[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dotnet--infer":3,"tool-dotnet--infer":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",157379,2,"2026-04-15T23:32:42",[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":76,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":111,"forks":112,"last_commit_at":113,"license":114,"difficulty_score":32,"env_os":115,"env_gpu":116,"env_ram":116,"env_deps":117,"category_tags":127,"github_topics":128,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":131,"updated_at":132,"faqs":133,"releases":134},7967,"dotnet\u002Finfer","infer","Infer.NET is a framework for running Bayesian inference in graphical models","Infer.NET 是一个专为 .NET 平台设计的开源框架，旨在帮助开发者在图形模型中高效执行贝叶斯推断，同时也支持概率编程。它核心解决了机器学习中处理不确定性数据的难题，让用户能够轻松构建从基础的分类、推荐系统、聚类分析，到针对特定领域（如生物信息学、流行病学或计算机视觉）的定制化解决方案。\n\n无论是需要快速验证算法的研究人员，还是希望在项目中集成高级预测功能的软件工程师，Infer.NET 都能提供强有力的支持。其独特的技术亮点在于强大的编译器：用户只需用 C# 或 F# 描述概率模型，Infer.NET 即可自动将其转化为高效的推断代码，无需手动推导复杂的数学公式。此外，作为 .NET Foundation 旗下的项目，它提供了跨平台的 NuGet 包，完美兼容 Windows、Linux 和 macOS，并能无缝集成到现有的 .NET 开发工作流中，让概率建模变得像编写普通代码一样简单直观。","# Infer.NET\n\n**Infer.NET** is a framework for running Bayesian inference in graphical models. It can also be used for probabilistic programming.\n\nOne can use Infer.NET to solve many different kinds of machine learning problems - from standard problems like [classification](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FLearners\u002FBayes%20Point%20Machine%20classifiers.html),\n[recommendation](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FLearners\u002FMatchbox%20recommender.html) or [clustering](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FMixture%20of%20Gaussians%20tutorial.html) through to [customised solutions to domain-specific problems](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FClick%20through%20model%20sample.html). \n\n**Infer.NET** has been used in a wide variety of domains including information retrieval, bioinformatics, epidemiology, vision, \nand many others.\n\n## Contents\n\n- [Build Status](#build-status)\n- [Installing pre-built binaries](#installing-pre-built-binaries)\n- [Documentation](#documentation)\n- [Structure of Repository](#structure-of-repository)\n- [Building Infer.NET from its source code](#building-infernet-from-its-source-code)\n- [Contributing](#contributing)\n- [License](#license)\n- [.NET Foundation](#.net-foundation)\n\n## Build Status\n\n|    | Release |\n|:---|------------------:|\n|**Windows**|[![Win Release](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdotnet_infer_readme_ef196a5a87ad.png)](https:\u002F\u002Fmsrcambridge.visualstudio.com\u002FInfer.NET\u002F_build\u002Flatest?definitionId=134)|\n|**Linux**|[![Linux Release](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdotnet_infer_readme_ef196a5a87ad.png)](https:\u002F\u002Fmsrcambridge.visualstudio.com\u002FInfer.NET\u002F_build\u002Flatest?definitionId=136)|\n|**macOS**|[![macOS Release](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdotnet_infer_readme_ef196a5a87ad.png)](https:\u002F\u002Fmsrcambridge.visualstudio.com\u002FInfer.NET\u002F_build\u002Flatest?definitionId=138)|\n\n## Installing pre-built binaries\n\nBinaries for Infer.NET are located on [nuget.org](https:\u002F\u002Fwww.nuget.org\u002Fpackages?q=Microsoft.ML.Probabilistic).  