[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dformoso--deeplearning-mindmap":3,"tool-dformoso--deeplearning-mindmap":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":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":79,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":92,"github_topics":94,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":106},6414,"dformoso\u002Fdeeplearning-mindmap","deeplearning-mindmap","A mindmap summarising Deep Learning concepts.","deeplearning-mindmap 是一份专为深度学习领域打造的可视化知识地图与速查指南。面对深度学习概念繁杂、架构多样且数学原理深奥的痛点，它将庞大的知识体系浓缩为一张清晰的 PDF 图表，帮助用户快速建立全局认知并随时查阅关键细节。\n\n这份资源非常适合 AI 开发者、数据科学家、研究人员以及正在学习深度学习的学生使用。无论是需要回顾基础理论，还是在项目实践中快速确认网络架构特性，它都能提供高效支持。\n\n其核心亮点在于系统性地梳理了三大板块：一是深度学习的基础概念及其背后的数学原理；二是针对不同任务的主流模型架构及调优建议；三是 TensorFlow 库的核心组件与整体架构概览。内容源自斯坦福、牛津等名校课程及《Deep Learning》等经典著作，确保了专业性与权威性。对于希望摆脱碎片化信息干扰、构建结构化知识体系的用户而言，deeplearning-mindmap 是一份不可多得的实用参考。","# Deep Learning Mindmap \u002F Cheatsheet - BETA\nA Mindmap summarising Deep Learning concepts, Architectures, and the Tensorflow library.\n\n## Overview\nDeep Learning is part of a broader family of Machine Learning methods based on learning data representations, as opposed to task-specific algorithms. Learning can be supervised, partially supervised, or unsupervised. This is an attempt to summarize this large field in one .PDF file.\n\n## Mindmap on Data Science\nHere's another mindmap which focuses on Machine Learning basics and Data Science.\n- https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fmachine-learning-mindmap\n\n## Download\nDownload the PDF here:\n- https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fdeeplearning-mindmap\u002Fblob\u002Fmaster\u002FDeep%20Learning.pdf\n\nI've built the mindmap with MindNode for the Mac. https:\u002F\u002Fmindnode.com\n\n## 1. Concepts\nA partial list of the building blocks of Deep Learning architectures, with notes on the mathematics behind each component.\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdformoso_deeplearning-mindmap_readme_f5b856fe009a.png)\n\n## 2. Architectures\nDifferent Deep Learning architectures have been developed depending on the question being answered. Here's a list of some of them and notes on tuning.\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdformoso_deeplearning-mindmap_readme_aa5f095c142a.png)\n\n## 3. Tensorflow\nTensorFlow is an open source software library for numerical computation using data flow graphs. The mindmap lists some of its components, packages, and overall architecture.\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdformoso_deeplearning-mindmap_readme_209f2ae3f0c5.png)\n\n\n## References\nI'm planning to built a more complete list of references in the future. For now, these are some of the sources I've used to create this Mindmap.