[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-deeplearning4j--deeplearning4j-examples":3,"tool-deeplearning4j--deeplearning4j-examples":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":100,"env_os":101,"env_gpu":102,"env_ram":103,"env_deps":104,"category_tags":116,"github_topics":117,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":125,"updated_at":126,"faqs":127,"releases":158},2573,"deeplearning4j\u002Fdeeplearning4j-examples","deeplearning4j-examples","Deeplearning4j Examples (DL4J, DL4J Spark, DataVec)","deeplearning4j-examples 是 Eclipse Deeplearning4J（DL4J）生态系统的官方示例集合，旨在帮助开发者快速上手基于 JVM 的深度学习应用。它解决了在 Java 及 Scala 环境中从零构建、训练和部署深度神经网络时面临的配置复杂与代码参考缺失难题，覆盖了从原始数据加载、预处理（ETL）到模型构建与调优的全流程。\n\n这套示例非常适合熟悉 Java 技术栈的软件工程师、企业级应用开发者以及希望在现有 JVM 系统中集成 AI 能力的研究人员使用。其独特亮点在于提供了完整的原生 Java 深度学习解决方案：不仅包含高层 API 用于构建复杂网络并支持导入 Keras 模型，还集成了高性能线性代数库 ND4J（底层由 C++ 驱动，支持 CPU 指令集加速及 CUDA GPU 加速），以及类似 TensorFlow 的自动微分框架 SameDiff。此外，配合 DataVec 组件，它能轻松处理 CSV、图像、音频等多种格式数据，并支持在 Apache Spark 上进行分布式训练。对于希望在不引入 Python 依赖的前提下，利用成熟工程化工具","deeplearning4j-examples 是 Eclipse Deeplearning4J（DL4J）生态系统的官方示例集合，旨在帮助开发者快速上手基于 JVM 的深度学习应用。它解决了在 Java 及 Scala 环境中从零构建、训练和部署深度神经网络时面临的配置复杂与代码参考缺失难题，覆盖了从原始数据加载、预处理（ETL）到模型构建与调优的全流程。\n\n这套示例非常适合熟悉 Java 技术栈的软件工程师、企业级应用开发者以及希望在现有 JVM 系统中集成 AI 能力的研究人员使用。其独特亮点在于提供了完整的原生 Java 深度学习解决方案：不仅包含高层 API 用于构建复杂网络并支持导入 Keras 模型，还集成了高性能线性代数库 ND4J（底层由 C++ 驱动，支持 CPU 指令集加速及 CUDA GPU 加速），以及类似 TensorFlow 的自动微分框架 SameDiff。此外，配合 DataVec 组件，它能轻松处理 CSV、图像、音频等多种格式数据，并支持在 Apache Spark 上进行分布式训练。对于希望在不引入 Python 依赖的前提下，利用成熟工程化工具链开发高效、可扩展深度学习项目的团队而言，这是一套极具价值的实战指南。","\u003Cpre>\n                                ########  ##       ##              ##\n                                ##     ## ##       ##    ##        ##\n                                ##     ## ##       ##    ##        ##\n                       **$**    ##     ## ##       ##    ##        ##    **$**\n                                ##     ## ##       ######### ##    ##\n                                ##     ## ##             ##  ##    ##\n                                ########  ########       ##   ######\n              .   :::: :   :    :   :     : ::::  :     ::::    :::::  :::: ::::  :::::   .\n              .   :    :   :   : :  ::   :: :   : :     :       :   :  :    :   : :   :   .\n              .   :     : :   :   : : : : : :   : :     :       :   :  :    :   : :   :   .\n              .   :::    :    :   : :  :  : ::::  :     :::     :::::  :::  ::::  :   :   .\n              .   :     : :   ::::: :     : :     :     :       :  :   :    :     :   :   .\n              .   :    :   :  :   : :     : :     :     :       :   :  :    :     :   :   .\n              .   :::: :   :  :   : :     : :     ::::: ::::    :    : :::: :     :::::   .\n\u003C\u002Fpre>\n\nFor support, please go over to:\nhttps:\u002F\u002Fcommunity.konduit.ai\n\nWe do not monitor the github issues of this repository very often.