[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-davidADSP--Generative_Deep_Learning_2nd_Edition":3,"tool-davidADSP--Generative_Deep_Learning_2nd_Edition":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":75,"owner_website":82,"owner_url":83,"languages":84,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":10,"env_os":105,"env_gpu":106,"env_ram":107,"env_deps":108,"category_tags":116,"github_topics":117,"view_count":23,"oss_zip_url":129,"oss_zip_packed_at":129,"status":16,"created_at":130,"updated_at":131,"faqs":132,"releases":163},1394,"davidADSP\u002FGenerative_Deep_Learning_2nd_Edition","Generative_Deep_Learning_2nd_Edition","The official code repository for the second edition of the O'Reilly book Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play.","Generative_Deep_Learning_2nd_Edition 是 O'Reilly 畅销书《生成式深度学习》第二版的官方配套代码库，旨在帮助读者亲手实践“教会机器绘画、写作、作曲与游戏”的核心技术。它系统性地解决了学习生成式 AI 时“理论懂但难落地”的痛点，提供了从基础原理到前沿应用的完整可运行代码。\n\n该项目覆盖了变分自编码器（VAE）、生成对抗网络（GAN）、扩散模型（Diffusion Models）以及 Transformer 等主流生成算法，并包含音乐生成、世界模型等多模态应用实例。其独特的技术亮点在于构建了基于 Docker 的标准化开发环境，支持一键配置 CPU 或 GPU 资源，内置数据下载脚本与 TensorBoard 可视化监控工具，极大降低了环境搭建与实验复现的门槛。\n\n这套资源非常适合希望深入理解生成式模型内部机制的开发者、人工智能研究人员以及相关领域的学生使用。对于想要从调用 API 转向掌握底层算法逻辑的技术人员，这里提供了按章节组织的 Jupyter 笔记和清晰的工程结构，是连接学术理论与工业级实现的优质桥梁。","# 🦜 Generative Deep Learning - 2nd Edition Codebase\n\nThe official code repository for the second edition of the O'Reilly book *Generative Deep Learning: Teaching Machines to Paint, Write, Compose and Play*.\n\n[O'Reilly link](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fgenerative-deep-learning\u002F9781098134174\u002F)\n\n[Amazon US link](https:\u002F\u002Fwww.amazon.com\u002FGenerative-Deep-Learning-Teaching-Machines\u002Fdp\u002F1098134184\u002F)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FdavidADSP_Generative_Deep_Learning_2nd_Edition_readme_302101312493.png\" width=\"300px\">\n\n## 📖 Book Chapters\n\nBelow is a outline of the book chapters:\n\n*Part I: Introduction to Generative Deep Learning*\n\n1. Generative Modeling\n2. Deep Learning\n\n*Part II: Methods*\n\n3. Variational Autoencoders\n4. Generative Adversarial Networks\n5. Autoregressive Models\n6. Normalizing Flows\n7. Energy-Based Models\n8. Diffusion Models\n\n*Part III: Applications*\n\n9. Transformers\n10. Advanced GANs\n11. Music Generation\n12. World Models\n13. Multimodal Models\n14. Conclusion\n\n## 🌟 Star History\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FdavidADSP_Generative_Deep_Learning_2nd_Edition_readme_54498472cb06.png\" width=\"500px\">\n\n## 🚀 Getting Started\n\n### Kaggle API\n\nTo download some of the datasets for the book, you will need a Kaggle account and an API token. To use the Kaggle API:\n\n1. Sign up for a [Kaggle account](https:\u002F\u002Fwww.kaggle.com).