[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-databricks--spark-deep-learning":3,"tool-databricks--spark-deep-learning":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",150037,2,"2026-04-10T23:33:47",[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":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":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":99,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":131},6534,"databricks\u002Fspark-deep-learning","spark-deep-learning","Deep Learning Pipelines for Apache Spark","spark-deep-learning 是专为 Apache Spark 打造的深度学习流水线工具，旨在让大数据工程师能够轻松地在大规模集群上构建和部署深度学习模型。它主要解决了传统深度学习框架在处理海量数据时，往往需要复杂的数据搬运或难以直接利用现有 Spark 基础设施的痛点，实现了数据处理与模型训练的无缝衔接。\n\n该工具特别适合拥有 Spark 集群环境的数据科学家、机器学习工程师以及研究人员使用。如果你已经熟悉 Spark 生态，希望在不学习全新分布式训练框架的前提下，快速将 TensorFlow 或 Keras 等模型应用于生产级的大数据场景，spark-deep-learning 将是理想选择。\n\n其核心技术亮点在于提供了高级 API，让用户仅需几行代码即可定义复杂的深度学习流水线。此外，它集成了 HorovodRunner 组件，能够在 Databricks 运行时环境中自动管理集群资源，高效启动基于 Horovod 的分布式训练任务，显著降低多 GPU 或多节点协同训练的门槛。需要注意的是，开源版本主要用于本地开发和逻辑验证，完整的分布式训练功能建议在 Databric","spark-deep-learning 是专为 Apache Spark 打造的深度学习流水线工具，旨在让大数据工程师能够轻松地在大规模集群上构建和部署深度学习模型。它主要解决了传统深度学习框架在处理海量数据时，往往需要复杂的数据搬运或难以直接利用现有 Spark 基础设施的痛点，实现了数据处理与模型训练的无缝衔接。\n\n该工具特别适合拥有 Spark 集群环境的数据科学家、机器学习工程师以及研究人员使用。如果你已经熟悉 Spark 生态，希望在不学习全新分布式训练框架的前提下，快速将 TensorFlow 或 Keras 等模型应用于生产级的大数据场景，spark-deep-learning 将是理想选择。\n\n其核心技术亮点在于提供了高级 API，让用户仅需几行代码即可定义复杂的深度学习流水线。此外，它集成了 HorovodRunner 组件，能够在 Databricks 运行时环境中自动管理集群资源，高效启动基于 Horovod 的分布式训练任务，显著降低多 GPU 或多节点协同训练的门槛。需要注意的是，开源版本主要用于本地开发和逻辑验证，完整的分布式训练功能建议在 Databricks 机器学习运行时中使用，以发挥其最大性能优势。","Deep Learning Pipelines for Apache Spark\n============================================================\n[![Build Status][pkg-build-badge]][pkg-build-link] [![Coverage][pkg-cov-badge]][pkg-cov-link]\n\n  [pkg-build-badge]: https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Factions\u002Fworkflows\u002Ftest.yml\u002Fbadge.svg?branch=master\n  [pkg-build-link]: https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Factions\u002Fworkflows\u002Ftest.yml\n  [pkg-cov-badge]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fdatabricks\u002Fspark-deep-learning\u002Fcoverage.svg?branch=master\n  [pkg-cov-link]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fdatabricks\u002Fspark-deep-learning\u002Fbranch\u002Fmaster\n\nThe repo only contains HorovodRunner code for local CI and API docs. To use HorovodRunner for distributed training, please use Databricks Runtime for Machine Learning,\nVisit databricks doc [HorovodRunner: distributed deep learning with Horovod](https:\u002F\u002Fdocs.databricks.com\u002Fapplications\u002Fmachine-learning\u002Ftrain-model\u002Fdistributed-training\u002Fhorovod-runner.html) for details.\n\nTo use the previous release that contains Spark Deep Learning Pipelines API, please go to [Spark Packages page](https:\u002F\u002Fspark-packages.org\u002Fpackage\u002Fdatabricks\u002Fspark-deep-learning).