These binaries are cross-platform and work anywhere that .NET is supported, so there is no need to select your platform.  The core packages target .NET Standard 2.0, making them useable from any project that targets .NET framework version 4.6.2 or .NET Core 3.1, as explained at [.NET implementation support](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fdotnet\u002Fstandard\u002Fnet-standard).  You do not need to clone the GitHub repository to use the pre-built binaries.\n\nThere currently are [four maintained Infer.NET nuget packages](https:\u002F\u002Fwww.nuget.org\u002Fpackages?q=Microsoft.ML.Probabilistic):\n\n1. `Microsoft.ML.Probabilistic` contains classes and methods needed to execute the inference code.\n1. `Microsoft.ML.Probabilistic.Compiler` contains the Infer.NET Compiler, which takes model descriptions written using the Infer.NET API and converts them into inference code. It also contains utilities for the visualization of the generated code.\n1. `Microsoft.ML.Probabilistic.Learners` contains complete machine learning applications including a classifier and a recommender system.\n1. `Microsoft.ML.Probabilistic.Visualizers.Windows` contains an alternative .NET Framework and Windows specific set of visualization tools for exploring and analyzing models.\n\nNuGet packages do not need to be manually downloaded.  Instead, you add the package name to your project file, and the binaries are downloaded automatically when the project is compiled.  Most code editors have an option to add a NuGet package reference to an existing project file.  For example, in [Visual Studio 2017 for Windows](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fvisualstudio\u002Finstall\u002Finstall-visual-studio), you select `Project -> Manage NuGet packages`.\n\n[.NET Core 3.1](https:\u002F\u002Fwww.microsoft.com\u002Fnet\u002Fdownload\u002F) provides command-line tools for creating and editing project files.\nUsing the command line, you can add a NuGet package reference to an existing project file with:\n```\ndotnet add package Microsoft.ML.Probabilistic\ndotnet add package Microsoft.ML.Probabilistic.Compiler\ndotnet add package Microsoft.ML.Probabilistic.Learners\n```\n\n## Tutorials and Examples\n\nThere is a getting started guide on [docs.microsoft.com](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fdotnet\u002Fmachine-learning\u002Fhow-to-guides\u002Fmatchup-app-infer-net).\n\nMore tutorials and examples can be found on the [Infer.NET website](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FInfer.NET%20tutorials%20and%20examples.html).\n\n## Documentation\n\nDocumentation can be found on the [Infer.NET website](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002F).\n\n## Structure of Repository\n\n* The Visual Studio solution `Infer.sln` in the root of the repository contains all Infer.NET components, unit tests and sample programs from the folders described below.