\n2. Go to the 'Account' tab of your user profile\n3. Select 'Create API Token'. This will trigger the download of `kaggle.json`, a file containing your API credentials.\n\n### The .env file\n\nCreate a file called `.env` in the root directory, containing the following values (replacing the Kaggle username and API key with the values from the JSON):\n\n```\nJUPYTER_PORT=8888\nTENSORBOARD_PORT=6006\nKAGGLE_USERNAME=\u003Cyour_kaggle_username>\nKAGGLE_KEY=\u003Cyour_kaggle_key>\n```\n\n### Get set up with Docker\n\nThis codebase is designed to be run with [Docker](https:\u002F\u002Fdocs.docker.com\u002Fget-docker\u002F).\n\nIf you've never used Docker before, don't worry! I have included a guide to Docker in the [Docker README](.\u002Fdocs\u002Fdocker.md) file in this repository. This includes a full run through of why Docker is awesome and a brief guide to the `Dockerfile` and `docker-compose.yml` for this project.\n\n### Building the Docker image\n\nIf you do not have a GPU, run the following command:\n\n```\ndocker compose build\n```\n\nIf you do have a GPU that you wish to use, run the following command:\n\n```\ndocker compose -f docker-compose.gpu.yml build\n```\n\n### Running the container\n\nIf you do not have a GPU, run the following command:\n\n```\ndocker compose up\n```\n\nIf you do have a GPU that you wish to use, run the following command:\n\n```\ndocker compose -f docker-compose.gpu.yml up\n```\n\nJupyter will be available in your local browser, on the port specified in your env file - for example\n\n```\nhttp:\u002F\u002Flocalhost:8888\n```\n\nThe notebooks that accompany the book are available in the `\u002Fnotebooks` folder, organized by chapter and example.\n\n## 🏞️ Downloading data\n\nThe codebase comes with an in-built data downloader helper script.\n\nRun the data downloader as follows (from outside the container), choosing one of the named datasets below:\n\n```\nbash scripts\u002Fdownload.sh [faces, bricks, recipes, flowers, wines, cellosuites, chorales]\n```\n\n## 📈 Tensorboard\n\nTensorboard is really useful for monitoring experiments and seeing how your model training is progressing.\n\nTo launch Tensorboard, run the following script (from outside the container):\n* `\u003CCHAPTER>` - the required chapter (e.g. `03_vae`)\n* `\u003CEXAMPLE>` - the required example (e.g. `02_vae_fashion`)\n\n```\nbash scripts\u002Ftensorboard.sh \u003CCHAPTER> \u003CEXAMPLE>\n```\n\nTensorboard will be available in your local browser on the port specified in your `.env` file - for example:\n```\nhttp:\u002F\u002Flocalhost:6006\n```\n\n## ☁️ Using a cloud virtual machine\n\nTo set up a virtual machine with GPU in Google Cloud Platform, follow the instructions in the [Google Cloud README](.