\n\n- Stanford and Oxford Lectures. CS20SI, CS224d.\n- Books: \n  - Deep Learning - Goodfellow. \n  - Pattern Recognition and Machine Learning - Bishop. \n  - The Elements of Statistical Learning - Hastie.\n- Colah's Blog. http:\u002F\u002Fcolah.github.io\n- Kaggle Notebooks.\n- Tensorflow Documentation pages.\n- Google Cloud Data Engineer certification materials.\n- Multiple Wikipedia articles.\n\n\n## About Me\nTwitter:\n- https:\u002F\u002Ftwitter.com\u002Fdanielmartinezf\n\nLinkedin:\n- https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fdanielmartinezformoso\u002F\n\nEmail:\n- daniel.martinez.formoso@gmail.com\n","# 深度学习思维导图 \u002F 备忘单 - 测试版\n这是一份总结深度学习概念、架构以及 TensorFlow 库的思维导图。\n\n## 概述\n深度学习是机器学习方法的一个更广泛分支，其核心在于通过学习数据表示来完成任务，而非依赖于特定任务的算法。学习方式可以是监督学习、半监督学习或无监督学习。本思维导图旨在用一个 PDF 文件概括这一庞大的领域。\n\n## 数据科学思维导图\n这里还有一份专注于机器学习基础和数据科学的思维导图：\n- https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fmachine-learning-mindmap\n\n## 下载\n请在此处下载 PDF 文件：\n- https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fdeeplearning-mindmap\u002Fblob\u002Fmaster\u002FDeep%20Learning.pdf\n\n该思维导图使用 Mac 平台上的 MindNode 软件制作：https:\u002F\u002Fmindnode.com\n\n## 1. 概念\n以下是深度学习架构中的一些基本组件列表，并附有各组件背后的数学原理说明。\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdformoso_deeplearning-mindmap_readme_f5b856fe009a.png)\n\n## 2. 架构\n根据需要解决的问题不同，已经开发出多种不同的深度学习架构。以下列出其中一些架构，并提供调参方面的提示。\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdformoso_deeplearning-mindmap_readme_aa5f095c142a.png)\n\n## 3. TensorFlow\nTensorFlow 是一个基于数据流图进行数值计算的开源软件库。该思维导图列出了其部分组件、包以及整体架构。\n\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdformoso_deeplearning-mindmap_readme_209f2ae3f0c5.png)\n\n\n## 参考文献\n我计划在未来补充一份更为完整的参考文献列表。目前，以下是我制作这份思维导图时参考的一些资料：\n\n- 斯坦福大学和牛津大学的相关课程：CS20SI、CS224d。\n- 书籍：\n  - 《深度学习》—— Goodfellow 著。\n  - 《模式识别与机器学习》—— Bishop 著。\n  - 《统计学习基础》—— Hastie 著。\n- Colah 的博客：http:\u002F\u002Fcolah.github.io\n- Kaggle 笔记本。\n- TensorFlow 官方文档。\n- Google Cloud 数据工程师认证材料。\n- 多篇维基百科文章。\n\n\n## 关于我\nTwitter：\n- https:\u002F\u002Ftwitter.com\u002Fdanielmartinezf\n\nLinkedIn：\n- https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fdanielmartinezformoso\u002F\n\n电子邮箱：\n- daniel.martinez.formoso@gmail.com","# deeplearning-mindmap 快速上手指南\n\n`deeplearning-mindmap` 并非一个需要编译或运行的软件库，而是一份汇总了深度学习核心概念、主流架构以及 TensorFlow 库知识的思维导图资源包。本指南将帮助你快速获取并查看这份学习资料。\n\n## 环境准备\n\n本项目无需特定的操作系统或编程环境依赖，仅需具备以下条件即可：\n- **操作系统**：Windows、macOS 或 Linux 均可。\n- **必要软件**：安装任意一款支持 PDF 格式的阅读器（如 Adobe Acrobat Reader, Chrome 浏览器，或 macOS 预览）。\n- **可选工具**：如果你希望编辑源文件，需要 macOS 系统及 **MindNode** 软件（原作者使用此工具构建），但普通用户仅需查看 PDF 即可。