[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-danielegrattarola--spektral":3,"tool-danielegrattarola--spektral":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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":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":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":103,"github_topics":104,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":143},5547,"danielegrattarola\u002Fspektral","spektral","Graph Neural Networks with Keras and Tensorflow 2.","Spektral 是一个基于 Keras API 和 TensorFlow 2 构建的 Python 库，专为图深度学习（Graph Deep Learning）设计。它的核心目标是提供一个既简单又灵活的框架，帮助开发者轻松创建和应用图神经网络（GNN）。\n\n在现实世界中，社交网络用户分类、分子属性预测、链接推荐以及新图形生成等任务，其数据本质上都由复杂的“图”结构组成。传统深度学习工具难以直接处理这类非欧几里得数据，而 Spektral 正是为了解决这一痛点而生。它内置了数十种主流的图卷积层（如 GCN、GAT、GraphSAGE、GIN 等）和池化层（如 DiffPool、Top-K pooling），让用户无需从零推导数学公式即可快速搭建模型。\n\nSpektral 特别适合 AI 研究人员、数据科学家以及希望将图神经网络应用于实际项目的开发者使用。其独特的技术亮点在于高度兼容 TensorFlow 2 生态系统：通过全新的 `Graph` 和 `Dataset` 容器标准化了数据处理流程，并利用 `Loader` 类自动处理复杂的图批量化操作。这意味着用户既可以沿用熟悉的 Ker","Spektral 是一个基于 Keras API 和 TensorFlow 2 构建的 Python 库，专为图深度学习（Graph Deep Learning）设计。它的核心目标是提供一个既简单又灵活的框架，帮助开发者轻松创建和应用图神经网络（GNN）。\n\n在现实世界中，社交网络用户分类、分子属性预测、链接推荐以及新图形生成等任务，其数据本质上都由复杂的“图”结构组成。传统深度学习工具难以直接处理这类非欧几里得数据，而 Spektral 正是为了解决这一痛点而生。它内置了数十种主流的图卷积层（如 GCN、GAT、GraphSAGE、GIN 等）和池化层（如 DiffPool、Top-K pooling），让用户无需从零推导数学公式即可快速搭建模型。\n\nSpektral 特别适合 AI 研究人员、数据科学家以及希望将图神经网络应用于实际项目的开发者使用。其独特的技术亮点在于高度兼容 TensorFlow 2 生态系统：通过全新的 `Graph` 和 `Dataset` 容器标准化了数据处理流程，并利用 `Loader` 类自动处理复杂的图批量化操作。这意味着用户既可以沿用熟悉的 Keras \"model.fit\" 模式快速训练，也能灵活编写自定义训练循环，极大地降低了图深度学习的研究与工程门槛。无论是学术探索还是工业级应用，Spektral 都能提供高效、可靠的底层支持。","\u003Cimg src=\"https:\u002F\u002Fdanielegrattarola.github.io\u002Fspektral\u002Fimg\u002Flogo_dark.svg\" style=\"max-width: 400px; width: 100%;\"\u002F>\n\n# Welcome to Spektral\nSpektral is a Python library for graph deep learning, based on the Keras API and TensorFlow 2.\nThe main goal of this project is to provide a simple but flexible framework for creating graph neural networks (GNNs).\n\nYou can use Spektral for classifying the users of a social network, predicting molecular properties, generating new graphs with GANs, clustering nodes, predicting links, and any other task where data is described by graphs. \n\nSpektral implements some of the most popular layers for graph deep learning, including: \n\n- [Graph Convolutional Networks (GCN)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907)\n- [Chebyshev convolutions](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)\n- [GraphSAGE](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.02216)\n- [ARMA convolutions](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.01343)\n- [Edge-Conditioned Convolutions (ECC)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1704.02901)\n- [Graph attention networks (GAT)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.10903)\n- [Approximated Personalized Propagation of Neural Predictions (APPNP)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.05997)\n- [Graph Isomorphism Networks (GIN)](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.00826)\n- [Diffusional Convolutions](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.01926)\n\nand many others (see [convolutional layers](https:\u002F\u002Fgraphneural.network\u002Flayers\u002Fconvolution\u002F)).