\u002Fdocs\u002Fgooglecloud.md) file in this repository.\n\n## 📦 Other resources\n\nSome of the examples in this book are adapted from the excellent open source implementations that are available through the [Keras website](https:\u002F\u002Fkeras.io\u002Fexamples\u002Fgenerative\u002F). I highly recommend you check out this resource as new models and examples are constantly being added.\n\n\n","# 🦜 生成式深度学习——第二版代码库\n\n《生成式深度学习：教会机器绘画、写作、作曲与演奏》一书第二版的官方代码仓库。\n\n[奥莱利官网链接](https:\u002F\u002Fwww.oreilly.com\u002Flibrary\u002Fview\u002Fgenerative-deep-learning\u002F9781098134174\u002F)\n\n[亚马逊美国官网链接](https:\u002F\u002Fwww.amazon.com\u002FGenerative-Deep-Learning-Teaching-Machines\u002Fdp\u002F1098134184\u002F)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FdavidADSP_Generative_Deep_Learning_2nd_Edition_readme_302101312493.png\" width=\"300px\">\n\n## 📖 书籍章节\n\n以下是本书各章节的大纲：\n\n*第一部分：生成式深度学习导论\n\n1. 生成式建模\n2. 深度学习\n\n*第二部分：方法\n\n3. 变分自编码器\n4. 生成对抗网络\n5. 自回归模型\n6. 归一化流\n7. 能量基模型\n8. 扩散模型\n\n*第三部分：应用\n\n9. 变形器\n10. 高级GAN\n11. 音乐生成\n12. 世界模型\n13. 多模态模型\n14. 结论\n\n## 🌟 星星历史\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FdavidADSP_Generative_Deep_Learning_2nd_Edition_readme_54498472cb06.png\" width=\"500px\">\n\n## 🚀 开始使用\n\n### Kaggle API\n\n要下载本书的部分数据集，您需要拥有一个Kaggle账号和一个API令牌。要使用Kaggle API：\n\n1. 注册一个[Kaggle账号](https:\u002F\u002Fwww.kaggle.com)。\n2. 进入用户个人资料的“账户”选项卡。\n3. 选择“创建API令牌”。这将触发`kaggle.json`文件的下载，该文件包含了您的API凭证。\n\n### .env 文件\n\n在根目录下创建一个名为`.env`的文件，并填写以下内容（将Kaggle用户名和API密钥替换为JSON文件中的相应值）：\n\n```\nJUPYTER_PORT=8888\nTENSORBOARD_PORT=6006\nKAGGLE_USERNAME=\u003Cyour_kaggle_username>\nKAGGLE_KEY=\u003Cyour_kaggle_key>\n```\n\n### 使用Docker搭建环境\n\n本代码库旨在通过[Docker](https:\u002F\u002Fdocs.docker.com\u002Fget-docker\u002F)运行。\n\n如果您从未用过Docker，也不必担心！我们已在本仓库的[Docker README](.\u002Fdocs\u002Fdocker.md)文件中附上了Docker的使用指南。指南详细介绍了Docker为何如此强大，并提供了本项目的`Dockerfile`和`docker-compose.yml`的简要说明。\n\n### 构建Docker镜像\n\n如果您没有GPU，请运行以下命令：\n\n```\ndocker compose build\n```\n\n如果您有希望使用的GPU，请运行以下命令：\n\n```\ndocker compose -f docker-compose.gpu.yml build\n```\n\n### 运行容器\n\n如果您没有GPU，请运行以下命令：\n\n```\ndocker compose up\n```\n\n如果您有希望使用的GPU，请运行以下命令：\n\n```\ndocker compose -f docker-compose.gpu.yml up\n```\n\nJupyter将在本地浏览器中可用，且会监听您在`.env`文件中指定的端口——例如：\n\n```\nhttp:\u002F\u002Flocalhost:8888\n```\n\n本书配套的笔记本文件位于 `\u002Fnotebooks` 文件夹中，按章节和示例进行组织。\n\n## 🏞️ 下载数据\n\n本代码库内置了一个数据下载辅助脚本。\n\n按照以下方式运行数据下载器（在容器外部），从下面列出的命名数据集中选择一个：\n\n```\nbash scripts\u002Fdownload.sh [faces, bricks, recipes, flowers, wines, cellosuites, chorales]\n```\n\n## 📈 Tensorboard\n\nTensorBoard 是监控实验、实时查看模型训练进展的绝佳工具。