\n\n* `src\u002F`\n\n  * `Compiler` contains the Infer.NET Compiler project which takes model descriptions written using the Infer.NET API, and converts them into inference code. The project also contains utility methods for visualization of the generated code.\n\n  * `Csoft` is an experimental feature that allows to express probabilistic models in a subset of the C# language. You can find many unit tests of `Csoft` models in the `Tests` project marked with `Category: CsoftModel` trait.\n\n  * `Examples` contains C# projects that illustrate how to use Infer.NET to solve a variety of different problems. \n\n    * `ClickThroughModel` - a web search example of converting a sequence of clicks by the user into inferences about the relevance of documents.\n\n    * `ClinicalTrial` - the clinical trial tutorial example with an interactive user interface.\n\n    * `InferNET101` - samples from Infer.NET 101 introduction to the basics of Microsoft Infer.NET programming.\n  \n    * `ImageClassifier` - an image search example of classifying tagged images.\n\n    * `LDA` - this example provides Infer.NET implementations of the popular LDA model for topic modeling. The implementations pay special attention to scalability with respect to vocabulary size, and with respect to the number of documents. As such, they provide good examples for how to scale Infer.NET models in general.\n\n    * `MontyHall` - an Infer.NET implementation of the Monty Hall problem, along with a graphical user interface.\n\n    * `MotifFinder` - an Infer.NET implementation of a simple model for finding motifs in nucleotide sequences, which constitutes an important problem in bioinformatics.\n\n  * `FSharpWrapper` is a wrapper project that hides some of the generic constructs in the Infer.NET API allowing simpler calls to the Infer.NET API from standard F#.\n\n  * `IronPythonWrapper` contains wrapper for calling Infer.NET from the [IronPython](https:\u002F\u002Fironpython.net\u002F) programming language and tests for the wrapper. Please refer to [README.md](src\u002FIronPythonWrapper\u002FREADME.md) for more information.\n\n  * `Learners` folder contains Visual Studio projects for complete machine learning applications including classification and recommendation. You can read more about Learners [here](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FInfer.NET%20Learners.html).\n\n  * `Runtime` - is a C# project with classes and methods needed to execute the inference code.\n\n  * `Tutorials` contains [Examples Browser](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FThe%20examples%20browser.html) project with simple examples that provide a step-by-step introduction to Infer.NET.\n\n  * `Visualizers\u002FWindows` contains an alternative .NET Framework and Windows specific set of visualization tools for exploring and analyzing the code generated by the `Compiler`.\n\n* `test\u002F`\n\n  * `TestApp` contains C# console application for quick invocation and debugging of various Infer.NET components.\n\n  * `TestFSharp` is an F# console project for smoke testing of Infer.NET F# wrapper.\n\n  * `TestPublic` contains scenario tests for tutorial code. These tests are a part of the PR and nightly builds.