\n\nYou can also find [pooling layers](https:\u002F\u002Fgraphneural.network\u002Flayers\u002Fpooling\u002F), including:\n\n- [MinCut pooling](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.00481)\n- [DiffPool](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.08804)\n- [Top-K pooling](http:\u002F\u002Fproceedings.mlr.press\u002Fv97\u002Fgao19a\u002Fgao19a.pdf)\n- [Self-Attention Graph (SAG) pooling](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.08082)\n- Global pooling\n- [Global gated attention pooling](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.05493)\n- [SortPool](https:\u002F\u002Fwww.cse.wustl.edu\u002F~muhan\u002Fpapers\u002FAAAI_2018_DGCNN.pdf)\n\nSpektral also includes lots of utilities for representing, manipulating, and transforming graphs in your graph deep learning projects.\n\nSee how to [get started with Spektral](https:\u002F\u002Fgraphneural.network\u002Fgetting-started\u002F) and have a look at the [examples](https:\u002F\u002Fdanielegrattarola.github.io\u002Fspektral\u002Fexamples\u002F) for some templates.\n\nThe source code of the project is available on [Github](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral).  \nRead the documentation [here](https:\u002F\u002Fgraphneural.network).  \n\nIf you want to cite Spektral in your work, refer to our paper: \n\n> [Graph Neural Networks in TensorFlow and Keras with Spektral](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.12138)\u003Cbr>\n> Daniele Grattarola and Cesare Alippi\n\n## Installation\nSpektral is compatible with Python 3.6 and above, and is tested on the latest versions of Ubuntu, MacOS, and Windows. \nOther Linux distros should work as well. \n\nThe simplest way to install Spektral is from PyPi: \n\n```bash\npip install spektral\n```\n\nTo install Spektral from source, run this in a terminal:\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral.git\ncd spektral\npython setup.py install  # Or 'pip install .'\n```\n\nTo install Spektral on [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002F):\n\n```\n! pip install spektral\n```\n\n## New in Spektral 1.0\n\nThe 1.0 release of Spektral is an important milestone for the library and brings many new features and improvements. \n\nIf you have already used Spektral in your projects, the only major change that you need to be aware of is the new `datasets` API.\n\nThis is a summary of the new features and changes: \n\n- The new `Graph` and `Dataset` containers standardize how Spektral handles data. \n**This does not impact your models**, but makes it easier to use your data in Spektral.