\n\n要启动TensorBoard，请运行以下脚本（在容器外部）：\n* `\u003CCHAPTER>`——所需章节（例如 `03_vae`）\n* `\u003CEXAMPLE>`——所需示例（例如 `02_vae_fashion`）\n\n```\nbash scripts\u002Ftensorboard.sh \u003CCHAPTER> \u003CEXAMPLE>\n```\n\nTensorBoard 将在本地浏览器中可用，且会监听您在`.env`文件中指定的端口——例如：\n\n```\nhttp:\u002F\u002Flocalhost:6006\n```\n\n## ☁️ 使用云虚拟机\n\n要在Google Cloud Platform上搭建配备GPU的虚拟机，请按照本仓库[Google Cloud README](.\u002Fdocs\u002Fgooglecloud.md)文件中的说明操作。\n\n## 📦 其他资源\n\n本书中的一些示例源自Keras网站提供的优秀开源实现。我强烈建议您关注这一资源，因为新模型和新示例不断被添加进来。","# Generative Deep Learning (第 2 版) 快速上手指南\n\n本指南基于 O'Reilly 书籍《Generative Deep Learning》第二版的官方代码库，帮助开发者快速搭建生成式深度学习实验环境。\n\n## 环境准备\n\n本项目推荐使用 **Docker** 运行，以确保依赖环境的一致性。\n\n*   **操作系统**：Linux, macOS 或 Windows (需安装 Docker Desktop)\n*   **核心依赖**：\n    *   [Docker](https:\u002F\u002Fdocs.docker.com\u002Fget-docker\u002F)\n    *   [Docker Compose](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Finstall\u002F) (通常随 Docker 桌面版自动安装)\n*   **硬件要求**：\n    *   **CPU**：任意现代处理器均可运行基础示例。\n    *   **GPU**：如需加速训练（特别是扩散模型或大型 GAN），建议配备 NVIDIA GPU 并安装好宿主机的 NVIDIA Container Toolkit。\n*   **账号准备**：\n    *   部分数据集需要通过 **Kaggle** 下载。请注册 [Kaggle 账号](https:\u002F\u002Fwww.kaggle.com) 并在用户 профиля 的 \"Account\" 选项卡中创建 API Token (`kaggle.json`)。\n\n## 安装步骤\n\n### 1. 配置环境变量\n在项目根目录下创建 `.env` 文件，填入你的 Kaggle 凭证及端口配置：\n\n```bash\nJUPYTER_PORT=8888\nTENSORBOARD_PORT=6006\nKAGGLE_USERNAME=\u003Cyour_kaggle_username>\nKAGGLE_KEY=\u003Cyour_kaggle_key>\n```\n*(请将 `\u003Cyour_kaggle_username>` 和 `\u003Cyour_kaggle_key>` 替换为你从 `kaggle.json` 中获取的实际值)*\n\n### 2. 构建 Docker 镜像\n根据是否使用 GPU 选择对应的构建命令：\n\n**无 GPU 环境：**\n```bash\ndocker compose build\n```\n\n**有 GPU 环境：**\n```bash\ndocker compose -f docker-compose.gpu.yml build\n```\n\n### 3. 启动容器\n构建完成后，启动服务以访问 Jupyter Notebook：\n\n**无 GPU 环境：**\n```bash\ndocker compose up\n```\n\n**有 GPU 环境：**\n```bash\ndocker compose -f docker-compose.gpu.yml up\n```\n\n启动成功后，在浏览器访问 `http:\u002F\u002Flocalhost:8888` 即可进入开发环境。书中对应的代码笔记位于 `\u002Fnotebooks` 文件夹，按章节组织。\n\n## 基本使用\n\n### 下载数据集\n项目内置了数据下载脚本。在**宿主机终端**（非 Docker 容器内）运行以下命令下载指定数据集：\n\n```bash\nbash scripts\u002Fdownload.sh [faces, bricks, recipes, flowers, wines, cellosuites, chorales]\n```\n*示例：下载人脸数据集*\n```bash\nbash scripts\u002Fdownload.sh faces\n```\n\n### 监控训练过程 (TensorBoard)\n使用内置脚本启动 TensorBoard 以可视化模型训练进度。在**宿主机终端**运行：\n\n```bash\nbash scripts\u002Ftensorboard.sh \u003CCHAPTER> \u003CEXAMPLE>\n```\n\n*   `\u003CCHAPTER>`: 章节代号 (例如 `03_vae`)\n*   `\u003CEXAMPLE>`: 示例代号 (例如 `02_vae_fashion`)\n\n*示例：监控第 3 章 VAE 的 FashionMNIST 示例*\n```bash\nbash scripts\u002Ftensorboard.sh 03_vae 02_vae_fashion\n```\n\n启动后，在浏览器访问 `http:\u002F\u002Flocalhost:6006` 查看图表。