃度](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fcommit-activity\u002Fm\u002Fmlbvn\u002Fd2l-vn?style=flat-square)\n![GitHub 最后一次提交](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flast-commit\u002Fmlbvn\u002Fd2l-vn?color=%23f2af3a&style=flat-square)\n\n\n* 越南语版：https:\u002F\u002Fd2l.aivivn.com\u002F\n* 英语版：https:\u002F\u002Fwww.d2l.ai\u002F\n\n### 与翻译小组讨论\n您可以在**[这里](https:\u002F\u002Fgithub.com\u002Fmlbvn\u002Fd2l-vn\u002Fdiscussions)**发起新的讨论。\n\n### 术语表\n请在**[这里](glossary.md)**查阅本翻译小组使用的术语。\n\n### 致谢\n在项目实施过程中，我们得到了社区的诸多帮助、支持与指导；怀着深深的感激之情，我们谨向所有为本项目作出贡献的人士致以诚挚的谢意，无论其贡献大小。\n\n社区的具体贡献已完整列出于**[这里](ACKNOWLEDGEMENT.md)**。\n\n### 维护者\n* 段武维清 [@duythanhvn](https:\u002F\u002Fgithub.com\u002Fduythanhvn)\n* 武友贴 [@tiepvupsu](https:\u002F\u002Fgithub.com\u002Ftiepvupsu)\n\n### 许可证\n\n本书采用**[知识共享 署名-相同方式共享 4.0 国际许可协议](LICENSE)**授权。书中的示例代码及参考资料则采用**[MIT 许可证](LICENSE-SAMPLECODE)**授权，并已进行相应更新。","# d2l-vi 快速上手指南\n\n`d2l-vi` 是经典深度学习教材《Dive into Deep Learning》的越南语翻译项目。虽然其核心内容为越南语，但其代码实现与英文版（d2l-en）完全一致，基于 Apache MXNet、PyTorch、TensorFlow 或 JAX 框架。中国开发者可利用该项目获取多语言视角的代码实现参考。\n\n## 环境准备\n\n本项目主要依赖 Python 环境及对应的深度学习框架。推荐使用 **Python 3.8+**。\n\n**前置依赖：**\n*   Git\n*   Python 3.8 或更高版本\n*   pip 或 conda 包管理工具\n*   推荐的深度学习框架（任选其一）：\n    *   PyTorch (推荐)\n    *   Apache MXNet\n    *   TensorFlow 2.x\n    *   JAX\n\n> **国内加速建议**：在安装 Python 依赖时，建议使用清华大学或阿里云镜像源以提升下载速度。\n> *   清华源：`https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n> *   阿里源：`https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F`\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n首先从 GitHub 拉取最新代码：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fmlbvn\u002Fd2l-vn.git\ncd d2l-vn\n```\n\n### 2. 安装依赖库\n根据你选择的深度学习框架安装相应依赖。以下以 **PyTorch** 为例（其他框架请参考项目根目录下的 `requirements.txt` 或对应文件夹）：\n\n**使用 pip 安装（推荐国内镜像）：**\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**手动安装 PyTorch 及相关组件（若 requirements 未包含特定版本）：**\n\n```bash\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install d2l -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> 注意：`d2l` 包是本书通用的辅助库，包含了数据加载、可视化等函数，必须安装。\n\n## 基本使用\n\n本项目结构通常按章节组织，代码示例位于各章节文件夹内。以下演示如何运行一个简单的线性回归示例（假设位于 `chapter_linear-networks` 目录下）。\n\n### 运行代码示例\n\n进入对应章节目录并执行 Python 脚本：\n\n```bash\ncd chapter_linear-networks\npython linear-regression-scratch.py\n```\n\n### 在 Jupyter Notebook 中交互学习\n\n该书非常适合通过 Jupyter Notebook 进行交互式学习。