\n- The new `Loader` class hides away all the complexity of creating graph batches. \nWhether you want to write a custom training loop or use Keras' famous model-dot-fit approach, you only need to worry about the training logic and not the data. \n- The new `transforms` module implements a wide variety of common operations on graphs, that you can now `apply()` to your datasets. \n- The new `GeneralConv` and `GeneralGNN` classes let you build models that are, well... general. Using state-of-the-art results from recent literature means that you don't need to worry about which layers or architecture to choose. The defaults will work well everywhere. \n- New datasets: QM7 and ModelNet10\u002F40, and a new wrapper for OGB datasets. \n- Major clean-up of the library's structure and dependencies.\n- New examples and tutorials.\n\n\n\n## Contributing\nSpektral is an open-source project available [on Github](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral), and contributions of all types are welcome. \nFeel free to open a pull request if you have something interesting that you want to add to the framework.\n\nThe contribution guidelines are available [here](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md) and a list of feature requests is available [here](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fprojects\u002F1).\n","\u003Cimg src=\"https:\u002F\u002Fdanielegrattarola.github.io\u002Fspektral\u002Fimg\u002Flogo_dark.svg\" style=\"max-width: 400px; width: 100%;\"\u002F>\n\n# 欢迎来到 Spektral\nSpektral 是一个基于 Keras API 和 TensorFlow 2 的图深度学习 Python 库。该项目的主要目标是提供一个简单而灵活的框架，用于构建图神经网络（GNN）。\n\n您可以使用 Spektral 对社交网络用户进行分类、预测分子性质、利用 GAN 生成新图、对节点进行聚类、预测边的存在性，以及处理任何以图结构描述数据的任务。\n\nSpektral 实现了图深度学习中一些最流行的层，包括：\n\n- [图卷积网络（GCN）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907)\n- [切比雪夫卷积](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.09375)\n- [GraphSAGE](https:\u002F\u002Farxiv.org\u002Fabs\u002F1706.02216)\n- [ARMA 卷积](https:\u002F\u002Farxiv.org\u002Fabs\u002F1901.01343)\n- [边条件卷积（ECC）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1704.02901)\n- [图注意力网络（GAT）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.10903)\n- [近似个性化传播神经预测（APPNP）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.05997)\n- [图同构网络（GIN）](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.00826)\n- [扩散卷积](https:\u002F\u002Farxiv.org\u002Fabs\u002F1707.01926)\n\n以及其他许多层（详见 [卷积层](https:\u002F\u002Fgraphneural.network\u002Flayers\u002Fconvolution\u002F)）。\n\n您还可以找到 [池化层](https:\u002F\u002Fgraphneural.network\u002Flayers\u002Fpooling\u002F)，包括：\n\n- [MinCut 池化](https:\u002F\u002Farxiv.org\u002Fabs\u002F1907.00481)\n- [DiffPool](https:\u002F\u002Farxiv.org\u002Fabs\u002F1806.08804)\n- [Top-K 池化](http:\u002F\u002Fproceedings.mlr.press\u002Fv97\u002Fgao19a\u002Fgao19a.pdf)\n- [自注意力图（SAG）池化](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.08082)\n- 全局池化\n- [全局门控注意力池化](https:\u002F\u002Farxiv.org\u002Fabs\u002F1511.05493)\n- [SortPool](https:\u002F\u002Fwww.cse.wustl.edu\u002F~muhan\u002Fpapers\u002FAAAI_2018_DGCNN.pdf)\n\nSpektral 还包含大量实用工具，用于在您的图深度学习项目中表示、操作和转换图。