\n\n\n## API Documentation\n\n### class sparkdl.HorovodRunner(\\*, np, driver_log_verbosity='all')\nBases: `object`\n\nHorovodRunner runs distributed deep learning training jobs using Horovod.\n\nOn Databricks Runtime 5.0 ML and above, it launches the Horovod job as a distributed Spark job.\nIt makes running Horovod easy on Databricks by managing the cluster setup and integrating with\nSpark.\nCheck out Databricks documentation to view end-to-end examples and performance tuning tips.\n\nThe open-source version only runs the job locally inside the same Python process,\nwhich is for local development only.\n\n**NOTE**: Horovod is a distributed training framework developed by Uber.\n\n* **Parameters**\n\n\n    * **np** - number of parallel processes to use for the Horovod job.\n        This argument only takes effect on Databricks Runtime 5.0 ML and above.\n        It is ignored in the open-source version.\n        On Databricks, each process will take an available task slot,\n        which maps to a GPU on a GPU cluster or a CPU core on a CPU cluster.\n        Accepted values are:\n\n        - If \u003C0, this will spawn `-np` subprocesses on the driver node to run Horovod locally.\n          Training stdout and stderr messages go to the notebook cell output, and are also\n          available in driver logs in case the cell output is truncated. This is useful for\n          debugging and we recommend testing your code under this mode first. However, be\n          careful of heavy use of the Spark driver on a shared Databricks cluster.\n          Note that `np \u003C -1` is only supported on Databricks Runtime 5.5 ML and above.\n        - If >0, this will launch a Spark job with `np` tasks starting all together and run the\n          Horovod job on the task nodes.\n          It will wait until `np` task slots are available to launch the job.\n          If `np` is greater than the total number of task slots on the cluster,\n          the job will fail. As of  Databricks Runtime 5.4 ML, training stdout and stderr\n          messages go to the notebook cell output. In the event that the cell output is\n          truncated, full logs are available in stderr stream of task 0 under the 2nd spark\n          job started by HorovodRunner, which you can find in the Spark UI.\n        - If 0, this will use all task slots on the cluster to launch the job.\n          .. warning:: Setting np=0 is deprecated and it will be removed in the next major\n            Databricks Runtime release. Choosing np based on the total task slots at runtime is\n            unreliable due to dynamic executor registration. Please set the number of parallel\n            processes you need explicitly.\n    * **np** - driver_log_verbosity: This argument is only available on Databricks Runtime.\n\n#### run(main, \\*\\*kwargs)\nRuns a Horovod training job invoking main(\\*\\*kwargs).