启动服务如下：\n\n```bash\njupyter notebook\n```\n\n浏览器打开后，导航至 `chapter_linear-networks` 或其他章节目录，点击 `.ipynb` 文件即可运行代码块并查看越南语注释与说明。\n\n### 代码调用示例\n\n你可以在自己的 Python 脚本中导入 `d2l` 库来复用书中的工具函数：\n\n```python\nfrom d2l import torch as d2l  # 如果使用 PyTorch 版本\n# from d2l import mxnet as d2l # 如果使用 MXNet 版本\n\n# 示例：生成随机数据\nX, y = d2l.synthetic_regression_data()\nd2l.set_figsize()\nd2l.plt.scatter(X[:, 1].detach().numpy(), y.detach().numpy(), 1);\nd2l.plt.show()\n```\n\n通过以上步骤，你可以快速开始利用 `d2l-vi` 项目进行深度学习代码的学习与实践。","一名越南大学生正在准备深度学习课程期末项目，需要快速掌握神经网络原理并复现经典模型代码。\n\n### 没有 d2l-vi 时\n- 面对英文原版《Dive into Deep Learning》，复杂的学术术语和长难句让非英语母语的学生阅读效率极低，常常卡在概念理解上。\n- 寻找对应的越南语资料时，发现网络上的教程碎片化严重，且代码示例往往过时或与主流框架（如 PyTorch、TensorFlow）不兼容。\n- 在尝试复现算法时，因缺乏统一的术语对照表，导致对“反向传播”、“注意力机制”等核心概念的理解出现偏差，调试代码无从下手。\n- 遇到疑难问题时，本地社区缺乏系统性的讨论资源，只能去国外论坛发帖，语言障碍使得获取帮助的周期长达数天。\n\n### 使用 d2l-vi 后\n- 直接阅读由社区精心翻译的越南语版教材，语言通俗易懂，学生能迅速 grasp 核心数学原理与算法逻辑，阅读速度提升三倍。\n- 获取与书本章节严格同步的最新可运行代码，支持多种主流框架，无需修改即可直接在本地环境跑通实验，验证理论猜想。\n- 查阅项目提供的标准术语表，确保了学术概念理解的准确性，消除了因翻译歧义导致的代码实现错误。\n- 通过项目链接的讨论区与译者及同行交流，用母语快速解决疑惑，将原本数天的问题解决时间缩短至几小时。\n\nd2l-vi 通过提供高质量的本土化教材与配套代码，彻底打破了语言壁垒，让越南开发者能零门槛地享受世界顶级的深度学习教育资源。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fd2l-ai_d2l-vi_8b0db707.png","d2l-ai","Dive into Deep Learning (D2L.ai)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fd2l-ai_6b4d7ddf.png","",null,"https:\u002F\u002FD2L.ai","https:\u002F\u002Fgithub.com\u002Fd2l-ai",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Python","#3572A5",69,{"name":85,"color":86,"percentage":87},"HTML","#e34c26",17.5,{"name":89,"color":90,"percentage":91},"TeX","#3D6117",12.9,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0.6,658,255,"2026-04-13T07:41:57","NOASSERTION",1,"未说明",{"notes":103,"python":101,"dependencies":104},"该项目是《Dive into Deep Learning》书籍的越南语翻译版本（d2l-vi），主要包含文档和教程内容，而非独立的软件工具。README 中未提供具体的代码运行环境、依赖库或硬件需求。用户需参考原始英文版项目 (d2l-ai\u002Fd2l-en) 以获取相关的深度学习框架（如 PyTorch, TensorFlow 等）安装指南和环境配置要求。",[],[15,14],[107,108,109,110,111,112,113,114,115,116,117,118],"deep-learning","machine-learning","computer-vision","tensorflow","pytorch","python","kaggle","keras","mxnet","d2l","mlbvn","vietnamese-language","2026-03-27T02:49:30.150509","2026-04-14T12:30:10.896821",[122,127,132,137,141,146,151,155],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},32931,"在翻译技术图表时，如何统一和确定专业术语的中文译法？","建议在评论中列出英文原文与候选中文译法的对照表供团队审查。例如：'Input'译为'输入'，'Kernel'译为'核'或'卷积核'，'Fully connected layer'译为'全连接层'。