\n\n请参阅 [如何开始使用 Spektral](https:\u002F\u002Fgraphneural.network\u002Fgetting-started\u002F) 并查看 [示例](https:\u002F\u002Fdanielegrattarola.github.io\u002Fspektral\u002Fexamples\u002F) 以获取一些模板。\n\n项目的源代码可在 [Github](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral) 上获得。文档请见 [这里](https:\u002F\u002Fgraphneural.network)。\n\n如果您希望在工作中引用 Spektral，请参考我们的论文：\n\n> [使用 Spektral 在 TensorFlow 和 Keras 中实现图神经网络](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.12138)\u003Cbr>\n> Daniele Grattarola 和 Cesare Alippi\n\n## 安装\nSpektral 兼容 Python 3.6 及以上版本，并已在最新版本的 Ubuntu、MacOS 和 Windows 上进行了测试。其他 Linux 发行版也应该可以正常工作。\n\n安装 Spektral 最简单的方式是从 PyPI 获取：\n\n```bash\npip install spektral\n```\n\n若要从源码安装 Spektral，请在终端中执行以下命令：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral.git\ncd spektral\npython setup.py install  # 或 'pip install .'\n```\n\n在 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002F) 上安装 Spektral：\n\n```\n! pip install spektral\n```\n\n## Spektral 1.0 新特性\nSpektral 1.0 版本是该库的一个重要里程碑，带来了许多新功能和改进。\n\n如果您已经在项目中使用过 Spektral，唯一需要注意的重大变化是新的 `datasets` API。\n\n以下是新特性和变更的摘要：\n\n- 新的 `Graph` 和 `Dataset` 容器统一了 Spektral 处理数据的方式。**这不会影响您的模型**，但会使您在 Spektral 中使用数据更加方便。\n- 新的 `Loader` 类隐藏了创建图批次的所有复杂性。无论您是想编写自定义训练循环，还是使用 Keras 著名的 `model.fit()` 方法，您只需关注训练逻辑，而无需操心数据问题。\n- 新的 `transforms` 模块实现了多种常见的图操作，您可以直接将其应用于数据集。\n- 新的 `GeneralConv` 和 `GeneralGNN` 类使您能够构建通用型模型。借助最新文献中的前沿成果，您无需担心选择哪一层或哪种架构，因为默认设置在大多数情况下都能很好地工作。\n- 新增数据集：QM7 和 ModelNet10\u002F40，以及 OGB 数据集的新封装。\n- 对库的结构和依赖关系进行了重大清理。\n- 新的示例和教程。\n\n## 贡献\nSpektral 是一个开源项目，可在 [Github](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral) 上找到，欢迎各种形式的贡献。如果您有有趣的内容想要添加到框架中，欢迎随时提交拉取请求。\n\n贡献指南可在 [这里](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fblob\u002Fmaster\u002FCONTRIBUTING.md) 查阅，功能请求列表则可在 [这里](https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fprojects\u002F1) 找到。","# Spektral 快速上手指南\n\nSpektral 是一个基于 Keras API 和 TensorFlow 2 的 Python 图库深度学习库，旨在提供简单灵活的框架来构建图神经网络（GNN）。它支持节点分类、链接预测、图生成等多种任务，并内置了 GCN、GAT、GraphSAGE 等主流模型层。\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**：Ubuntu、macOS 或 Windows（其他 Linux 发行版通常也可用）。\n*   **Python 版本**：Python 3.6 及以上。\n*   **核心依赖**：\n    *   TensorFlow 2.x\n    *   Keras (通常随 TensorFlow 一起安装)\n    *   NumPy, SciPy, NetworkX 等科学计算库（安装 Spektral 时会自动处理大部分依赖）。\n\n> **提示**：建议使用虚拟环境（如 `venv` 或 `conda`）进行隔离安装，以避免依赖冲突。\n\n## 安装步骤\n\n### 方法一：通过 PyPI 安装（推荐）\n\n这是最简便的安装方式。如果您在中国大陆地区，建议使用国内镜像源以加速下载：\n\n```bash\npip install spektral -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n或者使用阿里云镜像：\n\n```bash\npip install spektral -i https:\u002F\u002Fmirrors.aliyun.com\u002Fpypi\u002Fsimple\u002F\n```\n\n### 方法二：从源码安装\n\n如果您需要最新的功能或参与贡献，可以从 GitHub 克隆源码进行安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral.git\ncd spektral\npip install .