\n\n## Introduction\nThe **Eclipse Deeplearning4J** (DL4J) ecosystem is a set of projects intended to support all the needs of a JVM based deep learning application. This means starting with the raw data, loading and preprocessing it from wherever and whatever format it is in to building and tuning a wide variety of simple and complex deep learning networks.\n\nThe DL4J stack comprises of:\n- **DL4J**: High level API to build MultiLayerNetworks and ComputationGraphs with a variety of layers, including custom ones. Supports importing Keras models from h5, including tf.keras models (as of 1.0.0-M2) and also supports distributed training on Apache Spark\n- **ND4J**: General purpose linear algebra library with over 500 mathematical, linear algebra and deep learning operations. ND4J is based on the highly-optimized C++ codebase LibND4J that provides CPU (AVX2\u002F512) and GPU (CUDA) support and acceleration by libraries such as OpenBLAS, OneDNN (MKL-DNN), cuDNN, cuBLAS, etc\n- **SameDiff** : Part of the ND4J library, SameDiff is our automatic differentiation \u002F deep learning framework. SameDiff uses a graph-based (define then run) approach, similar to TensorFlow graph mode. Eager graph (TensorFlow 2.x eager\u002FPyTorch) graph execution is planned. SameDiff supports importing TensorFlow frozen model format .pb (protobuf) models. Import for ONNX, TensorFlow SavedModel and Keras models are planned. Deeplearning4j also has full SameDiff support for easily writing custom layers and loss functions.\n- **DataVec**: ETL for machine learning data in a wide variety of formats and files (HDFS, Spark, Images, Video, Audio, CSV, Excel etc)\n- **LibND4J** : C++ library that underpins everything. For more information on how the JVM accesses native arrays and operations refer to [JavaCPP](https:\u002F\u002Fgithub.com\u002Fbytedeco\u002Fjavacpp)\n\nAll projects in the DL4J ecosystem support Windows, Linux and macOS. Hardware support includes CUDA GPUs (10.0, 10.1, 10.2 except OSX), x86 CPU (x86_64, avx2, avx512), ARM CPU (arm, arm64, armhf) and PowerPC (ppc64le).\n\n## Prerequisites\nThis example repo consists of several separate Maven Java projects, each with their own pom files. Maven is a popular build automation tool for Java Projects. The contents of a \"pom.xml\" file dictate the configurations. Read more about how to configure Maven [here](https:\u002F\u002Fdeeplearning4j.konduit.ai\u002Fconfig\u002Fmaven).\n\nUsers can also refer to the [simple sample project provided](.\u002Fmvn-project-template\u002Fpom.xml) to get started with a clean project from scratch.