[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dragen1860--Deep-Learning-with-TensorFlow-book":3,"tool-dragen1860--Deep-Learning-with-TensorFlow-book":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":79,"owner_twitter":79,"owner_website":79,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":79,"difficulty_score":23,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":110,"updated_at":111,"faqs":112,"releases":157},3031,"dragen1860\u002FDeep-Learning-with-TensorFlow-book","Deep-Learning-with-TensorFlow-book","深度学习入门开源书，基于TensorFlow 2.0案例实战。Open source Deep Learning book, based on TensorFlow 2.0 framework.","Deep-Learning-with-TensorFlow-book（俗称“龙书”）是一本基于 TensorFlow 2.0 框架的深度学习开源入门教程。它致力于解决初学者在面对深奥理论时难以落地实践的痛点，通过将数学原理与代码实战紧密结合，帮助读者快速构建从基础概念到模型搭建的完整知识体系。\n\n本书非常适合人工智能领域的入门开发者、高校学生以及希望系统掌握深度学习技能的科研人员使用。无论是零基础小白还是有一定编程经验的工程师，都能通过书中丰富的案例循序渐进地提升能力。其核心亮点在于紧跟 TensorFlow 2.0 正式版特性，摒弃了旧版本的复杂语法，提供了包括 PDF 电子书、配套源代码、教学课件及 Jupyter Notebook 在内的完整学习资源。此外，项目还构建了涵盖纸质书、视频教程及 PyTorch 版本的庞大生态，并已被多所知名高校采纳为专业教材或参考资料。作为曾登顶 GitHub 全球趋势榜的开源项目，它以严谨的内容和友好的社区互动，成为中文社区学习深度学习的首选指南之一。","# TensorFlow 2深度学习开源书(龙书)\n\n基于TensorFlow 2正式版！！！\n理论与实战结合，非常适合入门学习！！！\n\n- **[纸质书购买链接：京东](https:\u002F\u002Fitem.jd.com\u002F12954866.html)** \n- **[纸质书购买链接：淘宝](https:\u002F\u002Fdetail.tmall.com\u002Fitem.htm?spm=a230r.1.14.16.18b460abi8w8jJ&id=625801924474&ns=1&abbucket=9)**\n\n本仓库包含pdf电子书、配套源代码、配套课件等。部分代码已替换为Ipython Notebook形式，感谢这位[童鞋](https:\u002F\u002Fgithub.com\u002FRelph1119\u002Fdeeplearning-with-tensorflow-notes)的整理。\n\n开源电子版pdf还可以从[百度网盘下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1GgQjhDqSgSfjxqBMsE3RDQ)  提取码：juqs\n感谢云城不及粒火童鞋提供的书签版pdf。\n\n- **本书的繁体版已经出版，已授权在中国台湾地区上市发行**\n\n-  **本书被“机器之心”，“量子位”等权威媒体报道！**\n\n-  **本库在Github趋势日榜单连续多天全球排名第一！**\n\n\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_a020b98a2618.png\" align=\"center\" width=\"500\">\n  \u003C!-- \u003Cimg src=\"assets\u002F1.png\" align=\"center\" width=\"600\"> -->\n\u003C\u002Fp>\n\n- 提交错误或者修改等反馈意见，请在Github [Issues](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues)页面提交\n\n- 联系邮箱(一般问题建议Github issues交流)：liangqu.long AT gmail.com\n\n-  **高校老师索取PPT原素材**等教案，请邮箱联系，并详注院校课程等信息，一般3天内发送邮件回复\n\n- 使用本书本的任何内容时(**仅限非商业用途**)，请注明作者和Github链接\n\n\n# 合作院校\n\n以下高校已采用本书作为专业教材或参考资料(排名不分先后)，欢迎更多高校加入！发送邮件即可索取PPT原始教案。\n\n| 电子科技大学 | 西北工业大学  | 北京交通大学  |  厦门大学 | 重庆邮电大学  |\n|---|---|---|---|---|\n|  **东南大学** |   ** ** |  ** **  |   ** **   |   |  \n|  **湖南信息学院** |  **中山大学新华学院** | **东莞理工大学**  |   **北京科技职业学院** |   |  \n|  **郑州轻工业大学** |   **金华职业技术学院** |  **高雄市立新莊高級中學**  |   **安徽财经大学**   |   |  \n|  **长沙民政职业技术学院** |   **兰州交通大学** |  ** **  |   ** **   |   |  \n\n\n\n# “龙书”生态系统\n\n- [纸质书\u002F实体书](https:\u002F\u002Fitem.jd.com\u002F12954866.html)\n\n- [介绍短片](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav75331861)\n\n- [English