\n\nThe open-source version only invokes main(\\*\\*kwargs) inside the same Python process.\nOn Databricks Runtime 5.0 ML and above, it will launch the Horovod job based on the\ndocumented behavior of np.  Both the main function and the keyword arguments are\nserialized using cloudpickle and distributed to cluster workers.\n\n\n* **Parameters**\n\n    \n    * **main** – a Python function that contains the Horovod training code.\n    The expected signature is def main(\\*\\*kwargs) or compatible forms.\n    Because the function gets pickled and distributed to workers,\n    please change global states inside the function, e.g., setting logging level,\n    and be aware of pickling limitations.\n    Avoid referencing large objects in the function, which might result large pickled data,\n    making the job slow to start.\n\n\n    * **kwargs** – keyword arguments passed to the main function at invocation time.\n\n\n\n* **Returns**\n\n    return value of the main function.\n    With np>=0, this returns the value from the rank 0 process. Note that the returned\n    value should be serializable using cloudpickle.\n\n\n## Releases\nVisit [Github Release Page](https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Freleases) to check the release notes.\n\n\n## License\n* The source code is released under the Apache License 2.0 (see the LICENSE file).\n","适用于 Apache Spark 的深度学习流水线\n============================================================\n[![构建状态][pkg-build-badge]][pkg-build-link] [![覆盖率][pkg-cov-badge]][pkg-cov-link]\n\n  [pkg-build-badge]: https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Factions\u002Fworkflows\u002Ftest.yml\u002Fbadge.svg?branch=master\n  [pkg-build-link]: https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Factions\u002Fworkflows\u002Ftest.yml\n  [pkg-cov-badge]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fdatabricks\u002Fspark-deep-learning\u002Fcoverage.svg?branch=master\n  [pkg-cov-link]: https:\u002F\u002Fcodecov.io\u002Fgh\u002Fdatabricks\u002Fspark-deep-learning\u002Fbranch\u002Fmaster\n\n该仓库仅包含用于本地 CI 的 HorovodRunner 代码和 API 文档。若要使用 HorovodRunner 进行分布式训练，请使用 Databricks Runtime for Machine Learning。\n有关详细信息，请参阅 Databricks 文档中的 [HorovodRunner：使用 Horovod 进行分布式深度学习](https:\u002F\u002Fdocs.databricks.com\u002Fapplications\u002Fmachine-learning\u002Ftrain-model\u002Fdistributed-training\u002Fhorovod-runner.html)。\n\n如需使用包含 Spark 深度学习流水线 API 的旧版本，请访问 [Spark Packages 页面](https:\u002F\u002Fspark-packages.org\u002Fpackage\u002Fdatabricks\u002Fspark-deep-learning)。\n\n\n## API 文档\n\n### 类 sparkdl.HorovodRunner(\\*, np, driver_log_verbosity='all')\n基类：`object`\n\nHorovodRunner 使用 Horovod 运行分布式深度学习训练作业。\n\n在 Databricks Runtime 5.0 ML 及更高版本上，它会将 Horovod 作业作为分布式 Spark 作业启动。\n通过管理集群设置并与 Spark 集成，它使在 Databricks 上运行 Horovod 变得更加容易。\n请查阅 Databricks 文档以查看端到端示例和性能调优提示。\n\n开源版本仅在同一 Python 进程内本地运行作业，仅供本地开发使用。