\n\nBuild tools are considered standard software engineering best practice. Besides this the complexities posed by the projects in the DL4J ecosystem make dependencies too difficult to manage manually. All the projects in the DL4J ecosystem can be used with other build tools like Gradle, SBT etc. More information on that can be found [here](https:\u002F\u002Fdeeplearning4j.konduit.ai\u002Fconfig\u002Fbuildtools).\n\n## Support\n\nFor help with the examples, please go to our [support forum](https:\u002F\u002Fcommunity.konduit.ai\u002F)\n\nNote for users of 1.0.0-beta7 and prior, some examples and modules have been removed to reflect\nchanges in the framework's direction. Please see and comment on our post [here](https:\u002F\u002Fcommunity.konduit.ai\u002Ft\u002Fupcoming-removal-of-modules-and-roadmap-changes\u002F1240)\n\nIf you would like a workaround for something you may be missing,\nplease feel free to post on the forums, and we will do what we can to help you.\n\n\n## Example Content\nProjects are based on what functionality the included examples demonstrate to the user and not necessarily which library in the DL4J stack the functionality lives in.\n\nExamples in a project are in general separated into \"quickstart\" and \"advanced\".\n\nEach project README also lists all the examples it contains, with a recommended order to explore them in.\n\n- [dl4j-examples](dl4j-examples\u002FREADME.md)\nThis project contains a set of examples that demonstrate use of the high level DL4J API to build a variety of neural networks.\nSome of  these examples are end to end, in the sense they start with raw data, process it and then build and train neural networks on it.\n\n- [tensorflow-keras-import-examples](tensorflow-keras-import-examples\u002FREADME.md)\nThis project contains a set of examples that demonstrate how to import Keras h5 models and TensorFlow frozen pb models into the DL4J ecosystem. Once imported into DL4J these models can be treated like any other DL4J model - meaning you can continue to run training on them or modify them with the transfer learning API or simply run inference on them.\n\n- [dl4j-distributed-training-examples](dl4j-distributed-training-examples\u002FREADME.md)\nThis project contains a set of examples that demonstrate how to do distributed training, inference and evaluation in DL4J on Apache Spark. DL4J distributed training employs a \"hybrid\" asynchronous SGD approach - further details can be found in the distributed deep learning documentation [here](https:\u002F\u002Fdeeplearning4j.konduit.ai\u002Fdistributed-deep-learning\u002Fintro)\n\n- [cuda-specific-examples](cuda-specific-examples\u002FREADME.md)\nThis project contains a set of examples that demonstrate how to leverage multiple GPUs for data-parallel training of neural networks for increased performance.\n\n- [samediff-examples](samediff-examples\u002FREADME.md)\nThis project contains a set of examples that demonstrate the SameDiff API. SameDiff (which is part of the ND4J library) can be used to build lower level auto-differentiating computation graphs. An analogue to the SameDiff API vs the DL4J API is the low level TensorFlow API vs the higher level of abstraction Keras API.