\n```\n\n### 方法三：在 Google Colab 中使用\n\n如果您在云端环境中运行，直接使用以下命令即可：\n\n```python\n! pip install spektral\n```\n\n## 基本使用\n\nSpektral 1.0 引入了标准化的 `Graph` 数据容器和 `Loader` 类，简化了数据批处理和模型训练流程。以下是一个构建简单图卷积网络（GCN）并进行训练的极简示例。\n\n### 1. 导入依赖与准备数据\n\n首先导入必要的模块，并创建一个简单的图数据对象。\n\n```python\nimport tensorflow as tf\nfrom spektral.data import Graph, Loader\nfrom spektral.layers import GCNConv\nfrom tensorflow.keras import Model\nfrom tensorflow.keras.layers import Dense, Dropout\nfrom tensorflow.keras.optimizers import Adam\nfrom tensorflow.keras.losses import CategoricalCrossentropy\n\n# 创建一个简单的示例图\n# x: 节点特征矩阵 (N nodes, F features)\n# a: 邻接矩阵 (N nodes, N nodes)\n# y: 节点标签 (用于节点分类任务)\nimport numpy as np\n\nN = 100  # 节点数\nF = 16   # 特征维度\nC = 4    # 类别数\n\nx = np.random.rand(N, F).astype('f')\na = np.random.randint(0, 2, (N, N)).astype('f')\na = (a + a.T) \u002F 2  # 使矩阵对称\nnp.fill_diagonal(a, 0) # 去除自环\ny = np.random.randint(0, C, N) # 随机标签\n\n# 将数据封装为 Spektral 的 Graph 对象\ngraph = Graph(x=x, a=a, y=y)\n\n# 使用 Loader 进行批处理 (对于单图任务，batch_size 通常设为 1)\nloader = Loader(graph, batch_size=1, epochs=10)\n```\n\n### 2. 构建模型\n\n利用 Spektral 提供的 `GCNConv` 层构建一个标准的 Keras 模型。\n\n```python\nclass GCN(Model):\n    def __init__(self, n_classes):\n        super().__init__()\n        self.conv1 = GCNConv(32, activation='relu')\n        self.conv2 = GCNConv(n_classes, activation='softmax')\n        self.dropout = Dropout(0.5)\n\n    def call(self, inputs):\n        x, a = inputs\n        x = self.dropout(x, training=True)\n        x = self.conv1([x, a])\n        x = self.dropout(x, training=True)\n        x = self.conv2([x, a])\n        return x\n\nmodel = GCN(n_classes=C)\nmodel.compile(optimizer=Adam(lr=0.01), loss=CategoricalCrossentropy(from_logits=False))\n```\n\n### 3. 训练模型\n\n使用 Keras 熟悉的 `fit` 接口配合 `Loader` 开始训练。\n\n```python\n# 开始训练\nmodel.fit(loader.load(), steps_per_epoch=loader.steps_per_epoch, epochs=10)\n```\n\n通过以上步骤，您已成功运行了一个基础的图神经网络模型。您可以参考官方文档中的 [Examples](https:\u002F\u002Fdanielegrattarola.github.io\u002Fspektral\u002Fexamples\u002F) 部分，探索更多针对分子属性预测、社交网络分析等场景的高级用法。","某生物医药公司的算法团队正致力于利用图神经网络预测新合成分子的毒性，以加速药物筛选流程。\n\n### 没有 spektral 时\n- **底层实现繁琐**：研究人员需手动编写复杂的矩阵运算代码来实现 GCN 或 GAT 等核心图卷积层，极易出错且难以复现论文结果。\n- **数据预处理困难**：缺乏统一的图数据结构标准，处理分子键连接关系和节点特征时，需要定制大量脚本进行格式转换和批处理。\n- **模型迭代缓慢**：由于无法直接复用成熟的 Keras 训练循环，每次尝试新的池化策略（如 DiffPool）都需要重构整个训练逻辑，严重拖慢实验进度。\n- **生态集成割裂**：难以将自定义的图操作无缝嵌入 TensorFlow 2 生态系统，导致无法利用现有的分布式训练或部署工具。\n\n### 使用 spektral 后\n- **开箱即用架构**：直接调用内置的 Graph Convolutional Networks (GCN)、Graph Attention Networks (GAT) 等先进层，几行代码即可构建前沿模型。\n- **标准化数据流**：利用全新的 `Graph` 和 `Dataset` 容器统一分子数据表示，配合 `Loader` 类自动处理图批次生成，彻底屏蔽数据加载复杂度。\n- **高效实验迭代**：完美兼容 Keras 的 `model.fit` 范式，研究人员可专注于调整网络结构（如切换 MinCut pooling），无需关心底层训练循环细节。\n- **无缝生态融合**：基于 TensorFlow 2 原生构建，可直接利用 TensorBoard 监控训练过程，并轻松部署到生产环境。\n\nspektral 通过将复杂的图深度学习数学原理封装为简洁的 Keras API，让科研人员能从繁琐的工程实现中解放出来，专注于药物发现的核心业务逻辑。