Version](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book-EN)\n\n- [TensorFlow视频课程](https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=9e74eb6f891d47cfaa6f00b5cb5f617c)\n\n- [PyTorch深度学习开源书](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-book)\n\n-\t更多TensorFlow 2实战案例在[这里](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials)\n\n\n# 简要目录\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_00960661fbf7.jpg\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_208a5892fdf8.jpg\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_fbf01df6ea6e.jpg\">\n\u003C\u002Fp>\n\n\n\n#\t配套视频课程\n\n适合零基础、希望快速入门AI的朋友，提供答疑、指导等全方位服务。\n\n- 深度学习与TensorFlow入门实战\nhttps:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=9e74eb6f891d47cfaa6f00b5cb5f617c\n- 深度学习与PyTorch入门实战\nhttps:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=8d1b10e04bd34d69855bb71da65b0549\n\n","# TensorFlow 2深度学习开源书(龙书)\n\n基于TensorFlow 2正式版！！！\n理论与实战结合，非常适合入门学习！！！\n\n- **[纸质书购买链接：京东](https:\u002F\u002Fitem.jd.com\u002F12954866.html)** \n- **[纸质书购买链接：淘宝](https:\u002F\u002Fdetail.tmall.com\u002Fitem.htm?spm=a230r.1.14.16.18b460abi8w8jJ&id=625801924474&ns=1&abbucket=9)**\n\n本仓库包含pdf电子书、配套源代码、配套课件等。部分代码已替换为Ipython Notebook形式，感谢这位[童鞋](https:\u002F\u002Fgithub.com\u002FRelph1119\u002Fdeeplearning-with-tensorflow-notes)的整理。\n\n开源电子版pdf还可以从[百度网盘下载](https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1GgQjhDqSgSfjxqBMsE3RDQ)  提取码：juqs\n感谢云城不及粒火童鞋提供的书签版pdf。\n\n- **本书的繁体版已经出版，已授权在中国台湾地区上市发行**\n\n-  **本书被“机器之心”，“量子位”等权威媒体报道！**\n\n-  **本库在Github趋势日榜单连续多天全球排名第一！**\n\n\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_a020b98a2618.png\" align=\"center\" width=\"500\">\n  \u003C!-- \u003Cimg src=\"assets\u002F1.png\" align=\"center\" width=\"600\"> -->\n\u003C\u002Fp>\n\n- 提交错误或者修改等反馈意见，请在Github [Issues](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues)页面提交\n\n- 联系邮箱(一般问题建议Github issues交流)：liangqu.long AT gmail.com\n\n-  **高校老师索取PPT原素材**等教案，请邮箱联系，并详注院校课程等信息，一般3天内发送邮件回复\n\n- 使用本书本的任何内容时(**仅限非商业用途**)，请注明作者和Github链接\n\n\n# 合作院校\n\n以下高校已采用本书作为专业教材或参考资料(排名不分先后)，欢迎更多高校加入！发送邮件即可索取PPT原始教案。\n\n| 电子科技大学 | 西北工业大学  | 北京交通大学  |  厦门大学 | 重庆邮电大学  |\n|---|---|---|---|---|\n|  **东南大学** |   ** ** |  ** **  |   ** **   |   |  \n|  **湖南信息学院** |  **中山大学新华学院** | **东莞理工大学**  |   **北京科技职业学院** |   |  \n|  **郑州轻工业大学** |   **金华职业技术学院** |  **高雄市立新莊高級中學**  |   **安徽财经大学**   |   |  \n|  **长沙民政职业技术学院** |   **兰州交通大学** |  ** **  |   ** **   |   |  \n\n\n\n# “龙书”生态系统\n\n- [纸质书\u002F实体书](https:\u002F\u002Fitem.jd.com\u002F12954866.html)\n\n- [介绍短片](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav75331861)\n\n- [English