\n\n- [data-pipeline-examples](data-pipeline-examples\u002FREADME.md)\nThis project contains a set of examples that demonstrate how raw data in various formats can be loaded, split and preprocessed to build serializable (and hence reproducible) ETL pipelines.\n\n- [nd4j-ndarray-examples](nd4j-ndarray-examples\u002FREADME.md)\nThis project contains a set of examples that demonstrate how to manipulate NDArrays. The functionality of ND4J demonstrated here can be likened to NumPy.\n\n- [rl4j-examples](rl4j-examples\u002FREADME.md)\nThis project contains examples of using RL4J, the reinforcement learning library in DL4J.\n\n- [android-examples](android-examples\u002FREADME.md)\nThis project contains an Android example project, that shows DL4J being used in an Android application.\n\n## Feedback & Contributions\nWhile these set of examples don't cover all the features available in DL4J the intent is to cover functionality required for most users - beginners and advanced.  File an issue [here](https:\u002F\u002Fgithub.com\u002Feclipse\u002Fdeeplearning4j-examples\u002Fissues) if you have feedback or feature requests that are not covered here. We are also available via our [community forum](https:\u002F\u002Fcommunity.konduit.ai\u002F) for questions.\nWe welcome contributions from the community. More information can be found [here](CONTRIBUTORS.md)\nWe **love** hearing from you. Cheers!\n","\u003Cpre>\n                                ########  ##       ##              ##\n                                ##     ## ##       ##    ##        ##\n                                ##     ## ##       ##    ##        ##\n                       **$**    ##     ## ##       ##    ##        ##    **$**\n                                ##     ## ##       ######### ##    ##\n                                ##     ## ##             ##  ##    ##\n                                ########  ########       ##   ######\n              .   :::: :   :    :   :     : ::::  :     ::::    :::::  :::: ::::  :::::   .\n              .   :    :   :   : :  ::   :: :   : :     :       :   :  :    :   : :   :   .\n              .   :     : :   :   : : : : : :   : :     :       :   :  :    :   : :   :   .\n              .   :::    :    :   : :  :  : ::::  :     :::     :::::  :::  ::::  :   :   .\n              .   :     : :   ::::: :     : :     :     :       :  :   :    :     :   :   .\n              .   :    :   :  :   : :     : :     :     :       :   :  :    :     :   :   .\n              .   :::: :   :  :   : :     : :     ::::: ::::    :    : :::: :     :::::   .\n\u003C\u002Fpre>\n\n如需支持，请访问：\nhttps:\u002F\u002Fcommunity.konduit.ai\n\n我们不会经常查看此仓库的 GitHub 问题。