\n\n**注意**：Horovod 是由 Uber 开发的分布式训练框架。\n\n* **参数**\n\n\n    * **np** - 用于 Horovod 作业的并行进程数。\n        此参数仅在 Databricks Runtime 5.0 ML 及更高版本上生效。\n        在开源版本中会被忽略。\n        在 Databricks 上，每个进程将占用一个可用的任务槽位，\n        该槽位对应于 GPU 集群上的 GPU 或 CPU 集群上的 CPU 核心。\n        允许的取值如下：\n\n        - 如果 \u003C0，则会在驱动节点上派生 `-np` 个子进程，在本地运行 Horovod。\n          训练的 stdout 和 stderr 消息会输出到笔记本单元格中，并且在单元格输出被截断时，\n          也会记录在驱动程序日志中。这有助于调试，我们建议您首先在此模式下测试代码。\n          不过，在共享的 Databricks 集群上，请谨慎使用 Spark 驱动程序资源。\n          注意，`np \u003C -1` 仅在 Databricks Runtime 5.5 ML 及更高版本上支持。\n        - 如果 >0，则会启动一个包含 `np` 个任务的 Spark 作业，所有任务同时开始，\n          并在这些任务节点上运行 Horovod 作业。\n          它会等待直到有 `np` 个任务槽位可用才启动作业。\n          如果 `np` 大于集群中任务槽位的总数，则作业会失败。自 Databricks Runtime 5.4 ML 起，\n          训练的 stdout 和 stderr 消息会输出到笔记本单元格中。如果单元格输出被截断，\n          则完整的日志可以在由 HorovodRunner 启动的第二个 Spark 作业中，任务 0 的 stderr 流中找到，\n          您可以通过 Spark UI 查看这些日志。\n        - 如果 0，则会使用集群中的所有任务槽位来启动作业。\n          .. 警告:: 将 np 设置为 0 已弃用，并将在下一个主要的 Databricks Runtime 版本中移除。\n          根据运行时的任务槽位总数来选择 np 值是不可靠的，因为执行器可能会动态注册。\n          请明确指定所需的并行进程数量。\n    * **driver_log_verbosity** - 驱动程序日志的详细程度：此参数仅在 Databricks Runtime 上可用。\n\n\n#### run(main, \\*\\*kwargs)\n运行一个调用 main(\\*\\*kwargs) 的 Horovod 训练作业。\n\n开源版本仅在同一 Python 进程内调用 main(\\*\\*kwargs)。\n在 Databricks Runtime 5.0 ML 及更高版本上，它会根据 np 的文档行为启动 Horovod 作业。\n主函数和关键字参数都会使用 cloudpickle 序列化，并分发给集群中的工作节点。\n\n\n* **参数**\n\n    \n    * **main** – 包含 Horovod 训练代码的 Python 函数。\n    预期签名为 def main(\\*\\*kwargs) 或兼容形式。\n    由于函数会被序列化并分发给工作节点，因此请在函数内部更改全局状态，\n    例如设置日志级别，并注意 pickling 的限制。\n    避免在函数中引用大型对象，否则可能导致序列化数据过大，\n    从而延长作业启动时间。\n\n\n    * **kwargs** – 调用时传递给主函数的关键字参数。\n\n\n\n* **返回值**\n\n    主函数的返回值。\n    当 np≥0 时，返回的是 rank 0 进程的值。请注意，返回值必须能够使用 cloudpickle 序列化。\n\n\n## 发布版本\n请访问 [Github 发布页面](https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Freleases) 查看发布说明。\n\n\n## 许可证\n* 源代码根据 Apache License 2.0 发布（详见 LICENSE 文件）。","# spark-deep-learning 快速上手指南\n\n`spark-deep-learning` 是 Databricks 提供的用于在 Apache Spark 上运行深度学习流水线的工具库。**请注意**：当前开源仓库主要包含用于本地开发和 CI 测试的 `HorovodRunner` 代码。若需在生产环境中进行分布式训练，官方推荐使用 **Databricks Runtime for Machine Learning**。开源版本仅支持在单个 Python 进程中本地运行，适用于代码调试和本地开发。\n\n## 环境准备\n\n*   **操作系统**: Linux, macOS, Windows (仅限本地开发)\n*   **Python**: 3.6+\n*   **核心依赖**:\n    *   Apache Spark (本地模式)\n    *   PySpark\n    *   Horovod (用于本地单进程模拟)\n    *   cloudpickle\n*   **推荐环境**: 建议使用 Conda 或虚拟环境隔离依赖。\n\n> **注意**：开源版本不包含完整的 Spark Deep Learning Pipelines API（如预定义的深度学习转换器），该部分功能需通过 Spark Packages 获取或在 Databricks 平台上使用。\n\n## 安装步骤\n\n由于该工具主要针对 Databricks 平台优化，开源版本可通过 pip 直接安装其核心组件用于本地测试。\n\n```bash\npip install sparkdl\n```\n\n如果需要手动安装特定版本的依赖（例如配合特定版本的 PySpark）：\n\n```bash\npip install pyspark horovod cloudpickle\n```\n\n> **国内加速提示**：如果下载速度较慢，可使用国内镜像源安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple sparkdl\n> ```\n\n## 基本使用\n\n开源版本的 `HorovodRunner` 主要用于在本地单机环境中模拟和调试 Horovod 训练代码。