\n\n### 开始实验\n登录 Jupyter Notebook (`http:\u002F\u002Flocalhost:8888`)，导航至 `\u002Fnotebooks` 目录，选择对应章节的 `.ipynb` 文件即可开始复现书中的生成式模型（如 VAE, GAN, Diffusion Models 等）。","一家初创游戏工作室的美术团队急需为独立游戏生成大量风格统一的道具纹理和背景音乐，但团队中缺乏精通生成式算法的资深工程师。\n\n### 没有 Generative_Deep_Learning_2nd_Edition 时\n- **理论落地困难**：团队成员虽了解扩散模型或 VAE 的概念，但面对复杂的数学公式，难以将其转化为可运行的 PyTorch\u002FTensorFlow 代码。\n- **环境配置耗时**：手动安装 CUDA、Docker 及各类依赖库往往花费数天时间，且常因版本冲突导致实验无法启动。\n- **数据获取繁琐**：缺乏标准化的数据下载与预处理脚本，收集清洗训练数据集（如特定风格的砖块纹理或大提琴独奏）效率极低。\n- **实验监控缺失**：缺少集成好的 TensorBoard 可视化方案，难以直观对比不同超参数下模型的收敛效果，调优全靠“盲猜”。\n\n### 使用 Generative_Deep_Learning_2nd_Edition 后\n- **代码即学即用**：直接复用书中第 8 章扩散模型和第 11 章音乐生成的完整 Notebook 代码，只需替换数据集即可快速训练出定制化模型。\n- **一键部署环境**：利用内置的 Docker Compose 配置，无论是 CPU 还是 GPU 环境，几条命令即可在本地或云端拉起包含 Jupyter 和 TensorBoard 的完整开发环境。\n- **数据管道自动化**：调用自带的 `download.sh` 脚本，分钟级完成人脸、花朵或乐谱等标准数据集的获取，并可轻松适配私有数据格式。\n- **可视化调优高效**：通过集成的 TensorBoard 脚本实时监控训练损失与生成样本质量，快速迭代出符合游戏美术风格的高质量资产。\n\nGenerative_Deep_Learning_2nd_Edition 将深奥的生成式 AI 理论转化为开箱即用的工程实践，让中小团队也能低成本实现创意资产的自动化生产。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FdavidADSP_Generative_Deep_Learning_2nd_Edition_30210131.png","davidADSP","David Foster","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FdavidADSP_462e8f79.jpg","Founding Partner, Applied Data Science Partners | Author of 'Generative Deep Learning' (O'Reilly)","Applied Data Science Partners","London","david@adsp.ai","adsp.ai","https:\u002F\u002Fgithub.com\u002FdavidADSP",[85,89,93,97],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",94.7,{"name":90,"color":91,"percentage":92},"Python","#3572A5",4,{"name":94,"color":95,"percentage":96},"Shell","#89e051",1.1,{"name":98,"color":99,"percentage":100},"Dockerfile","#384d54",0.1,1481,580,"2026-04-05T18:25:03","Apache-2.0","Linux, macOS, Windows","非必需。支持 NVIDIA GPU（需使用 docker-compose.gpu.yml），具体型号和显存未说明；无 GPU 亦可运行。","未说明",{"notes":109,"python":110,"dependencies":111},"1. 该项目强烈建议使用 Docker 容器化运行，提供了针对有无 GPU 的两种 compose 配置文件。\n2. 部分数据集下载需要配置 Kaggle API 密钥（需在 .env 文件中设置 KAGGLE_USERNAME 和 KAGGLE_KEY）。\n3. 内置了数据下载脚本，支持下载人脸、砖块、食谱、花卉等多种数据集。\n4. 若在云端（如 Google Cloud）运行，仓库内提供了专门的配置指南。","未说明 (由 Docker 镜像内部环境决定)",[112,113,114,86,115],"Docker","Docker Compose","TensorFlow\u002FKeras (推测，基于书籍内容及 Keras 示例引用)","TensorBoard",[26,51,54,14,13],[118,119,120,121,122,123,124,125,126,127,128],"chatgpt","dalle2","data-science","deep-learning","diffusion-models","generative-adversarial-network","gpt-3","machine-learning","python","stable-diffusion","tensorflow",null,"2026-03-27T02:49:30.150509","2026-04-06T08:08:36.730630",[133,138,143,148,153,158],{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},6398,"运行 Docker 容器时出现错误：无法选择具有 GPU 功能的 \"nvidia\" 设备驱动程序，如何解决？","这通常是因为未安装 NVIDIA Docker 运行时。