\n\n## 简介\n**Eclipse Deeplearning4J**（DL4J）生态系统是一组项目，旨在满足基于 JVM 的深度学习应用的所有需求。这意味着从原始数据开始，无论其来源和格式如何，都可以对其进行加载和预处理，进而构建和调优各种简单或复杂的深度学习网络。\n\nDL4J 技术栈包括：\n- **DL4J**：用于构建多层网络和计算图的高级 API，支持多种层类型，包括自定义层。它能够导入 Keras 模型（h5 格式），包括 tf.keras 模型（自 1.0.0-M2 版本起），并支持在 Apache Spark 上进行分布式训练。\n- **ND4J**：通用线性代数库，提供超过 500 种数学、线性代数和深度学习运算。ND4J 基于高度优化的 C++ 库 LibND4J，支持 CPU（AVX2\u002F512）和 GPU（CUDA），并通过 OpenBLAS、OneDNN（MKL-DNN）、cuDNN、cuBLAS 等库实现加速。\n- **SameDiff**：作为 ND4J 库的一部分，SameDiff 是我们的自动微分\u002F深度学习框架。SameDiff 采用基于图的方式（先定义后运行），类似于 TensorFlow 的图模式。计划支持急切执行模式（TensorFlow 2.x 急切模式\u002FPyTorch）。SameDiff 支持导入 TensorFlow 冻结模型格式 .pb（protobuf）。未来还将支持导入 ONNX、TensorFlow SavedModel 和 Keras 模型。Deeplearning4j 还完全支持 SameDiff，方便用户轻松编写自定义层和损失函数。\n- **DataVec**：用于机器学习数据的 ETL 工具，支持多种格式和文件类型（HDFS、Spark、图像、视频、音频、CSV、Excel 等）。\n- **LibND4J**：支撑所有组件的 C++ 库。有关 JVM 如何访问原生数组和操作的更多信息，请参阅 [JavaCPP](https:\u002F\u002Fgithub.com\u002Fbytedeco\u002Fjavacpp)。\n\nDL4J 生态系统中的所有项目均支持 Windows、Linux 和 macOS。硬件方面支持 CUDA GPU（10.0、10.1、10.2，但不包括 OSX）、x86 CPU（x86_64、avx2、avx512）、ARM CPU（arm、arm64、armhf）以及 PowerPC（ppc64le）。\n\n## 先决条件\n本示例仓库由多个独立的 Maven Java 项目组成，每个项目都有自己的 pom 文件。Maven 是一种流行的 Java 项目构建自动化工具。“pom.xml” 文件的内容决定了项目的配置。有关如何配置 Maven 的更多信息，请参阅 [这里](https:\u002F\u002Fdeeplearning4j.konduit.ai\u002Fconfig\u002Fmaven)。\n\n用户也可以参考提供的[简单示例项目](.\u002Fmvn-project-template\u002Fpom.xml)，从头开始创建一个干净的新项目。\n\n构建工具被认为是软件工程中的最佳实践。此外，由于 DL4J 生态系统中各项目的复杂性，手动管理依赖关系会非常困难。DL4J 生态系统中的所有项目也可以与其他构建工具（如 Gradle、SBT 等）一起使用。更多相关信息请参阅 [这里](https:\u002F\u002Fdeeplearning4j.konduit.ai\u002Fconfig\u002Fbuildtools)。\n\n## 支持\n\n如需示例方面的帮助，请访问我们的[支持论坛](https:\u002F\u002Fcommunity.konduit.ai\u002F)。\n\n请注意：对于使用 1.0.0-beta7 及更早版本的用户，部分示例和模块已被移除，以反映框架发展方向的变化。请参阅并评论我们的帖子[这里](https:\u002F\u002Fcommunity.konduit.ai\u002Ft\u002Fupcoming-removal-of-modules-and-roadmap-changes\u002F1240)。\n\n如果您希望找到某种缺失功能的替代方案，欢迎在论坛上发帖，我们将尽力为您提供帮助。\n\n## 示例内容\n项目是根据其中包含的示例向用户展示的功能来划分的，而不一定取决于该功能具体位于 DL4J 技术栈中的哪个库。\n\n项目中的示例通常分为“快速入门”和“进阶”两类。\n\n每个项目的 README 文件也会列出其所包含的所有示例，并推荐一个探索这些示例的顺序。\n\n- [dl4j-examples](dl4j-examples\u002FREADME.md)\n该项目包含一组示例，展示了如何使用 DL4J 的高级 API 构建各种神经网络。其中一些示例是端到端的，即从原始数据开始，经过数据处理后构建并训练神经网络。\n\n- [tensorflow-keras-import-examples](tensorflow-keras-import-examples\u002FREADME.md)\n该项目包含一组示例，演示如何将 Keras 的 h5 模型和 TensorFlow 的冻结 pb 模型导入 DL4J 生态系统。一旦导入 DL4J，这些模型就可以像其他 DL4J 模型一样被处理——也就是说，你可以继续对它们进行训练，或使用迁移学习 API 对其进行修改，也可以直接运行推理。\n\n- [dl4j-distributed-training-examples](dl4j-distributed-training-examples\u002FREADME.md)\n该项目包含一组示例，演示如何在 Apache Spark 上使用 DL4J 进行分布式训练、推理和评估。DL4J 的分布式训练采用一种“混合”异步 SGD 方法——更多细节请参阅分布式深度学习文档 [此处](https:\u002F\u002Fdeeplearning4j.konduit.ai\u002Fdistributed-deep-learning\u002Fintro)。\n\n- [cuda-specific-examples](cuda-specific-examples\u002FREADME.md)\n该项目包含一组示例，演示如何利用多块 GPU 进行数据并行训练，以提升神经网络的性能。\n\n- [samediff-examples](samediff-examples\u002FREADME.md)\n该项目包含一组示例，演示 SameDiff API 的用法。