Version](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book-EN)\n\n- [TensorFlow视频课程](https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=9e74eb6f891d47cfaa6f00b5cb5f617c)\n\n- [PyTorch深度学习开源书](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-PyTorch-book)\n\n-\t更多TensorFlow 2实战案例在[这里](https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials)\n\n\n# 简要目录\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_00960661fbf7.jpg\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_208a5892fdf8.jpg\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_readme_fbf01df6ea6e.jpg\">\n\u003C\u002Fp>\n\n\n\n#\t配套视频课程\n\n适合零基础、希望快速入门AI的朋友，提供答疑、指导等全方位服务。\n\n- 深度学习与TensorFlow入门实战\nhttps:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=9e74eb6f891d47cfaa6f00b5cb5f617c\n- 深度学习与PyTorch入门实战\nhttps:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1208894818&_trace_c_p_k2_=8d1b10e04bd34d69855bb71da65b0549","# Deep-Learning-with-TensorFlow-book 快速上手指南\n\n本指南基于《TensorFlow 2 深度学习开源书》（龙书），旨在帮助开发者快速搭建环境并运行配套代码。本书基于 TensorFlow 2 正式版，强调理论与实战结合。\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*   **操作系统**：Windows 10\u002F11, macOS, 或 Linux (推荐 Ubuntu 18.04+)\n*   **Python 版本**：Python 3.6 - 3.9 (推荐 Python 3.8)\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (用于克隆代码仓库)\n    *   显卡驱动 (若需使用 GPU 加速，请确保已安装 NVIDIA 驱动及 CUDA\u002FcuDNN，TensorFlow 2.x 通常自带兼容版本，但建议检查兼容性列表)\n\n> **提示**：国内用户建议在配置 pip 时使用清华源或阿里源以加速下载。\n> 临时使用命令：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n### 1. 获取源代码\n首先，从 GitHub 克隆本项目仓库到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book.git\ncd Deep-Learning-with-TensorFlow-book\n```\n\n### 2. 安装核心依赖\n本书主要依赖 TensorFlow 2.x。建议使用虚拟环境（如 `venv` 或 `conda`）以避免污染系统环境。\n\n**创建并激活虚拟环境 (可选但推荐):**\n```bash\npython -m venv tf_env\n# Windows\ntf_env\\Scripts\\activate\n# macOS\u002FLinux\nsource tf_env\u002Fbin\u002Factivate\n```\n\n**安装 TensorFlow 及相关库:**\n使用国内镜像源安装 TensorFlow 2.x 正式版及其他常用数据处理库：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==2.10.0\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple matplotlib numpy pandas scikit-learn jupyter\n```\n\n> **注意**：具体 TensorFlow 版本可根据书中章节要求调整，上述命令安装的是较为稳定的 2.10.0 版本。若需 GPU 支持且环境复杂，可参考官方文档安装 `tensorflow-gpu`（TF 2.x 后通常包含在 `tensorflow` 包中）。\n\n### 3. 验证安装\n打开 Python 交互界面，输入以下代码验证是否安装成功：\n\n```python\nimport tensorflow as tf\nprint(tf.__version__)\nprint(\"GPU Available: \", tf.config.list_physical_devices('GPU'))\n```\n\n## 基本使用\n\n本书代码主要以 Jupyter Notebook (`.ipynb`) 形式提供，部分为 Python 脚本。以下是运行第一个示例的步骤：\n\n### 1. 启动 Jupyter Notebook\n在项目根目录下启动服务：\n\n```bash\njupyter notebook\n```\n\n浏览器将自动打开 Jupyter 界面，显示项目文件列表。\n\n### 2. 运行示例代码\n进入对应的章节文件夹（例如 `ch03`），打开任意一个 `.ipynb` 文件（如 `mlp_mnist.ipynb`）。