它不会真正启动分布式集群，而是在当前 Python 进程中执行训练函数。\n\n### 最简单的使用示例\n\n以下示例展示如何定义一个训练函数并通过 `HorovodRunner` 在本地运行：\n\n```python\nfrom sparkdl import HorovodRunner\n\n# 1. 定义包含 Horovod 训练逻辑的主函数\ndef train_func(**kwargs):\n    import horovod.keras as hvd\n    import tensorflow as tf\n    \n    # 初始化 Horovod\n    hvd.init()\n    \n    # 设置 GPU 可见性 (如果是多卡本地模拟，需配合 np 参数，但在开源版中通常只跑单进程)\n    gpus = tf.config.experimental.list_physical_devices('GPU')\n    if gpus:\n        tf.config.experimental.set_visible_devices(gpus[hvd.local_rank()], 'GPU')\n\n    # 构建简单的模型和数据 (此处仅为示意)\n    model = ... \n    optimizer = ...\n    \n    # 包装 Optimizer\n    optimizer = hvd.DistributedOptimizer(optimizer)\n    \n    # 训练循环\n    # model.fit(...)\n    \n    print(f\"Training completed on rank {hvd.rank()}\")\n    return \"success\"\n\n# 2. 实例化 HorovodRunner\n# np 参数在开源版本中被忽略，仅在 Databricks 集群生效\n# 这里主要用于保持代码与云端部署的一致性\nhr = HorovodRunner(np=1)\n\n# 3. 运行训练任务\n# 在开源版本中，这将直接在当前进程中调用 train_func\nresult = hr.run(train_func)\n\nprint(f\"Job result: {result}\")\n```\n\n### 关键说明\n\n*   **运行模式**：在开源版本中，`hr.run()` 仅仅是序列化并本地调用 `main` 函数，**不会**启动多个子进程或 Spark 任务。\n*   **代码迁移**：编写此代码的主要目的是为了无缝迁移到 Databricks 平台。在 Databricks ML Runtime 上，只需更改 `np` 参数（例如 `np=4` 或 `np=-1`），相同的代码即可自动利用集群资源进行分布式训练。\n*   **序列化限制**：传递给 `run` 方法的 `main` 函数及其闭包变量会被 `cloudpickle` 序列化。请避免在函数外部引用大型对象，并确保函数内部处理所有全局状态（如日志级别）。","某大型电商公司的数据团队需要在拥有数百 GB 商品图片的 Spark 集群上，快速训练一个高精度的图像分类模型以优化搜索推荐。\n\n### 没有 spark-deep-learning 时\n- **架构割裂严重**：数据预处理依赖 Spark，而深度学习训练需导出到独立的 GPU 服务器，繁琐的数据搬运导致流程断裂且易出错。\n- **资源调度困难**：无法直接利用 Spark 现有的集群资源进行分布式训练，需手动配置复杂的 Horovod 环境，运维成本极高。\n- **开发迭代缓慢**：算法工程师需在两种不同的编程范式间切换，调试分布式任务时难以通过统一的日志界面追踪错误，定位问题耗时耗力。\n- **扩展性受限**：随着数据量增长，传统单机或简单多机训练模式遭遇瓶颈，难以线性扩展算力来缩短模型训练周期。\n\n### 使用 spark-deep-learning 后\n- **流程无缝集成**：通过 `HorovodRunner` 直接在 Spark DataFrame 上启动分布式训练，实现了从数据清洗到模型训练的端到端流水线。\n- **自动化集群管理**：spark-deep-learning 自动管理底层集群设置，将 Horovod 作业作为标准的 Spark 任务提交，无需手动干预环境配置。\n- **统一调试体验**：训练日志直接输出到 Notebook 单元格或 Spark UI，开发者可像调试普通 Spark 任务一样监控分布式深度学习过程。\n- **弹性高效扩展**：只需调整 `np` 参数即可动态占用集群中的 GPU 任务槽位，轻松实现百卡规模的并行训练，大幅压缩模型上线时间。\n\nspark-deep-learning 的核心价值在于打破了大数据处理与深度学习之间的壁垒，让企业能利用现有 Spark 基础设施低成本、高效率地落地大规模分布式 AI 应用。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdatabricks_spark-deep-learning_a7d0f6e8.png","databricks","Databricks","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdatabricks_c90218cb.png","Helping data teams solve the world’s toughest problems using data and AI",null,"https:\u002F\u002Fdatabricks.com","https:\u002F\u002Fgithub.com\u002Fdatabricks",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,1993,491,"2026-03-17T23:57:49","Apache-2.0",5,"","开源版本仅支持本地单进程运行（无分布式 GPU 训练）；完整的分布式 GPU 训练功能仅在 Databricks Runtime for Machine Learning 上可用，具体显卡型号、显存及 CUDA 版本未在文档中说明。","未说明",{"notes":94,"python":92,"dependencies":95},"该仓库的开源版本仅包含用于本地持续集成和 API 文档的 HorovodRunner 代码，只能在同一 Python 进程中本地运行，仅适用于本地开发调试。