SameDiff（属于 ND4J 库的一部分）可用于构建更底层的自动微分计算图。SameDiff API 与 DL4J API 的关系，类似于低级 TensorFlow API 与更高抽象层次的 Keras API 之间的关系。\n\n- [data-pipeline-examples](data-pipeline-examples\u002FREADME.md)\n该项目包含一组示例，演示如何加载、拆分和预处理各种格式的原始数据，从而构建可序列化的（进而可复现的）ETL 流水线。\n\n- [nd4j-ndarray-examples](nd4j-ndarray-examples\u002FREADME.md)\n该项目包含一组示例，展示如何操作 NDArrays。这里演示的 ND4J 功能可以类比为 NumPy。\n\n- [rl4j-examples](rl4j-examples\u002FREADME.md)\n该项目包含 RL4J 的使用示例，RL4J 是 DL4J 中的强化学习库。\n\n- [android-examples](android-examples\u002FREADME.md)\n该项目包含一个 Android 示例项目，展示了 DL4J 在 Android 应用程序中的使用。\n\n## 反馈与贡献\n虽然这组示例并未涵盖 DL4J 的所有功能，但其目标是覆盖大多数用户（无论是初学者还是高级用户）所需的功能。如果您有未在此处涵盖的反馈或功能请求，请在此处提交问题 [这里](https:\u002F\u002Fgithub.com\u002Feclipse\u002Fdeeplearning4j-examples\u002Fissues)。您也可以通过我们的 [社区论坛](https:\u002F\u002Fcommunity.konduit.ai\u002F) 提出问题。\n我们欢迎社区的贡献。更多信息请参阅 [CONTRIBUTORS.md]。\n我们非常乐意听取您的意见。祝好！","# Deeplearning4j Examples 快速上手指南\n\n本指南旨在帮助中国开发者快速了解并运行 `deeplearning4j-examples` 项目，掌握 Eclipse Deeplearning4J (DL4J) 生态系统的核心功能。\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### 系统要求\n*   **操作系统**：Windows、Linux 或 macOS。\n*   **硬件支持**：\n    *   **CPU**: x86_64 (支持 AVX2\u002FAVX512), ARM (arm, arm64, armhf), PowerPC (ppc64le)。\n    *   **GPU**: 如需使用 CUDA 加速，需配备 NVIDIA GPU (支持 CUDA 10.0, 10.1, 10.2，macOS 除外)。\n\n### 前置依赖\n*   **JDK**: 建议安装 JDK 8 或更高版本。\n*   **Maven**: 本项目基于 Maven 构建，请确保已安装 Apache Maven (推荐 3.6+)。\n    *   检查安装：`mvn -v`\n*   **构建工具知识**: 熟悉 Maven 的 `pom.xml` 配置是管理 DL4J 复杂依赖的关键。虽然也支持 Gradle 和 SBT，但本示例仓库主要提供 Maven 配置。\n\n> **提示**：国内开发者若遇到 Maven 依赖下载缓慢的问题，建议在 `~\u002F.m2\u002Fsettings.xml` 中配置阿里云镜像源以加速构建。\n\n## 安装步骤\n\n本项目由多个独立的 Maven 子项目组成，每个子项目都有各自的 `pom.xml`。您可以选择克隆整个仓库或单独获取感兴趣的模块。\n\n### 1. 克隆仓库\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Feclipse\u002Fdeeplearning4j-examples.git\ncd deeplearning4j-examples\n```\n\n### 2. 编译项目\n进入您想要运行的具体示例目录（例如 `dl4j-examples`），执行以下命令进行编译和依赖下载：\n\n```bash\ncd dl4j-examples\nmvn clean compile\n```\n\n如果您想从头开始创建一个干净的项目，可以参考仓库中的模板：\n```bash\n# 查看模板配置\ncat mvn-project-template\u002Fpom.xml\n```\n\n### 3. 运行示例\n编译成功后，您可以直接通过 Maven 运行特定的示例类。通常示例类位于 `src\u002Fmain\u002Fjava` 目录下。\n\n```bash\n# 示例：运行一个具体的类（请将 \u003CClassName> 替换为实际类名）\nmvn exec:java -Dexec.mainClass=\"org.deeplearning4j.examples.\u003CClassName>\"\n```\n\n或者在您的 IDE（如 IntelliJ IDEA 或 Eclipse）中导入该 Maven 项目，直接运行对应的 `main` 方法。\n\n## 基本使用\n\nDL4J 生态系统包含多个模块，针对不同需求提供了丰富的示例。以下是几个核心模块的最简使用场景：\n\n### 1. 构建神经网络 (dl4j-examples)\n这是最常用的高层 API 示例集，展示了如何从零开始加载数据、预处理并训练多层网络 (MultiLayerNetwork) 或计算图 (ComputationGraph)。\n\n*   **适用场景**：初学者入门，端到端的深度学习流程。\n*   **操作**：进入 `dl4j-examples` 目录，寻找标记为 \"quickstart\" 的示例（如 `MLPClassifierLinear`），直接运行即可观察模型训练过程。\n\n### 2. 导入 Keras\u002FTensorFlow 模型 (tensorflow-keras-import-examples)\n如果您已有训练好的 Keras (.h5) 或 TensorFlow Frozen (.pb) 模型，可以使用此模块将其导入 DL4J。