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdanielegrattarola_spektral_75615d75.png","danielegrattarola","Daniele Grattarola","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdanielegrattarola_df8c142d.jpg","Research scientist @ Isomorphic Labs",null,"daniele.grattarola@gmail.com","riceasphait","https:\u002F\u002Fdanielegrattarola.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fdanielegrattarola",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,2396,341,"2026-04-04T12:32:48","MIT",1,"Ubuntu, macOS, Windows","未说明（基于 TensorFlow 2，通常支持 CPU 和 GPU，具体取决于用户安装的 TensorFlow 版本）","未说明",{"notes":96,"python":97,"dependencies":98},"该库基于 Keras API 和 TensorFlow 2。虽然 README 未明确列出具体依赖版本，但需确保已安装兼容的 TensorFlow 2 环境。支持在 Google Colab 上直接运行。1.0 版本引入了新的数据集 API、Loader 类和变换模块。","3.6+",[99,100,101,102],"tensorflow>=2.0","keras","scipy","numpy",[14],[105,100,106,107,108,109,110],"graph-neural-networks","python","tensorflow","tensorflow2","graph-deep-learning","deep-learning","2026-03-27T02:49:30.150509","2026-04-08T22:45:39.788085",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},25179,"使用 GNNExplainer 时遇到 'Incompatible shapes' 错误怎么办？","该错误通常是因为输入的邻接矩阵格式不正确。在调用 `explainer.explain_node` 时，需要将邻接矩阵转换为稀疏张量（sparse tensor）。请使用 `spektral.utils.sparse.sp_matrix_to_sp_tensor` 进行转换。示例代码如下：\n```python\nadj_mask, feat_mask = explainer.explain_node(\n    x=x_exp, \n    a=spektral.utils.sparse.sp_matrix_to_sp_tensor(a_exp), \n    node_idx=node_idx\n)\n```","https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fissues\u002F253",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},25180,"导入 Spektral 时出现 'cannot import name gen_sparse_ops' 错误如何解决？","这通常是 TensorFlow 和 Spektral 版本不兼容导致的。建议尝试安装特定的版本组合来解决此问题。维护者推荐的可行组合是：\n```bash\npip install tensorflow==2.3 spektral==0.6.1\n```\n安装完成后，运行 `python -c \"import spektral\"` 验证是否成功。","https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fissues\u002F76",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},25181,"如何从 GraphSage 模型中获取整个图的嵌入表示（Graph Embedding）？","可以通过聚合所有节点的嵌入来生成代表整个图的单一嵌入。具体做法是提取模型中间层（例如第一个卷积层）的输出，然后对该输出进行全局池化（如 GlobalAvgPool）。如果需要获取更新后的节点嵌入（例如移除节点后），应完全从节点特征矩阵中删除对应行，并从邻接矩阵中删除对应的行和列，然后将更新后的数据传入模型的前向传播过程中获取新嵌入。","https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fissues\u002F411",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},25182,"为什么每个图卷积层都需要传入邻接矩阵？自环（self-loops）应该在归一化前还是后添加？","在 Spektral 中，每个卷积层都需要显式传入邻接矩阵以支持动态图或不同的预处理方式。关于自环和归一化，最佳实践是使用层自带的预处理方法，它会自动处理自环添加和归一化。推荐代码如下：\n```python\nadj_preprocessed = GCNConv.preprocess(adj)\nadj_preprocessed = sp_matrix_to_sp_tensor(adj_preprocessed)\n```\n不要手动先添加自环再归一化，直接使用 `GCNConv.preprocess` 即可确保正确性。","https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fissues\u002F364",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},25183,"在 Disjoint 模式下进行节点级分类时，增大批次大小（batch_size > 1）导致维度错误怎么办？","在 Disjoint 模式下，当 batch_size 大于 1 时，目标变量 y 的维度需要与展开后的节点总数相匹配，而不是单个图的节点数。确保你的标签数组形状是 `(总节点数，类别数)`，其中总节点数是批次中所有图节点数的总和。