[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-danielsabinasz--TensorSlow":3,"tool-danielsabinasz--TensorSlow":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",158594,2,"2026-04-16T23:34:05",[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":79,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":79,"difficulty_score":94,"env_os":95,"env_gpu":96,"env_ram":97,"env_deps":98,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":112},8262,"danielsabinasz\u002FTensorSlow","TensorSlow","Re-implementation of TensorFlow in pure python, with an emphasis on code understandability","TensorSlow 是一个用纯 Python 重新实现的极简版 TensorFlow，旨在通过高度可读的代码揭示深度学习框架的内部运作机制。它完整复刻了 TensorFlow 的核心 API，包括计算图构建、占位符定义、模型训练及会话管理等流程，但刻意舍弃了 C++ 后端优化，将代码清晰度置于执行效率之上。\n\n这一设计主要解决了主流深度学习库因过度追求性能而导致源码晦涩难懂的问题，让学习者无需面对复杂的底层编译逻辑，就能直观理解反向传播、梯度下降等算法的具体实现细节。因此，TensorSlow 并不适合用于生产环境或大规模模型训练，而是专为教育工作者、计算机专业学生以及希望深入钻研原理的开发者打造的教学工具。\n\n其独特的技术亮点在于“教育优先”的实现理念：所有数学运算和算法逻辑均以通俗易懂的 Python 代码呈现，配合官方提供的分步教程文章，用户可以从零开始逐步构建自己的深度学习库。如果你渴望透过现象看本质，真正搞懂像 TensorFlow 这样的大型框架是如何在底层运转的，TensorSlow 将是理想的入门起点。","# TensorSlow\n## A re-implementation of \u003Ca href=\"http:\u002F\u002Fwww.tensorflow.org\">TensorFlow\u003C\u002Fa> functionality in pure python\n\nTensorSlow is a minimalist machine learning API that mimicks the TensorFlow API, but is implemented in pure python (without a C backend). The source code has been built with maximal understandability in mind, rather than maximal efficiency. Therefore, TensorSlow should be used solely for educational purposes. If you want to understand how deep learning libraries like TensorFlow work under the hood, this may be your best shot. \n\nI have written an article in my blog at \u003Ca href=\"http:\u002F\u002Fwww.deepideas.net\u002Fdeep-learning-from-scratch-theory-and-implementation\u002F\">deepideas.net\u003C\u002Fa> that develops this library step by step, explaining all the math and algorithms on the way: \u003Ca href=\"http:\u002F\u002Fwww.deepideas.net\u002Fdeep-learning-from-scratch-theory-and-implementation\u002F\">Deep Learning From Scratch\u003C\u002Fa>.\n\n## How to use\nImport:\n\n    import tensorslow as ts\n\nCreate a computational graph:\n\n    ts.Graph().as_default()\n\nCreate input placeholders:\n\n    training_features = ts.placeholder()\n    training_classes = ts.placeholder()\n\nBuild a model:\n\n\tweights = ts.Variable(np.random.randn(2, 2))\n\tbiases = ts.Variable(np.random.randn(2))\n\tmodel = ts.softmax(ts.add(ts.matmul(X, W), b))\n\nCreate training criterion:\n\n    loss = ts.negative(ts.reduce_sum(ts.reduce_sum(ts.multiply(training_classes, ts.log(model)), axis=1)))\n\nCreate optimizer:\n\n    optimizer = ts.train.GradientDescentOptimizer(learning_rate=0.01).minimize(J)\n\nCreate placeholder inputs:\n\n\tfeed_dict = {\n\t\ttraining_features: my_training_features,\n\t\ttraining_classes: my_training_classes\n\t}\n\nCreate session:\n\n\tsession = ts.Session()\n\nTrain:\n\n\tfor step in range(100):\n\t\tloss_value = session.run(loss, feed_dict)\n\t\tif step % 10 == 0:\n\t\t\tprint(\"Step:\", step, \" Loss:\", loss_value)\n\t\tsession.run(optimizer, feed_dict)\n\nRetrieve model parameters:\n\n\tweights_value = session.run(weigths)\n\tbiases_value = session.run(biases)\n\nCheck out the `examples` directory for more.