\n\n*   **适用场景**：模型迁移，利用 Java 生态进行推理或微调 (Transfer Learning)。\n*   **核心代码逻辑**：\n    ```java\n    \u002F\u002F 伪代码示例：导入 Keras 模型\n    KerasModelImport.importKerasSequentialModelAndWeights(\"model.h5\");\n    \u002F\u002F 导入后可像普通 DL4J 模型一样进行 inference 或 fine-tuning\n    ```\n\n### 3. 分布式训练 (dl4j-distributed-training-examples)\n展示如何在 Apache Spark 上进行分布式训练、推理和评估。\n\n*   **适用场景**：大数据集处理，需要利用集群资源加速训练。\n*   **特点**：采用混合异步 SGD (Stochastic Gradient Descent) 方法。\n\n### 4. 数据处理管道 (data-pipeline-examples)\n使用 DataVec 组件处理各种格式（CSV, 图像，音频等）的原始数据，构建可序列化的 ETL 管道。\n\n*   **适用场景**：数据清洗、格式化及预处理，确保实验可复现。\n\n### 5. 底层张量操作 (nd4j-ndarray-examples)\n类似于 Python 的 NumPy，ND4J 提供了强大的多维数组操作能力。\n\n*   **适用场景**：自定义数学运算，底层算法研究。\n*   **类比**：如果你熟悉 NumPy，这里的 `INDArray` 操作逻辑非常相似。\n\n---\n\n**获取更多帮助**：\n由于 GitHub Issues 监控频率较低，如遇具体问题或需要讨论高级用法，请访问官方社区论坛：https:\u002F\u002Fcommunity.konduit.ai","某金融科技公司数据团队需要在纯 Java 技术栈中构建欺诈交易检测模型，且必须直接处理存储在 HDFS 上的海量 CSV 与图像混合数据。\n\n### 没有 deeplearning4j-examples 时\n- **环境配置陷入泥潭**：开发者需手动梳理 DL4J、ND4J、DataVec 等组件复杂的 Maven 依赖关系，常因版本不兼容导致构建失败，耗费数天调试。\n- **数据预处理重复造轮子**：面对 HDFS 上的多格式原始数据，缺乏现成的 ETL 参考代码，团队需从零编写数据加载与向量化逻辑，效率极低。\n- **模型迁移门槛高**：想要复用现有的 Keras 或 TensorFlow 模型时，因不熟悉 JVM 下的模型导入 API（如 h5 或 .pb 格式解析），只能放弃迁移选择重训。\n- **硬件加速难以落地**：不清楚如何配置 CUDA GPU 或 AVX512 CPU 加速参数，导致训练任务在普通 CPU 上运行缓慢，无法满足实时性要求。\n\n### 使用 deeplearning4j-examples 后\n- **快速启动标准项目**：直接复用官方提供的 Maven 模板项目，一键解决所有底层依赖配置，将环境搭建时间从数天缩短至几小时。\n- **套用成熟 ETL 流程**：参考 DataVec 示例代码，迅速实现针对 HDFS 中 CSV 和图像数据的自动化加载与预处理管道，确保数据流转稳定高效。\n- **无缝集成现有模型**：依据示例中导入 Keras (.h5) 和 TensorFlow (.pb) 模型的演示，成功将 Python 生态训练的算法迁移至 Java 生产环境，保护了既有资产。\n- **即时启用硬件加速**：通过模仿示例中的后端配置，轻松开启 GPU 加速与分布式 Spark 训练支持，模型迭代速度提升十倍以上。\n\ndeeplearning4j-examples 通过提供全链路的实战代码范本，消除了 JVM 深度学习应用从环境搭建到模型部署的所有“最后一公里”障碍。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdeeplearning4j_deeplearning4j-examples_6293bf03.png","deeplearning4j","Eclipse Deeplearning4j","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdeeplearning4j_8328e398.png","The Eclipse Deeplearning4j Project",null,"https:\u002F\u002Fprojects.eclipse.org\u002Fprojects\u002Ftechnology.deeplearning4j","https:\u002F\u002Fgithub.com\u002Fdeeplearning4j",[84,88,92],{"name":85,"color":86,"percentage":87},"Java","#b07219",98.5,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.9,{"name":93,"color":94,"percentage":95},"Kotlin","#A97BFF",0.6,2512,1824,"2026-04-01T08:23:38","NOASSERTION",4,"Windows, Linux, macOS","非必需。如需 GPU 加速，支持 NVIDIA CUDA GPU (版本 10.0, 10.1, 10.2)，macOS 不支持 CUDA。","未说明",{"notes":105,"python":106,"dependencies":107},"这是一个基于 Java\u002FJVM 的深度学习生态系统，不使用 Python。构建工具推荐使用 Maven（也支持 Gradle, SBT）。CPU 支持 x86_64 (AVX2\u002FAVX512), ARM 和 PowerPC 架构。