[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dragen1860--Deep-Learning-with-PyTorch-Tutorials":3,"tool-dragen1860--Deep-Learning-with-PyTorch-Tutorials":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",160411,2,"2026-04-18T23:33:24",[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。",109154,"2026-04-18T11:18:24",[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":76,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":76,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":104,"github_topics":105,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":146},9414,"dragen1860\u002FDeep-Learning-with-PyTorch-Tutorials","Deep-Learning-with-PyTorch-Tutorials","深度学习与PyTorch入门实战视频教程 配套源代码和PPT","Deep-Learning-with-PyTorch-Tutorials 是一套专为深度学习初学者打造的入门实战资源，包含配套的视频教程、完整源代码及教学 PPT。它主要解决了新手在学习 PyTorch 框架时面临的“理论难懂、环境配置复杂、缺乏实操案例”等痛点，帮助用户从零基础快速过渡到能够独立编写和训练神经网络模型。\n\n这套资源特别适合希望系统掌握深度学习技术的开发者、高校学生以及人工智能领域的研究人员。对于想要转行进入 AI 领域的设计师或普通爱好者，只要具备基础的编程知识，也能通过该教程顺利上手。其独特的技术亮点在于提供了详尽的国内环境配置指南，针对 Anaconda、CUDA 及常用科学计算库（如 NumPy、Matplotlib）的安装进行了本地化优化，有效解决了国内用户下载慢、依赖冲突等常见难题。此外，课程大纲结构清晰，理论与实践紧密结合，让学习者不仅能理解算法原理，更能通过复现代码真正掌握 PyTorch 的核心用法，是开启深度学习之旅的理想起点。","# PyTorch安装指令\n请先安装Anaconda和CUDA 10.0。\n\n- 配置国内源\n\n```python\n# 配置国内源，方便安装Numpy,Matplotlib等\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\n# 配置国内源，安装PyTorch用\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F\n# 显示源地址\nconda config --set show_channel_urls yes\n```\n\n- 安装PyTorch\n```python\n# 安装PyTorch，要使用国内源请去掉-c pytorch这个参数！！\nconda install pytorch torchvision cudatoolkit=10.0\n\n```\n\n- 安装常用库\n\n```python\npip install numpy matplotlib pillow pandas\n```\n\n# 课程链接\n\n\u003C!--  \n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=61a9e0a511f7409b92a08d4f4c964330\n\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-PyTorch-Tutorials_readme_f7e3da7c8cff.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp> \n -->\n**课程链接:** https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=61a9e0a511f7409b92a08d4f4c964330\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"700\"  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-PyTorch-Tutorials_readme_6927dacbc0e1.png\">\n\u003C\u002Fp> \n\n \n**课程大纲:**\n![课程介绍](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-PyTorch-Tutorials_readme_79ab882a9c66.png)\n\n\n\n\n\n","# PyTorch安装指令\n请先安装Anaconda和CUDA 10.0。\n\n- 配置国内源\n\n```python\n# 配置国内源，方便安装Numpy,Matplotlib等\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\n# 配置国内源，安装PyTorch用\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F\n# 显示源地址\nconda config --set show_channel_urls yes\n```\n\n- 安装PyTorch\n```python\n# 安装PyTorch，要使用国内源请去掉-c pytorch这个参数！！\nconda install pytorch torchvision cudatoolkit=10.0\n\n```\n\n- 安装常用库\n\n```python\npip install numpy matplotlib pillow pandas\n```\n\n# 课程链接\n\n\u003C!--  \n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=61a9e0a511f7409b92a08d4f4c964330\n\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-PyTorch-Tutorials_readme_f7e3da7c8cff.