\n\n  * `Tests` - main unit test project containing thousands of tests. These tests are a part of the PR and nightly builds. The folder `Tests\\Vibes` contains MATLab scripts that compare Infer.NET to the [VIBES](https:\u002F\u002Fvibes.sourceforge.net\u002F) package. Running them requires `Vibes2_0.jar` (can be obtained on the [VIBES](https:\u002F\u002Fvibes.sourceforge.net\u002F) website) to be present in the same folder.\n\n  * `Learners` folder contains the unit tests and the test application for `Learners` (see above).\n\n* `build` folder contains the YAML definitions for the Continuous Integration builds and the specification files for the nuget packages.\n\n* `docs` folder contains the scripts for building API documentation and for updating https:\u002F\u002Fdotnet.github.io\u002Finfer. Please refer to [README.md](docs\u002FREADME.md) for more details.\n\n## Building Infer.NET from its source code\n\nPlease, refer to our [building guide](BUILDING.md).\n\n## Contributing\n\nWe welcome contributions! Please review our [contribution guide](CONTRIBUTING.md).\n\nWhen submitting pull request with changed or added factor, please make sure you updated factor documentation as described [here](docs\u002FREADME.md#Documenting-Factors). \n\n\n## License\n\nInfer.NET is licensed under the [MIT license](LICENSE.txt).\n\n## .NET Foundation\n\nInfer.NET is a [.NET Foundation](https:\u002F\u002Fwww.dotnetfoundation.org\u002Fprojects) project.\nIt's also a part of [ML.NET](https:\u002F\u002Fgithub.com\u002Fdotnet\u002Fmachinelearning) machine learning framework.\n\nThere are many .NET related projects on GitHub.\n\n- [.NET home repo](https:\u002F\u002Fgithub.com\u002FMicrosoft\u002Fdotnet) - links to 100s of .NET projects, from Microsoft and the community.\n","# Infer.NET\n\n**Infer.NET** 是一个用于在图模型中执行贝叶斯推断的框架。它也可以用于概率编程。\n\n使用 Infer.NET 可以解决许多不同类型的机器学习问题——从标准问题，如 [分类](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FLearners\u002FBayes%20Point%20Machine%20classifiers.html)、[推荐](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FLearners\u002FMatchbox%20recommender.html) 或 [聚类](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FMixture%20of%20Gaussians%20tutorial.html)，到针对特定领域问题的 [定制化解决方案](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FClick%20through%20model%20sample.html)。\n\n**Infer.NET** 已被广泛应用于信息检索、生物信息学、流行病学、计算机视觉等多个领域。\n\n## 目录\n\n- [构建状态](#build-status)\n- [安装预编译二进制文件](#installing-pre-built-binaries)\n- [文档](#documentation)\n- [仓库结构](#structure-of-repository)\n- [从源代码构建 Infer.NET](#building-infernet-from-its-source-code)\n- [贡献](#contributing)\n- [许可证](#license)\n- [.NET 基金会](#.net-foundation)\n\n## 构建状态\n\n|    | 发布 |\n|:---|------------------:|\n|**Windows**|[![Win Release](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdotnet_infer_readme_ef196a5a87ad.png)](https:\u002F\u002Fmsrcambridge.visualstudio.com\u002FInfer.NET\u002F_build\u002Flatest?definitionId=134)|\n|**Linux**|[![Linux Release](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdotnet_infer_readme_ef196a5a87ad.png)](https:\u002F\u002Fmsrcambridge.visualstudio.com\u002FInfer.NET\u002F_build\u002Flatest?definitionId=136)|\n|**macOS**|[![macOS Release](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdotnet_infer_readme_ef196a5a87ad.png)](https:\u002F\u002Fmsrcambridge.visualstudio.com\u002FInfer.NET\u002F_build\u002Flatest?definitionId=138)|\n\n## 安装预编译二进制文件\n\nInfer.NET 的二进制文件位于 [nuget.org](https:\u002F\u002Fwww.nuget.org\u002Fpackages?q=Microsoft.ML.Probabilistic) 上。