若要使用分布式深度学习训练功能，必须使用 Databricks Runtime for Machine Learning 环境。之前的包含 Spark Deep Learning Pipelines API 的版本需通过 Spark Packages 页面获取。",[96,97,98],"Horovod","Apache Spark","cloudpickle",[14],"2026-03-27T02:49:30.150509","2026-04-11T15:01:33.373465",[103,108,113,118,123,127],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},29549,"如何在 Jupyter Notebook 中正确导入和使用 sparkdl？","在 Jupyter Notebook 中不能直接使用命令行式的 `--packages` 参数。需要在代码中初始化 SparkSession 时配置 `spark.jars.packages`。具体代码如下：\n```python\nfrom pyspark.sql import SparkSession\n\nspark = (SparkSession\n    .builder\n    .config('spark.jars.packages', 'databricks:spark-deep-learning:1.5.0-spark2.4-s_2.11')\n    .getOrCreate()\n)\n```\n请将版本号（如 1.5.0-spark2.4-s_2.11）替换为适合你环境的版本。这样会自动从 Databricks 下载所有依赖。直接使用本地 .jar 文件往往因为缺少父依赖而失败。","https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Fissues\u002F185",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},29550,"如何保存和加载包含 DeepImageFeaturizer 的 Pipeline 模型？","直接保存和加载包含 DeepImageFeaturizer 的 Pipeline 可能会报错，因为该组件在某些版本中不完全支持序列化。\n推荐的变通方法是：\n1. 只保存 Pipeline 中的其他阶段（如分类器），例如：`p_model.stages[1].write().overwrite().save('lr_model')`。\n2. 重新加载时，手动重建 Pipeline：先实例化一个新的 `DeepImageFeaturizer`（它没有权重需要加载，只需指定模型名称），然后加载保存的分类器，最后组合成新的 Pipeline。\n示例代码逻辑：\n```python\n# 重建 Featurizer\nfeaturizer = DeepImageFeaturizer(inputCol=\"image\", outputCol=\"features\", modelName=\"InceptionV3\")\n# 加载保存的分类器\nfrom pyspark.ml.classification import LogisticRegressionModel\nlr_model = LogisticRegressionModel.load('lr_model')\n# 组合成新 Pipeline\nfrom pyspark.ml import Pipeline\nnew_pipeline = Pipeline(stages=[featurizer, lr_model])\n```","https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Fissues\u002F142",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},29551,"sparkdl 是否支持非图像输入（如数值型时间序列数据）？","是的，虽然早期版本主要关注图像，但后续版本（通过 issue #78 和 #82）引入了 `TFTransformer` 和 `KerasTransformer` API。这些 API 允许将 Keras 或 TensorFlow 模型应用于 1D 和 2D 张量输入，因此可以处理数值型时间序列数据。对于一维时间序列，可以使用 1D 张量输入进行转换和预测。","https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Fissues\u002F33",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},29548,"在 PySpark 中无法导入 sparkdl 模块（ImportError: No module named sparkdl）怎么办？","这通常是因为 JAR 文件未被正确解压或类路径未设置。一种临时的解决方法是手动解压 JAR 文件：\n1. 进入 JAR 所在目录：`cd target\u002Fscala-2.11`\n2. 创建临时目录并复制 JAR：`mkdir tmp && cp spark-deep-learning-assembly-*.jar tmp\u002F`\n3. 进入临时目录并解压：`cd tmp && jar xf spark-deep-learning-assembly-*.jar`\n4. 在该目录下运行 pyspark 并指定 JAR：`pyspark --jars spark-deep-learning-assembly-*.jar`\n注意：此方法仅在使用解压后的目录时有效。更推荐的方式是使用 `--packages` 参数让 Spark 自动管理依赖。","https:\u002F\u002Fgithub.com\u002Fdatabricks\u002Fspark-deep-learning\u002Fissues\u002F18",{"id":124,"question_zh":125,"answer_zh":126,"source_url":122},29552,"在 Windows 上使用 readImages 或 DeepImageFeaturizer 时遇到 UTF-8 编码错误怎么办？","在 Windows 系统上，`readImages` 方法可能会因为 UTF-8 编码问题（特别是无法识别首字节 0x80）而报错。