\n","# TensorSlow\n## 用纯 Python 重新实现 \u003Ca href=\"http:\u002F\u002Fwww.tensorflow.org\">TensorFlow\u003C\u002Fa> 的功能\n\nTensorSlow 是一个极简的机器学习 API，它模仿了 TensorFlow 的 API，但完全用纯 Python 实现（没有 C 语言后端）。该库的源代码在设计时优先考虑了可读性和易理解性，而非极致的性能。因此，TensorSlow 仅适用于教学和学习目的。如果你希望深入了解像 TensorFlow 这样的深度学习框架的内部工作原理，那么这可能是最好的选择。\n\n我在我的博客 \u003Ca href=\"http:\u002F\u002Fwww.deepideas.net\u002Fdeep-learning-from-scratch-theory-and-implementation\u002F\">deepideas.net\u003C\u002Fa> 上发表了一篇文章，逐步构建并解释这个库，同时详细说明了其中涉及的所有数学知识和算法：[Deep Learning From Scratch](http:\u002F\u002Fwww.deepideas.net\u002Fdeep-learning-from-scratch-theory-and-implementation\u002F)。\n\n## 使用方法\n导入：\n\n    import tensorslow as ts\n\n创建计算图：\n\n    ts.Graph().as_default()\n\n创建输入占位符：\n\n    training_features = ts.placeholder()\n    training_classes = ts.placeholder()\n\n构建模型：\n\n\tweights = ts.Variable(np.random.randn(2, 2))\n\tbiases = ts.Variable(np.random.randn(2))\n\tmodel = ts.softmax(ts.add(ts.matmul(X, W), b))\n\n定义训练目标函数：\n\n    loss = ts.negative(ts.reduce_sum(ts.reduce_sum(ts.multiply(training_classes, ts.log(model)), axis=1)))\n\n创建优化器：\n\n    optimizer = ts.train.GradientDescentOptimizer(learning_rate=0.01).minimize(J)\n\n准备输入数据字典：\n\n\tfeed_dict = {\n\t\ttraining_features: my_training_features,\n\t\ttraining_classes: my_training_classes\n\t}\n\n创建会话：\n\n\tsession = ts.Session()\n\n训练模型：\n\n\tfor step in range(100):\n\t\tloss_value = session.run(loss, feed_dict)\n\t\tif step % 10 == 0:\n\t\t\tprint(\"Step:\", step, \" Loss:\", loss_value)\n\t\tsession.run(optimizer, feed_dict)\n\n获取模型参数：\n\n\tweights_value = session.run(weights)\n\tbiases_value = session.run(biases)\n\n更多示例请查看 `examples` 目录。","# TensorSlow 快速上手指南\n\nTensorSlow 是一个用纯 Python 重新实现的极简机器学习库，其 API 设计模仿了 TensorFlow。由于它没有 C 语言后端，代码专注于可读性而非执行效率，因此**仅适用于教育目的**，是深入理解深度学习框架底层原理（如计算图、自动微分等）的绝佳工具。\n\n## 环境准备\n\n*   **系统要求**：支持 Python 的任意操作系统（Windows, macOS, Linux）。\n*   **Python 版本**：建议 Python 3.6+。\n*   **前置依赖**：\n    *   `numpy`：用于基础的矩阵运算。\n    *   无需安装 TensorFlow 或其他重型深度学习框架。\n\n确保已安装 `numpy`：\n```bash\npip install numpy\n```\n\n## 安装步骤\n\n由于 TensorSlow 主要作为教学代码存在，通常通过直接克隆源码或下载文件使用。如果项目已发布到 PyPI（请根据实际仓库情况确认），可使用以下命令安装：\n\n```bash\npip install tensorslow\n```\n\n若未发布到 PyPI，请直接克隆仓库并添加到路径：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Feriklindernoren\u002FTensorSlow.git\ncd TensorSlow\n# 将当前目录加入 PYTHONPATH 或直接在该目录下运行脚本\nexport PYTHONPATH=$PYTHONPATH:$(pwd)  # Linux\u002FmacOS\n# set PYTHONPATH=%PYTHONPATH%;%cd%   # Windows CMD\n```\n\n> **提示**：国内开发者若遇到克隆速度慢的问题，可使用 Gitee 镜像（如有）或配置 Git 代理加速。\n\n## 基本使用\n\n以下示例展示了如何构建一个简单的计算图、定义模型、设置损失函数并进行梯度下降训练。\n\n### 1. 导入与初始化\n首先导入库并创建默认计算图。\n\n```python\nimport tensorslow as ts\nimport numpy as np\n\nts.Graph().as_default()\n```\n\n### 2. 