请按照以下步骤安装并重启 Docker：\n1. 运行以下命令添加仓库和密钥（以 Ubuntu 为例）：\n   distribution=$(. \u002Fetc\u002Fos-release;echo $ID$VERSION_ID)\n   curl -s -L https:\u002F\u002Fnvidia.github.io\u002Fnvidia-docker\u002Fgpgkey | sudo apt-key add -\n   curl -s -L https:\u002F\u002Fnvidia.github.io\u002Fnvidia-docker\u002F$distribution\u002Fnvidia-docker.list | sudo tee \u002Fetc\u002Fapt\u002Fsources.list.d\u002Fnvidia-docker.list\n   sudo apt-get update\n   sudo apt-get install -y nvidia-docker2\n   sudo systemctl restart docker\n2. 验证 GPU 是否正常工作：\n   docker run --rm --gpus all nvidia\u002Fcuda:11.4-base nvidia-smi\n如果能看到 nvidia-smi 输出的 GPU 信息，则说明配置成功。","https:\u002F\u002Fgithub.com\u002FdavidADSP\u002FGenerative_Deep_Learning_2nd_Edition\u002Fissues\u002F5",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},6399,"加载 CelebA 数据集进行变分自编码器（VAE）训练时速度极慢（需 20-30 分钟），是什么原因？","这通常是因为 Docker 容器未正确调用 GPU，导致使用 CPU 加载大量图片数据。请检查 Docker 容器的 GPU 配置是否正确（参考 NVIDIA Docker 安装步骤）。一旦启用 GPU，加载时间可从 20 多分钟缩短至 8-15 秒。","https:\u002F\u002Fgithub.com\u002FdavidADSP\u002FGenerative_Deep_Learning_2nd_Edition\u002Fissues\u002F25",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},6400,"如何下载项目笔记本（Notebook）所需的依赖数据文件？","数据下载脚本位于 `app\u002Fscripts` 目录中，但需要通过项目根目录 README 中的说明来调用。请查阅官方文档的“下载数据”章节（Downloading Data section），那里有具体的执行指令。","https:\u002F\u002Fgithub.com\u002FdavidADSP\u002FGenerative_Deep_Learning_2nd_Edition\u002Fissues\u002F10",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},6401,"运行笔记本时出现大量 TensorFlow 警告信息（如找不到 libcudart.so 或 libnvinfer.so），如何处理？","如果您仅使用 CPU 或不关心这些特定的 CUDA\u002FTensorRT 警告，可以通过设置环境变量来屏蔽它们。在代码开头添加以下内容：\nimport os\nos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'\n这将把日志级别设置为仅显示错误，过滤掉警告信息。","https:\u002F\u002Fgithub.com\u002FdavidADSP\u002FGenerative_Deep_Learning_2nd_Edition\u002Fissues\u002F9",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},6402,"在 Mac M1 上构建 Docker 时提示变量未设置（如 JUPYTER_PORT）且端口数组项必须唯一，如何解决？","这是因为缺少环境变量配置文件。您需要在项目根目录下创建 `.env` 文件。可以直接复制项目中提供的示例文件 `sample.env` 并重命名为 `.env`，或者根据 `sample.env` 的内容手动设置 `JUPYTER_PORT` 和 `TENSORBOARD_PORT` 等变量。","https:\u002F\u002Fgithub.com\u002FdavidADSP\u002FGenerative_Deep_Learning_2nd_Edition\u002Fissues\u002F6",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},6403,"README 文档中的 Docker Compose 命令执行失败，提示找不到文件，是怎么回事？","这是文档中的笔误。README 中提到的 `docker-compose-gpu.yml` 文件名已更新，实际文件名应为 `docker-compose.gpu.yml`（注意连字符 `-` 变成了点 `.`）。请使用正确的文件名运行命令：`docker compose -f docker-compose.gpu.yml up`。","https:\u002F\u002Fgithub.com\u002FdavidADSP\u002FGenerative_Deep_Learning_2nd_Edition\u002Fissues\u002F11",[]]