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp> \n -->\n**课程链接:** https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=61a9e0a511f7409b92a08d4f4c964330\n\n\u003Cp align=\"center\">\n  \u003Cimg width=\"700\"  src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-PyTorch-Tutorials_readme_6927dacbc0e1.png\">\n\u003C\u002Fp> \n\n \n**课程大纲:**\n![课程介绍](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-PyTorch-Tutorials_readme_79ab882a9c66.png)","# Deep-Learning-with-PyTorch-Tutorials 快速上手指南\n\n本指南旨在帮助中国开发者快速搭建基于 PyTorch 的深度学习环境，并运行相关教程代码。\n\n## 1. 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n- **操作系统**：Linux \u002F Windows \u002F macOS\n- **前置软件**：已安装 [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002F)\n- **显卡驱动**：已安装 **CUDA 10.0** 及对应驱动（如需使用 GPU 加速）\n\n## 2. 安装步骤\n\n为提升下载速度，推荐配置清华大学开源软件镜像源。请按顺序执行以下命令：\n\n### 2.1 配置国内镜像源\n打开终端（Terminal 或 Anaconda Prompt），依次运行以下命令以配置 Numpy、Matplotlib 及 PyTorch 的国内源：\n\n```bash\n# 配置国内源，方便安装 Numpy, Matplotlib 等\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\n# 配置国内源，安装 PyTorch 用\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fpytorch\u002F\n# 显示源地址\nconda config --set show_channel_urls yes\n```\n\n### 2.2 安装 PyTorch\n使用 Conda 安装指定版本的 PyTorch（适配 CUDA 10.0）。\n**注意**：使用国内源时，请务必去掉 `-c pytorch` 参数。\n\n```bash\nconda install pytorch torchvision cudatoolkit=10.0\n```\n\n### 2.3 安装常用依赖库\n安装教程运行所需的辅助库（如数据处理和绘图工具）：\n\n```bash\npip install numpy matplotlib pillow pandas\n```\n\n## 3. 基本使用\n\n环境搭建完成后，您可以结合官方课程进行学习。\n\n- **配套课程链接**：[网易云课堂 - 深度学习之 PyTorch 实战](https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=61a9e0a511f7409b92a08d4f4c964330)\n- **课程大纲参考**：请查看项目目录下的 `res\u002Foutline.png` 图片。\n\n### 简单验证示例\n创建一个名为 `test.py` 的文件，输入以下代码以验证 PyTorch 是否安装成功：\n\n```python\nimport torch\nprint(torch.__version__)\nprint(torch.cuda.is_available())\n```\n\n在终端运行：\n```bash\npython test.py\n```\n若输出版本号且 `True`（表示 GPU 可用）或 `False`（仅 CPU 模式），则说明环境配置成功。接下来即可克隆本仓库，进入对应章节目录运行教程代码。","某高校计算机专业研究生李明正试图从零开始构建一个基于卷积神经网络的医学影像分类模型，以完成他的毕业设计。\n\n### 没有 Deep-Learning-with-PyTorch-Tutorials 时\n- **环境配置劝退**：面对复杂的 Anaconda、CUDA 版本匹配问题，李明在配置国内源和安装 PyTorch 时反复报错，耗费三天仍未跑通\"Hello World\"代码。\n- **理论实践脱节**：虽然看懂了反向传播的数学公式，但不知道如何将其转化为具体的 PyTorch `Tensor` 操作和 `autograd` 代码，陷入“眼高手低”的困境。\n- **调试无从下手**：模型训练出现梯度消失或维度不匹配错误时，缺乏系统的排查思路，只能在论坛碎片化地搜索答案，效率极低。\n- **资源分散混乱**：需要同时搜集视频教程、配套 PPT 和源代码，往往发现视频讲的代码与 GitHub 上的版本不一致，导致学习路径断裂。\n\n### 使用 Deep-Learning-with-PyTorch-Tutorials 后\n- **一键搭建环境**：直接复用教程中针对国内网络优化的 Conda 配置指令和明确的 CUDA 10.0 安装步骤，半小时内成功搭建好包含 Numpy、Matplotlib 的完整开发环境。\n- **代码即时落地**：跟随视频中“手把手”的实战演示，李明迅速理解了如何将理论映射为 `nn.Module` 类结构，当天便完成了基础模型的构建与运行。\n- **系统化排错**：依托教程中规范的代码结构和常见的陷阱讲解，他快速定位了数据加载器（DataLoader）的维度错误，并学会了使用可视化工具监控训练过程。\n- **资料高度同步**：课程链接、配套源代码与 PPT 高度一致，李明可以边看视频边对照代码修改参数，实现了从理论学习到项目复现的无缝衔接。\n\nDeep-Learning-with-PyTorch-Tutorials 通过提供环境、理论与代码的高度一致性，将深度学习新手的入门门槛从“周级”降低至“小时级”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-PyTorch-Tutorials_5c360ee2.png","dragen1860","Jackie Loong","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdragen1860_75473de7.jpg","Make machines behave like me.