如果使用 `node_level=True`，请检查数据加载器生成的 y 的形状是否与模型输出一致，必要时需对标签进行相应的拼接或重塑操作以匹配批处理后的维度。","https:\u002F\u002Fgithub.com\u002Fdanielegrattarola\u002Fspektral\u002Fissues\u002F163",{"id":140,"question_zh":141,"answer_zh":142,"source_url":128},25184,"如何在移除图中某个节点后，利用现有模型获取更新后的节点嵌入？","若要模拟节点移除并获取新嵌入，不应仅将边设为零，而应彻底从输入数据中移除该节点。具体步骤为：1. 从节点特征矩阵中删除该节点对应的行；2. 从邻接矩阵中删除该节点对应的行和列；3. 将处理后的新特征矩阵和新邻接矩阵输入到模型的中间层（如 `tf.keras.Model(inputs=model.input, outputs=model.get_layer('layer_name').output)`）进行前向传播，即可得到反映拓扑结构变化后的新节点嵌入。",[144,149,154,159],{"id":145,"version":146,"summary_zh":147,"released_at":148},154575,"v1.3","添加 GTVConv 和 AsymCheegerCutPool 层\n将最低支持的 Python 版本提升至 3.7\n在 Apple Silicon 上安装 Spektral 时，添加对 TensorFlow 安装的自动处理\n多项错误修复","2023-06-01T22:20:25",{"id":150,"version":151,"summary_zh":152,"released_at":153},154576,"v1.2","# v1.2\n\n本次发布带来了一些新功能和改进。\n\n## 新功能\n\n- 新的卷积层 CensNetConv\n- GINCov 的批处理模式版本\n- 新的池化层：JustBalancePool 和 DmonPool\n- 新的数据集：DBLP 和 Flickr\n\n## 兼容性变更\n\n- 官方不再支持 Python 3.6\n\n## API 变更\n\n- XENetDenseConv 现在更名为 XENetConvBatch\n\n## Bug 修复\n\n- 修复了使用 Disjoint2Batch 时的崩溃问题，并提升了该层的性能\n- 修复了一个小 bug，该 bug 会阻止 SRC 层中的 kwargs 转发（仅影响自定义层，不影响库中自带的层）\n- 修复了 DiffusionConv 中的 preprocess 方法","2022-07-22T15:16:38",{"id":155,"version":156,"summary_zh":157,"released_at":158},154577,"v1.1","# v1.1\n\n本次发布主要引入了用于池化层的全新 Select、Reduce、Connect API，以及来自先前补丁的一系列新特性、改进和错误修复。\n\n大多数新特性都保持向后兼容，但有两个值得注意的例外：\n- 池化层必须迁移到新的 SRC 接口。更多详情请参阅[文档](https:\u002F\u002Fgraphneural.network\u002Flayers\u002Fpooling)。\n- 曾使用 `get_i` 和 `get_j` 的自定义 MessagePassing 层，需更新为使用 `get_targets` 和 `get_sources`。这一改动仅影响基于 MessagePassing 类进行自定义实现的用户；对于其他情况，该更改将是透明的。\n\n本版本 Spektral 支持 Python >=3.6 及以上，以及 TensorFlow >=2.2。\n\n## 新特性\n- 基于 Select、Reduce、Connect 框架的新型通用池化方法类（https:\u002F\u002Farxiv.org\u002Fabs\u002F2110.05292）\n- BatchLoader 添加节点级标签支持\n- 新增 GCN 模型\n- GNNExplainer 模型\n- XENetConv 卷积层\n- LaPool 池化层\n- GATConv 现在支持加权邻接矩阵\n\n## 兼容性变更\n- 将最低支持的 Python 版本更新至 3.6\n- 将最低支持的 TensorFlow 版本更新至 2.2\n\n## API 变更\n- 移除 CrystalConv 中的 `channels` 参数（输出尺寸必须与输入相同）\n- 所有池化层现基于 SRC 框架，并采用统一的接口。详情请参阅文档；从旧版池化层迁移只需调整相关关键字参数即可。\n- 将基于 MessagePassing 的类中“i”和“j”的命名分别改为“targets”和“sources”。\n\n## 错误修复\n- 修复 GlobalAttnSumPool 中的一个 bug，该 bug 导致读出操作会将注意力应用于整个不连通批次。\n- 修正 QM9 数据集的解析逻辑，使其返回完整的 19 维标签。\n\n## 其他\n- 示例代码中的若干小修复\n- GCN\u002FGAT 示例现与原始论文更加一致。","2022-04-09T13:44:22",{"id":160,"version":161,"summary_zh":162,"released_at":163},154578,"v1.0","Spektral 1.0 版本是该库的一个重要里程碑，带来了许多新功能和改进。\n\n如果您已经在项目中使用过 Spektral，那么唯一需要特别注意的重大变化就是新的 `datasets` API。\n\n以下是新功能和变更的概览：\n\n- 新的 `Graph` 和 `Dataset` 容器统一了 Spektral 处理数据的方式。**这不会影响您的模型**，但会使您在 Spektral 中使用数据更加便捷。\n- 新的 `Loader` 类隐藏了构建图批次的所有复杂性。无论您是想编写自定义训练循环，还是采用 Keras 经典的 `model.fit()` 方法，您都只需关注训练逻辑，而无需操心数据处理。\n- 新的 `transforms` 模块实现了多种常见的图操作，您可以直接将其应用到数据集中。\n- 新的 `GeneralConv` 和 `GeneralGNN` 类使您能够构建“通用”的模型。借助最新文献中的前沿成果，您无需纠结于选择哪种层或架构；默认配置在大多数场景下都能取得不错的效果。\n- 新增数据集：QM7、ModelNet10\u002F40，以及一个用于 OGB 数据集的新包装器。\n- 对库的结构和依赖关系进行了大规模优化和清理。\n- 新增示例和教程。","2020-11-30T12:54:14"]