目前官方尚未提供完美的原生 Windows 解决方案。建议的应对策略包括：\n1. 尽量在 Linux 环境或 Docker 容器中运行相关代码。\n2. 如果必须在 Windows 运行，尝试检查图片路径编码，或使用 WSL (Windows Subsystem for Linux) 来规避文件系统编码差异。\n3. 关注官方更新，因为这是一个已知的环境兼容性问题。",{"id":128,"question_zh":129,"answer_zh":130,"source_url":122},29553,"如何解决使用 --packages 添加依赖时出现的 unresolved dependency 错误？","当使用 `pyspark --packages` 遇到依赖解析错误时，请检查以下几点：\n1. 确保包坐标格式正确，例如：`databricks:spark-deep-learning:\u003Cversion>-spark\u003Cspark_version>-s_\u003Cscala_version>`。\n2. 检查网络连接，确保能访问 Maven 中央仓库或 Databricks 的仓库。\n3. 清除 Ivy 缓存有时能解决问题：删除 `~\u002F.ivy2\u002Fcache` 或 `~\u002F.ivy2\u002Fjars` 目录后重试。\n4. 确认 Spark 版本与 Scala 版本与所请求的包版本匹配（例如 spark2.4 对应 s_2.11 或 s_2.12）。\n如果问题依旧，可以尝试在 `SparkSession` 配置中显式指定仓库地址或使用 `.config` 方式加载。",[132,137,142,147,152,157,162,167,172],{"id":133,"version":134,"summary_zh":135,"released_at":136},206047,"v1.6.0","* 已弃用部分子模块和类\n* 更新了依赖项","2020-01-08T19:50:31",{"id":138,"version":139,"summary_zh":140,"released_at":141},206048,"v1.5.0","* HorovodRunner 的主函数现在可以有返回值。\n* 更好地支持多 GPU 机器（仅限 Databricks 版本）。","2019-01-25T06:48:19",{"id":143,"version":144,"summary_zh":145,"released_at":146},206049,"v1.4.0","* 升级到 TensorFlow 1.12.0。","2018-11-18T01:31:03",{"id":148,"version":149,"summary_zh":150,"released_at":151},206050,"v1.3.0","* 添加了 HorovodRunner API。\n* 使用 Docker 和 Conda 简化了测试和文档构建流程。\n* 更新了公开的 Python API 文档。\n* 从 DeepImageFeaturizer 中移除了持久化功能。","2018-11-13T05:06:21",{"id":153,"version":154,"summary_zh":155,"released_at":156},206051,"v1.2.0","- 在 DeepImageFeaturizer.validateSchema 中忽略可空性\n- 将 TensorFrames 版本升级至 0.5.0\n- 将 TensorFlow 版本升级至 1.10.0，Keras 版本升级至 2.2.2\n","2018-08-28T21:45:55",{"id":158,"version":159,"summary_zh":160,"released_at":161},206052,"v1.1.0","* keras_image_file_estimator 同时支持稀疏向量和稠密向量\n* 将 TensorFrames 版本升级至 0.4.0\n* 在 Travis CI 中添加代码风格检查\n* 文档修复","2018-06-18T21:48:44",{"id":163,"version":164,"summary_zh":165,"released_at":166},206053,"v1.0.0","这是 1.0.0 版本。它带来了对 Spark（2.3）和 TensorFlow（1.6 及以上）新版本的兼容性。此前在本包中定义的自定义图像模式已被 Spark 的 ImageSchema 替代，因此升级到此版本时可能会有一些破坏性变更。\n\n主要变更：\n* *(破坏性变更)* 使用 Spark 2.3.0 中的图像定义。新的定义对三通道图像采用 BGR 通道顺序，而在此变更之前，本项目使用的是 RGB 顺序。\n* DeepImageFeaturizer 的持久化支持（Python 和 Scala）。","2018-05-01T20:07:30",{"id":168,"version":169,"summary_zh":170,"released_at":171},206054,"v0.3.0","这是在迁移到新的 ImageSchema 之前的 dl-pipelines 最后一个版本。\n\n主要变更：\n  - 在 DeepImageFeaturizer\u002FDeepImagePredictor（Python）中新增了 VGG16 和 VGG19 模型。\n  - 为 DeepImageFeaturizer 新增了 Scala API（用于图像的迁移学习）。\n  - 新增了 TFTransformer 和 KerasTransformer，用于将 TensorFlow 图或基于 TensorFlow 的 Keras 模型应用到 Spark DataFrame 中的数组列上。","2018-01-30T19:56:51",{"id":173,"version":174,"summary_zh":175,"released_at":176},206055,"v0.2.0","这是深度学习流水线 0.2.0 的最终版本。\n\n自 0.1.0 版本以来的显著新增功能：\n* KerasImageFileEstimator API（在图像文件上训练 Keras 模型）\n* Keras 模型的 SQL UDF 支持\n* 在 DeepImageFeaturizer\u002FDeepImagePredictor 中新增了 Xception 和 ResNet50 模型。","2017-10-31T17:32:10"]