定义占位符与变量\n创建输入数据的占位符以及模型的权重和偏置变量。\n\n```python\ntraining_features = ts.placeholder()\ntraining_classes = ts.placeholder()\n\nweights = ts.Variable(np.random.randn(2, 2))\nbiases = ts.Variable(np.random.randn(2))\n```\n\n### 3. 构建模型与损失函数\n搭建前向传播逻辑（矩阵乘法 + 加法 + Softmax）并定义交叉熵损失。\n\n```python\n# 注意：原文示例中变量名 X, W, b 需对应上面的 weights, biases 等，此处修正为一致\nmodel = ts.softmax(ts.add(ts.matmul(training_features, weights), biases))\n\nloss = ts.negative(ts.reduce_sum(ts.reduce_sum(ts.multiply(training_classes, ts.log(model)), axis=1)))\n```\n\n### 4. 定义优化器\n实例化梯度下降优化器。\n\n```python\noptimizer = ts.train.GradientDescentOptimizer(learning_rate=0.01).minimize(loss)\n```\n\n### 5. 执行训练\n创建会话（Session），传入数据并运行训练循环。\n\n```python\n# 模拟一些训练数据\nmy_training_features = np.random.randn(10, 2)\nmy_training_classes = np.random.randn(10, 2)\n\nfeed_dict = {\n    training_features: my_training_features,\n    training_classes: my_training_classes\n}\n\nsession = ts.Session()\n\nfor step in range(100):\n    loss_value = session.run(loss, feed_dict)\n    if step % 10 == 0:\n        print(\"Step:\", step, \" Loss:\", loss_value)\n    session.run(optimizer, feed_dict)\n```\n\n### 6. 获取结果\n训练结束后，提取更新后的模型参数。\n\n```python\nweights_value = session.run(weights)\nbiases_value = session.run(biases)\n```\n\n更多复杂示例请参考项目源码中的 `examples` 目录。","某高校深度学习课程中，讲师需要向学生直观展示神经网络反向传播的数学原理，而不仅仅是调用黑盒 API。\n\n### 没有 TensorSlow 时\n- 学生面对 TensorFlow 庞大的 C++ 底层源码感到无从下手，难以将代码与教科书中的矩阵求导公式对应起来。\n- 调试梯度下降过程时，由于编译型后端的存在，无法直接在 Python 层打断点观察中间变量的具体数值变化。\n- 为了理解机制，讲师不得不花费大量时间手写纯 NumPy 实现，导致教学代码与工业界通用的图计算范式脱节。\n- 初学者容易混淆“定义计算图”与“执行会话”的概念，因为现有框架过于追求性能而牺牲了逻辑的透明度。\n\n### 使用 TensorSlow 后\n- 学生可以直接阅读纯 Python 编写的源码，清晰地看到 `matmul`、`softmax` 等算子是如何一步步通过基础数学运算实现的。\n- 利用完全解释型的特性，师生能在训练循环中随时打印任意节点的输出，像调试普通脚本一样验证反向传播的每一步推导。\n- 代码结构完美复刻了标准 TensorFlow 的 API 风格（如 `Session`、`placeholder`），让学生在理解原理的同时掌握工业界的标准开发流程。\n- 极简的实现去除了所有性能优化相关的复杂逻辑，使得从损失函数构建到优化器更新的完整链路一目了然。\n\nTensorSlow 通过将复杂的深度学习框架“白盒化”，成功架起了抽象数学理论与现代工程实现之间的桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdanielsabinasz_TensorSlow_a824a517.png","danielsabinasz","Daniel","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdanielsabinasz_6f728a5a.jpg","Cognitive Scientist, Computer Scientist, Artificial Intelligence Engineer","Institut für Neuroinformatik der Ruhr-Universität Bochum","Duisburg, Germany","daniel@sabinasz.net",null,"https:\u002F\u002Fwww.sabinasz.net","https:\u002F\u002Fgithub.com\u002Fdanielsabinasz",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",90.2,{"name":88,"color":89,"percentage":90},"Python","#3572A5",9.8,678,89,"2026-04-09T09:55:08",1,"","不需要 GPU（纯 Python 实现，无 C 后端）","未说明",{"notes":99,"python":97,"dependencies":100},"该工具完全使用纯 Python 编写，旨在用于教育目的以理解深度学习库的内部原理，而非追求运行效率。代码中示例使用了 numpy 进行随机数生成。",[101],"numpy",[14],[104,105,106,107,108],"tensorflow","deep-learning","python","artificial-intelligence","artificial-neural-networks","2026-03-27T02:49:30.150509","2026-04-17T09:53:26.936690",[],[]]