GitHub Issues 不常监控，建议前往社区论坛获取支持。","不需要 (基于 JVM 的项目)",[108,109,110,111,112,113,114,115],"Maven","DL4J","ND4J","SameDiff","DataVec","LibND4J","JavaCPP","Apache Spark (分布式训练可选)",[13,51],[118,119,76,120,121,122,123,124],"javafx","dl4j","intellij","python","zeppelin-notebook","deeplearning","artificial-intelligence","2026-03-27T02:49:30.150509","2026-04-06T08:26:52.053907",[128,133,138,143,148,153],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},11895,"运行示例时遇到 'AsyncDataSetIterator' 错误或数据不可用，该如何解决？","可以通过手动拟合网络来避免使用异步迭代器。具体做法是使用 while 循环遍历迭代器并逐个拟合数据集：\nwhile (iter.hasNext()) {\n  DataSet ds = iter.next();\n  model.fit(ds);\n}\n或者，如果不需要加速数据处理，可以直接移除 Async iterator。此外，也可以等待下一个版本发布，该问题可能在后续版本中修复。","https:\u002F\u002Fgithub.com\u002Fdeeplearning4j\u002Fdeeplearning4j-examples\u002Fissues\u002F182",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},11896,"如何在 pom.xml 中配置以启用 CUDA 后端（如 nd4j-cuda）？遇到 'NoAvailableBackendException' 怎么办？","首先需要在 pom.xml 中将 'nd4j-native' 替换为对应的 CUDA 版本依赖（例如 '\u003Cnd4j.backend>nd4j-cuda-7.5\u003C\u002Fnd4j.backend>'）。确保系统已安装匹配的 CUDA 版本（如 CUDA 7.5 或 8.0），并将 CUDA 的 bin 目录（例如 C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v8.0\\bin）添加到系统的 PATH 环境变量中。如果在 Windows 上遇到 'cudaErrorInvalidSymbol' 等错误，请检查 CUDA Driver Version 和 Runtime Version 是否匹配，必要时升级 CUDA 到推荐版本（如 8.0）。","https:\u002F\u002Fgithub.com\u002Fdeeplearning4j\u002Fdeeplearning4j-examples\u002Fissues\u002F146",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},11897,"取消注释 pom.xml 中的 'ale-platform' 依赖后，运行 ALE 示例仍报错（如 NullPointerException 或 UnsatisfiedLinkError），如何解决？","ALE (Arcade Learning Environment) 在 Windows 上目前不受支持，因此在 Windows 上即使配置了依赖也会报 'no jniale in java.library.path' 错误。在 macOS 和 Linux 上通常可以正常工作。如果需要在 Windows 上运行，目前暂无官方支持，但欢迎社区贡献代码进行修复。对于其他平台，确保依赖已正确取消注释且版本匹配。","https:\u002F\u002Fgithub.com\u002Fdeeplearning4j\u002Fdeeplearning4j-examples\u002Fissues\u002F563",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},11898,"如何将 Zeppelin 或 Jupyter Notebook 教程转换为 PDF 时解决图片加载失败的问题？","将 Notebook 转换为 HTML 通常能成功，但转换为 PDF 时可能会因无法加载远程图片（如 Wikimedia 链接）而失败。这是 Jupyter nbconvert 或 Apache Zeppelin 的已知问题。建议先尝试导出为 HTML 格式查看内容。如果必须生成 PDF，可能需要本地下载图片并修改引用路径，或者关注相关项目（如 Apache Zeppelin 或 jupyter\u002Fnbconvert）的 issue 跟踪以等待官方修复。","https:\u002F\u002Fgithub.com\u002Fdeeplearning4j\u002Fdeeplearning4j-examples\u002Fissues\u002F834",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},11899,"是否有使用时间序列数据的 RNN 示例？如果没有，如何处理时间序列数据？","目前官方可能没有专门的时间序列 RNN 示例。根据社区经验，处理金融等领域的时间序列数据时，有时简单的多层感知机（MLP）效果优于 RNN。策略是将之前的时间步作为特征输入：一个输入特征是当前时间步，其他输入特征是经过总结和压缩的历史时间步数据。这需要用户发挥创意进行特征工程。由于具体代码和数据集可能涉及专有信息，建议参考社区论坛获取更多思路。","https:\u002F\u002Fgithub.com\u002Fdeeplearning4j\u002Fdeeplearning4j-examples\u002Fissues\u002F34",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},11900,"DeepLearning4j 是否有人脸识别的示例代码？","截至该 Issue 提出时，仓库中尚未包含专门的人脸识别示例。用户通常需要自行构建或使用预训练模型（如 OpenFace 等）结合 DL4J 进行开发。建议查看社区论坛或搜索相关博客教程，看是否有第三方实现的人脸识别案例可供参考。","https:\u002F\u002Fgithub.com\u002Fdeeplearning4j\u002Fdeeplearning4j-examples\u002Fissues\u002F389",[]]