这些二进制文件是跨平台的，可以在任何支持 .NET 的环境中运行，因此无需选择特定的平台。核心包的目标是 .NET Standard 2.0，这意味着它们可以用于任何目标为 .NET Framework 4.6.2 或 .NET Core 3.1 的项目，具体说明请参阅 [.NET 实现支持](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fdotnet\u002Fstandard\u002Fnet-standard)。您无需克隆 GitHub 仓库即可使用预编译的二进制文件。\n\n目前有 [四个维护中的 Infer.NET NuGet 包](https:\u002F\u002Fwww.nuget.org\u002Fpackages?q=Microsoft.ML.Probabilistic)：\n\n1. `Microsoft.ML.Probabilistic` 包含执行推理代码所需的类和方法。\n1. `Microsoft.ML.Probabilistic.Compiler` 包含 Infer.NET 编译器，该编译器接收使用 Infer.NET API 编写的模型描述，并将其转换为推理代码。它还包含用于可视化生成代码的实用工具。\n1. `Microsoft.ML.Probabilistic.Learners` 包含完整的机器学习应用程序，包括分类器和推荐系统。\n1. `Microsoft.ML.Probabilistic.Visualizers.Windows` 包含一套面向 .NET Framework 和 Windows 平台的替代可视化工具，用于探索和分析模型。\n\nNuGet 包无需手动下载。您可以将包名添加到项目文件中，编译项目时二进制文件会自动下载。大多数代码编辑器都提供将 NuGet 包引用添加到现有项目文件的功能。例如，在 [Visual Studio 2017 for Windows](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fvisualstudio\u002Finstall\u002Finstall-visual-studio) 中，您可以选择“项目 -> 管理 NuGet 包”。\n\n[.NET Core 3.1](https:\u002F\u002Fwww.microsoft.com\u002Fnet\u002Fdownload\u002F) 提供了用于创建和编辑项目文件的命令行工具。通过命令行，您可以向现有项目文件添加 NuGet 包引用，如下所示：\n```\ndotnet add package Microsoft.ML.Probabilistic\ndotnet add package Microsoft.ML.Probabilistic.Compiler\ndotnet add package Microsoft.ML.Probabilistic.Learners\n```\n\n## 教程和示例\n\n在 [docs.microsoft.com](https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fdotnet\u002Fmachine-learning\u002Fhow-to-guides\u002Fmatchup-app-infer-net) 上有一份入门指南。\n\n更多教程和示例可在 [Infer.NET 官网](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FInfer.NET%20tutorials%20and%20examples.html) 上找到。\n\n## 文档\n\n文档可在 [Infer.NET 官网](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002F) 上找到。\n\n## 仓库结构\n\n* 仓库根目录下的 Visual Studio 解决方案 `Infer.sln` 包含了所有 Infer.NET 组件、单元测试以及来自以下文件夹的示例程序。\n\n* `src\u002F`\n\n  * `Compiler` 文件夹包含 Infer.NET 编译器项目，该工具可以将使用 Infer.NET API 编写的模型描述转换为推理代码。该项目还包含用于可视化生成代码的实用方法。\n\n  * `Csoft` 是一项实验性功能，允许在 C# 语言的一个子集中表达概率模型。您可以在标记为 `Category: CsoftModel` 特性的 `Tests` 项目中找到许多 `Csoft` 模型的单元测试。\n\n  * `Examples` 文件夹包含多个 C# 项目，展示了如何使用 Infer.NET 解决各种不同的问题。\n\n    * `ClickThroughModel` - 一个网络搜索示例，将用户的点击序列转化为对文档相关性的推断。\n\n    * `ClinicalTrial` - 带有交互式用户界面的临床试验教程示例。\n\n    * `InferNET101` - 来自 Infer.NET 101 的示例，介绍 Microsoft Infer.NET 编程的基础知识。\n\n    * `ImageClassifier` - 一个图像搜索示例，用于对带标签的图像进行分类。\n\n    * `LDA` - 此示例提供了流行的 LDA 主题建模模型的 Infer.NET 实现。这些实现特别关注词汇表大小和文档数量的可扩展性，因此为如何一般性地扩展 Infer.NET 模型提供了很好的参考。\n\n    * `MontyHall` - 蒙提霍尔问题的 Infer.NET 实现，并附带图形用户界面。\n\n    * `MotifFinder` - 一个用于在核苷酸序列中寻找基序的简单模型的 Infer.NET 实现，这是生物信息学中的一个重要问题。\n\n  * `FSharpWrapper` 是一个封装项目，隐藏了 Infer.NET API 中的一些泛型构造，从而允许从标准 F# 中更简单地调用 Infer.NET API。\n\n  * `IronPythonWrapper` 包含用于从 [IronPython](https:\u002F\u002Fironpython.net\u002F) 编程语言调用 Infer.NET 的封装库及相应的测试。更多信息请参阅 `src\u002FIronPythonWrapper\u002FREADME.md`。