\n\n## 获取步骤\n\n由于该项目主要为静态文档，无需通过包管理器安装，直接下载即可使用。\n\n### 方式一：直接下载 PDF（推荐）\n点击以下链接直接下载整理好的高清思维导图 PDF 文件：\n- **下载地址**: [Deep Learning.pdf](https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fdeeplearning-mindmap\u002Fblob\u002Fmaster\u002FDeep%20Learning.pdf)\n  > *提示：如果 GitHub 访问速度较慢，可尝试在链接上右键选择“另存为”或使用国内加速代理下载。*\n\n### 方式二：克隆仓库（获取源码及图片）\n如果你需要本地浏览所有高清截图或研究源文件，可以使用 Git 克隆：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdformoso\u002Fdeeplearning-mindmap.git\ncd deeplearning-mindmap\n```\n\n## 基本使用\n\n下载完成后，直接使用本地 PDF 阅读器打开文件即可开始学习。该思维导图主要包含以下三个核心板块：\n\n1.  **Concepts (核心概念)**\n    - 查看深度学习架构的基石，包含各组件背后的数学原理笔记。\n    - *对应文件位置*: `images\u002Fconcepts.png` 或 PDF 第一部分。\n\n2.  **Architectures (网络架构)**\n    - 浏览针对不同问题设计的各类深度学习架构及其调优建议。\n    - *对应文件位置*: `images\u002Farchitecture.png` 或 PDF 第二部分。\n\n3.  **TensorFlow (框架详解)**\n    - 了解 TensorFlow 的组件、包结构及整体数据流图架构。\n    - *对应文件位置*: `images\u002Ftensorflow.png` 或 PDF 第三部分。\n\n**学习建议**：\n建议将 PDF 打印或在双屏显示器上全屏查看，作为查阅深度学习术语和架构选型的速查表（Cheatsheet）使用。配合项目中列出的参考文献（如 Goodfellow 的《Deep Learning》或 Stanford CS224d 课程）进行深入研读效果更佳。","一名刚转行深度学习算法工程师的开发者，正面临从理论概念到 TensorFlow 实战落地的巨大知识断层，急需构建系统的技术认知框架。\n\n### 没有 deeplearning-mindmap 时\n- **知识碎片化严重**：在查阅 CS224d 课程笔记、Goodfellow 教材和分散的博客文章时，难以将“反向传播”、“注意力机制”等孤立概念串联成完整的知识体系。\n- **架构选型迷茫**：面对卷积神经网络、循环神经网络等众多架构，缺乏直观的对比视图，导致在处理具体业务问题时无法快速判断哪种模型最合适。\n- **框架上手缓慢**：学习 TensorFlow 时，对着冗长的官方文档不知从何下手，不清楚数据流图、会话管理与具体 API 包之间的逻辑对应关系。\n- **复习效率低下**：准备面试或回顾数学原理时，需要在多个书签和 PDF 之间反复跳转，浪费大量时间在检索而非理解上。\n\n### 使用 deeplearning-mindmap 后\n- **建立全局视野**：通过一张全景 PDF，迅速理清了从基础数学推导到深层网络组件的逻辑脉络，将零散知识点归纳为有机的整体。\n- **精准架构决策**：利用架构图分支快速对比不同模型的适用场景与调优要点，在面对图像分类或序列预测任务时能立即锁定最佳方案。\n- **加速框架掌握**：借助 TensorFlow 专属分支，直观看清库的整体架构与核心组件分布，大幅缩短了从环境配置到编写第一个数据流图的时间。\n- **高效查漏补缺**：随时打开文件即可定位特定概念的数学背景或参考来源（如 Colah 博客或斯坦福课件），实现了“一站式”的高效复习与溯源。\n\ndeeplearning-mindmap 将庞杂的深度学习领域浓缩为一张可视化的导航图，帮助开发者从混乱的信息海洋中快速找到通往实战的路径。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdformoso_deeplearning-mindmap_2066d6d0.png","dformoso","Daniel Martinez Formoso","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdformoso_d5174e99.jpg","Google Research Program Manager","Google","Sydney, Australia","Daniel.martinez.formoso@gmail.com",null,"https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fdanielmartinezformoso\u002F","https:\u002F\u002Fgithub.com\u002Fdformoso",1707,351,"2026-04-09T10:33:35","Apache-2.0",1,"macOS","未说明",{"notes":90,"python":88,"dependencies":91},"该工具并非可执行的代码库，而是一份由 MindNode (Mac 版) 制作的深度学习概念思维导图（PDF 文件）。无需安装 Python、GPU 或任何依赖库，直接下载 PDF 即可查看。",[],[93,14,16],"其他",[95,96,97,98,99,100,101,102],"deep","learning","cheatsheet","mindmap","jupyter","python","data","science","2026-03-27T02:49:30.150509","2026-04-11T08:10:52.100949",[],[]]