对于有争议的词汇（如'Align'），应讨论其语境，避免使用容易混淆的词（如将'Align'译为'定向'可能误解为'oriented'，译为'对齐'或'校准'更准确）。最终译法需经团队成员 Review 确认。","https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-vi\u002Fissues\u002F2587",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},32932,"计算机性能章节中，'Disk seek'应该翻译成什么？考虑到 SSD 的普及，'寻道'是否还准确？","'Disk seek'传统上译为'寻道'或'磁头移动'，这源于机械硬盘（HDD）需要物理移动磁头寻找数据。虽然固态硬盘（SSD）没有物理寻道过程，但该术语已沿用数十年，指代'访问外部存储器中的数据'这一逻辑操作。在翻译时可保留'寻道'以符合行业习惯，或者根据上下文译为'磁盘查找'，但需注意其本质是内存访问延迟的一种度量。","https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-vi\u002Fissues\u002F2092",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},32933,"作为新贡献者，提交 Pull Request (PR) 后如果需要修改内容，正确的操作流程是什么？","不要在修改时关闭当前的 PR 或创建新的 PR。你应该直接在同一个分支上提交新的 commit，PR 会自动更新。如果不确定如何操作，可以标签（tag）维护者或在 Slack 上求助。通常任务平均完成时间为 3-5 天，建议尽早提交初稿以便留出时间进行后续完善。","https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-vi\u002Fissues\u002F724",{"id":138,"question_zh":139,"answer_zh":140,"source_url":136},32934,"领取翻译任务时，是否可以一次性多做几个部分（例如认领了第 10 部分，顺便把第 9 部分也做了）？","不建议这样做。项目通常将内容均匀分配给不同成员，如果你超额完成了未分配的部分，可能会导致其他成员的工作重复或被覆盖，造成资源浪费。请严格按照分配的任务范围（如只做第 10 部分）进行工作，不要合并或跨越分配界限。",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},32935,"深度学习术语'Pre-trained'应该翻译为'预训练'还是'前训练'？两者有何区别？","'Pre-trained'应译为'预训练'。'前训练'容易被误解为'在训练之前（before training）'的状态，而'预训练'准确表达了模型参数已经过初步训练（previously trained）并可用于微调的含义。在涉及迁移学习（Fine-tuning）的上下文中，必须使用'预训练'以体现参数已包含先验知识。","https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-vi\u002Fissues\u002F2245",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},32936,"在 RNN 相关章节中，'Memory'和'Memory Cell'应该如何翻译才既准确又符合中文习惯？","直接将'Memory'译为'记忆'在某些语境下显得过于文学化。在 LSTM 等架构中，建议将'Memory Cell'译为'记忆单元'或'存储单元'，这样更符合计算机科学和深度学习领域的专业表述，能准确反映其作为信息存储和传递机制的功能。","https:\u002F\u002Fgithub.com\u002Fd2l-ai\u002Fd2l-vi\u002Fissues\u002F1610",{"id":152,"question_zh":153,"answer_zh":154,"source_url":136},32937,"创建 Pull Request 时有哪些常见的检查项（Checklist）需要注意？","创建 PR 时务必完成模板中的检查清单（Checklist）。常见问题包括未勾选确认项、未关联对应的 Issue 或未遵循代码规范。遗漏这些步骤可能导致 PR 被退回或延误审核。如果在 GitHub 操作上感到困惑，应及时向维护者提问。",{"id":156,"question_zh":157,"answer_zh":158,"source_url":150},32938,"如何在多个讨论地点（Issue、PR、Slack）之间高效管理术语翻译的讨论？","为了避免讨论分散，建议先在专门的 Glossary（术语表）PR 或 Issue 中集中讨论并确定术语译法，达成一致后再应用到具体的章节翻译或图片翻译中。这样可以避免在不同地方重复讨论同一个词，提高协作效率。",[160],{"id":161,"version":162,"summary_zh":163,"released_at":164},247622,"v0.14.4","基本完成《深入浅出深度学习》英文版v0.14.4的内容翻译。","2020-11-14T12:44:41"]