\n\n  * `Learners` 文件夹包含完整的机器学习应用程序的 Visual Studio 项目，包括分类和推荐系统。有关 Learners 的更多信息，请参阅 [这里](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FInfer.NET%20Learners.html)。\n\n  * `Runtime` 是一个 C# 项目，包含执行推理代码所需的类和方法。\n\n  * `Tutorials` 文件夹包含 [Examples Browser](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FThe%20examples%20browser.html) 项目，其中包含简单的示例，逐步介绍 Infer.NET。\n\n  * `Visualizers\u002FWindows` 包含一套针对 .NET Framework 和 Windows 平台的替代可视化工具，用于探索和分析由 `Compiler` 生成的代码。\n\n* `test\u002F`\n\n  * `TestApp` 包含一个 C# 控制台应用程序，用于快速调用和调试各种 Infer.NET 组件。\n\n  * `TestFSharp` 是一个 F# 控制台项目，用于对 Infer.NET F# 封装进行冒烟测试。\n\n  * `TestPublic` 包含教程代码的场景测试。这些测试是 PR 和夜间构建的一部分。\n\n  * `Tests` 是主要的单元测试项目，包含数千个测试。这些测试同样属于 PR 和夜间构建的一部分。`Tests\\Vibes` 文件夹中包含 MATLAB 脚本，用于将 Infer.NET 与 [VIBES](https:\u002F\u002Fvibes.sourceforge.net\u002F) 软件包进行比较。运行这些脚本需要在同一文件夹中存在 `Vibes2_0.jar`（可在 [VIBES](https:\u002F\u002Fvibes.sourceforge.net\u002F) 网站上获取）。\n\n  * `Learners` 文件夹包含 `Learners` 的单元测试和测试应用程序（见上文）。\n\n* `build` 文件夹包含持续集成构建的 YAML 定义以及 NuGet 包的规范文件。\n\n* `docs` 文件夹包含用于构建 API 文档和更新 https:\u002F\u002Fdotnet.github.io\u002Finfer 的脚本。更多详细信息请参阅 `docs\u002FREADME.md`。\n\n## 从源代码构建 Infer.NET\n\n请参阅我们的 [构建指南](BUILDING.md)。\n\n## 贡献\n\n我们欢迎贡献！请查看我们的 [贡献指南](CONTRIBUTING.md)。\n\n当提交包含更改或新增因子的拉取请求时，请确保按照 [这里](docs\u002FREADME.md#Documenting-Factors) 的说明更新因子文档。\n\n\n## 许可证\n\nInfer.NET 采用 [MIT 许可证](LICENSE.txt) 许可。\n\n## .NET 基金会\n\nInfer.NET 是 [.NET 基金会](https:\u002F\u002Fwww.dotnetfoundation.org\u002Fprojects) 的一个项目。它同时也是 [ML.NET](https:\u002F\u002Fgithub.com\u002Fdotnet\u002Fmachinelearning) 机器学习框架的一部分。\n\nGitHub 上有许多与 .NET 相关的项目。\n\n- [.NET 主仓库](https:\u002F\u002Fgithub.com\u002FMicrosoft\u002Fdotnet) - 提供数百个来自 Microsoft 和社区的 .NET 项目链接。","# Infer.NET 快速上手指南\n\nInfer.NET 是一个用于在图形模型中运行贝叶斯推断的框架，同时也支持概率编程。它可用于解决分类、推荐、聚类等多种机器学习问题。\n\n## 环境准备\n\n*   **操作系统**：Windows、Linux 或 macOS（跨平台支持）。\n*   **运行时依赖**：需安装 **.NET SDK**。\n    *   核心包基于 .NET Standard 2.0，兼容 **.NET Framework 4.6.2+** 或 **.NET Core 3.1+**（推荐使用较新的 .NET 6\u002F8 以获得更好支持）。\n*   **开发工具**：任意支持 .NET 的代码编辑器（如 Visual Studio, VS Code, Rider）。\n\n> **国内加速建议**：如果访问 NuGet 官方源速度较慢，可在项目目录创建 `NuGet.Config` 文件，添加阿里云或腾讯云镜像源：\n> ```xml\n> \u003C?xml version=\"1.0\" encoding=\"utf-8\"?>\n> \u003Cconfiguration>\n>   \u003CpackageSources>\n>     \u003Cadd key=\"aliyun\" value=\"https:\u002F\u002Fpackages.aliyun.com\u002Fdotnet\u002Fcore\u002Fv3\u002Findex.json\" \u002F>\n>   \u003C\u002FpackageSources>\n> \u003C\u002Fconfiguration>\n> ```\n\n## 安装步骤\n\nInfer.NET 通过 NuGet 包管理器进行安装，无需克隆源码即可使用预编译二进制文件。\n\n在项目根目录下打开终端，执行以下命令添加核心包：\n\n```bash\ndotnet add package Microsoft.ML.Probabilistic\ndotnet add package Microsoft.ML.Probabilistic.Compiler\n```\n\n如果您需要使用内置的分类器或推荐系统等完整机器学习应用，还需添加：\n\n```bash\ndotnet add package Microsoft.ML.Probabilistic.Learners\n```\n\n*注：Windows 用户若需特定的可视化分析工具，可额外安装 `Microsoft.ML.Probabilistic.Visualizers.Windows`。*\n\n## 基本使用\n\n以下是一个最简单的示例，演示如何定义一个简单的概率模型并执行推断（计算两个高斯分布之和的后验分布）。