\r\n\r\nliangqu.long@gmail.com",null,"Sydney","https:\u002F\u002Fgithub.com\u002Fdragen1860",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",68.2,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",31.8,3109,1318,"2026-04-12T17:23:50","未说明","需要 NVIDIA GPU，CUDA 10.0",{"notes":94,"python":95,"dependencies":96},"必须先安装 Anaconda 和 CUDA 10.0。建议使用国内镜像源（如清华源）加速安装 PyTorch 及常用库。安装 PyTorch 时若使用国内源，需去掉'-c pytorch'参数。","未说明 (通过 Anaconda 安装)",[97,98,99,100,101,102,103],"pytorch","torchvision","cudatoolkit=10.0","numpy","matplotlib","pillow","pandas",[14],[106,97,107,108,109,110,111,112],"deep-learning","convolutional-neural-networks","recurrent-neural-networks","generative-adversarial-network","machine-learning","artificial-intelligence","tutorial","2026-03-27T02:49:30.150509","2026-04-19T09:14:23.272064",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},42258,"国内安装 PyTorch 时出现 CondaHTTPError 或下载失败怎么办？","这是因为 PyTorch 服务器在国外，国内连接不稳定。解决方法有两种：\n1. 使用代理工具（如 Shadowsocks）科学上网。\n2. 将 Conda 源更改为国内镜像（推荐），依次执行以下命令：\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fmsys2\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fcloud\u002Fconda-forge\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\nconda config --set show_channel_urls yes\n配置完成后无输出是正常的，之后继续运行 PyTorch 安装命令即可。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-Tutorials\u002Fissues\u002F1",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},42259,"遇到 'One of the differentiated Tensors appears to not have been used in the graph' 错误如何解决？","该错误通常是因为请求梯度（requires_grad）的张量没有正确放入前向计算图中。请检查代码中设置 requires_grad=True 的张量列表，确保它们实际参与了 forward 计算过程。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-Tutorials\u002Fissues\u002F6",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},42260,"最新版本的 torchtext 中 Torchtext.data.Field 已被弃用，该如何使用数据？","在 torchtext 0.9 版本中，Torchtext.data.Field 已移至 torchtext.legacy.data.Field；而在 0.12 版本中，legacy 文件夹已被完全移除。建议查看官方发布说明以适应新版本的数据加载方式，或考虑使用新的 DataLoader 和 Dataset API 替代旧的 Field 机制。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-Tutorials\u002Fissues\u002F13",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},42261,"运行手写数字识别示例后，如何用自己的图片进行测试？","该示例仅为演示代码片段。若要掌握深度学习算法并使用自己的图片进行测试，建议结合 README 中的视频教程进行系统学习，了解如何预处理自定义图像并输入模型进行预测。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-Tutorials\u002Fissues\u002F5",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},42262,"Lesson30 Visdom 可视化程序中没有显示 Visdom 相关内容怎么办？","这是代码文件标号混淆导致的。Lesson30 和 Lesson29 的代码被放反了，Visdom 可视化的实际代码位于 Lesson29 中，请切换至对应课程章节查看。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-Tutorials\u002Fissues\u002F2",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},42263,"图卷积网络（GCN）相关课程何时更新？","GCN 相关课程（Lesson66）预计还需要一段时间才会更新。在此期间，您可以先自行阅读现有代码，其逻辑相对简单，适合提前学习。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-Tutorials\u002Fissues\u002F3",[]]