\n\n创建一个 C# 文件（如 `Program.cs`），写入以下代码：\n\n```csharp\nusing Microsoft.ML.Probabilistic;\nusing Microsoft.ML.Probabilistic.Distributions;\nusing Microsoft.ML.Probabilistic.Models;\n\nnamespace InferNetQuickStart\n{\n    class Program\n    {\n        static void Main(string[] args)\n        {\n            \u002F\u002F 定义变量\n            Variable\u003Cdouble> x = Variable.GaussianFromMeanAndPrecision(0, 1.0);\n            Variable\u003Cdouble> y = Variable.GaussianFromMeanAndPrecision(0, 1.0);\n            Variable\u003Cdouble> sum = x + y;\n\n            \u002F\u002F 创建推理引擎\n            InferenceEngine engine = new InferenceEngine();\n            \n            \u002F\u002F 观察数据：假设我们观测到 sum 的值为 5.0\n            sum.ObservedValue = 5.0;\n\n            \u002F\u002F 执行推断\n            var posteriorX = engine.Infer\u003CGaussian>(x);\n            var posteriorY = engine.Infer\u003CGaussian>(y);\n\n            \u002F\u002F 输出结果\n            System.Console.WriteLine($\"Posterior distribution of x: {posteriorX}\");\n            System.Console.WriteLine($\"Posterior distribution of y: {posteriorY}\");\n        }\n    }\n}\n```\n\n运行项目：\n\n```bash\ndotnet run\n```\n\n程序将输出变量 `x` 和 `y` 在给定观测值下的后验概率分布。更多复杂示例（如图像分类、主题模型 LDA 等）可参考官方文档中的 [Tutorials and Examples](https:\u002F\u002Fdotnet.github.io\u002Finfer\u002Fuserguide\u002FInfer.NET%20tutorials%20and%20examples.html)。","某医疗数据分析团队正在构建一个流行病学预测模型，需要根据有限的患者症状数据推断疾病爆发的潜在概率分布。\n\n### 没有 infer 时\n- 开发人员必须手动推导复杂的贝叶斯公式并编写底层数学运算代码，极易出现计算错误且难以维护。\n- 面对缺失或不确定的临床数据，传统确定性模型无法有效量化不确定性，导致预测结果过于绝对且缺乏置信度评估。\n- 每当需要调整模型结构（如增加新的传播变量）时，都需要重写大量核心算法代码，迭代周期长达数周。\n- 团队难以将领域专家的经验知识（如潜伏期分布）灵活地转化为数学约束嵌入到模型中。\n\n### 使用 infer 后\n- 利用 infer 的图形模型框架，开发者只需定义变量间的概率关系，框架自动执行高效的贝叶斯推理，消除了手动编码误差。\n- 模型天然支持概率编程，能直接输出疾病传播率的概率分布而非单一数值，清晰展示预测的可信区间。\n- 修改模型变得极其灵活，仅需几行代码即可添加新的节点或改变依赖关系，将算法迭代时间从数周缩短至数小时。\n- 通过简单的 API 即可将专家先验知识作为概率分布注入模型，显著提升了在小样本数据下的预测准确性。\n\ninfer 让团队能够专注于疾病建模的逻辑本身，而非陷入繁琐的数学实现细节，从而快速交付高可信度的防疫决策支持系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdotnet_infer_47bac25f.png","dotnet",".NET Platform","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdotnet_0412dd17.png","Home of the open source .NET platform",null,"contact@dotnetfoundation.org","dotnetfdn","https:\u002F\u002Fdot.net","https:\u002F\u002Fgithub.com\u002Fdotnet",[82,86,90,94,98,101,104,108],{"name":83,"color":84,"percentage":85},"C#","#178600",99.1,{"name":87,"color":88,"percentage":89},"Python","#3572A5",0.4,{"name":91,"color":92,"percentage":93},"F#","#b845fc",0.2,{"name":95,"color":96,"percentage":97},"MATLAB","#e16737",0.1,{"name":99,"color":100,"percentage":97},"TSQL","#e38c00",{"name":102,"color":103,"percentage":97},"Java","#b07219",{"name":105,"color":106,"percentage":107},"Shell","#89e051",0,{"name":109,"color":110,"percentage":107},"Batchfile","#C1F12E",1608,236,"2026-04-08T16:38:55","MIT","Windows, Linux, macOS","未说明",{"notes":118,"python":119,"dependencies":120},"该工具是基于 .NET 的贝叶斯推断框架，主要通过 NuGet 包管理安装。核心包兼容任何支持 .NET Standard 2.0 的环境。虽然主要使用 C#，但提供了 IronPython 封装以便从 Python 调用。无需手动下载二进制文件，构建项目时会自动获取。","未说明 (主要支持 C#\u002F.NET，可通过 IronPython 调用)",[121,122,123,124,125,126],".NET Framework 4.6.2+",".NET Core 3.1+",".NET Standard 2.0","Microsoft.ML.Probabilistic","Microsoft.ML.Probabilistic.Compiler","Microsoft.ML.Probabilistic.Learners",[14],[129,130],"machine-learning","bayesian-inference","2026-03-27T02:49:30.150509","2026-04-16T08:17:13.248462",[],[]]