\n\n**最简单的测试示例（新建一个 Notebook 单元格运行）：**\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nfrom tensorflow.keras import layers, optimizers, datasets\n\n# 加载 MNIST 数据集\n(x_train, y_train), (x_test, y_test) = datasets.mnist.load_data()\nx_train, x_test = x_train \u002F 255.0, x_test \u002F 255.0\n\n# 构建简单模型\nmodel = keras.Sequential([\n    layers.Flatten(input_shape=(28, 28)),\n    layers.Dense(128, activation='relu'),\n    layers.Dropout(0.2),\n    layers.Dense(10, activation='softmax')\n])\n\n# 编译模型\nmodel.compile(optimizer='adam',\n              loss='sparse_categorical_crossentropy',\n              metrics=['accuracy'])\n\n# 训练模型\nmodel.fit(x_train, y_train, epochs=1)\n\n# 评估模型\ntest_loss, test_acc = model.evaluate(x_test,  y_test, verbose=2)\nprint(f'\\nTest accuracy: {test_acc}')\n```\n\n### 3. 查阅电子书与课件\n*   **电子书**：可在仓库中查找 PDF 文件，或通过提供的百度网盘链接下载带书签的版本。\n*   **课件 PPT**：高校教师可通过邮件联系作者索取原始教案素材。\n*   **视频教程**：配合网易云课堂的《深度学习与 TensorFlow 入门实战》视频课程学习效果更佳。\n\n---\n*注：使用本书内容进行非商业用途时，请注明作者及 Github 链接。如遇代码错误，欢迎在 Github Issues 页面提交反馈。*","某高校计算机专业的大三学生李明，正试图在两周内从零开始完成一个基于卷积神经网络的图像分类课程设计。\n\n### 没有 Deep-Learning-with-TensorFlow-book 时\n- **理论代码割裂**：在网上碎片化地学习数学公式，却找不到对应的 TensorFlow 2.0 实现代码，导致“看懂了原理却写不出模型”。\n- **版本兼容噩梦**：参考的教程多基于过时的 TF 1.x 版本，会话（Session）机制与现在的 eager execution 冲突，调试报错耗费了大量时间。\n- **缺乏系统路径**：面对海量的 AI 概念不知从何入手，东拼西凑的学习资料让知识体系支离破碎，难以构建完整的深度学习逻辑。\n- **实战资源匮乏**：找不到针对具体案例（如 MNIST、CIFAR-10）的完整工程代码，只能对着伪代码发呆，无法验证想法。\n\n### 使用 Deep-Learning-with-TensorFlow-book 后\n- **理实无缝对接**：书中每个章节都提供基于 TF 2.0 的完整 Notebook 源码，李明可以边看书边运行代码，立即看到理论如何转化为实际模型。\n- **紧跟最新标准**：所有内容均基于 TensorFlow 2 正式版编写，避免了版本陷阱，让他能直接掌握业界主流的 Keras API 开发模式。\n- **清晰学习地图**：依托“龙书”系统的目录结构，他从基础神经网络到 CNN、RNN 循序渐进，快速建立了扎实且系统的知识框架。\n- **开箱即用案例**：直接复用书中配套的课件和源代码，稍作修改即可应用到自己的课程设计中，大幅缩短了从环境配置到模型训练的时间。\n\nDeep-Learning-with-TensorFlow-book 通过“理论 + 代码 + 课件”的一站式生态，将初学者从繁琐的环境试错中解放出来，使其能专注于算法核心逻辑的掌握与创新。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_Deep-Learning-with-TensorFlow-book_a020b98a.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",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",82.8,{"name":88,"color":89,"percentage":90},"Python","#3572A5",17.2,13259,4045,"2026-04-02T08:39:04","","未说明",{"notes":97,"python":95,"dependencies":98},"本项目为《TensorFlow 2 深度学习》开源书配套代码，基于 TensorFlow 2 正式版。部分代码已转换为 Jupyter Notebook (Ipython Notebook) 格式。仅限非商业用途使用，使用时需注明作者和 Github 链接。",[99],"TensorFlow 2",[13],[102,103,104,105,106,107,108,109],"tensorflow","tensorflow2","deeplearning","machinelearning","python","pytorch","book","opensource","2026-03-27T02:49:30.150509","2026-04-06T08:41:33.925260",[113,118,122,127,132,137,142,147,152],{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},13969,"tf.data.Dataset.from_tensor_slices() 函数的作用是什么？","该函数用于将张量切片，把数据 x 和 y 组合在一起，变成可迭代的一组组数据。可以通过打印结果的属性和 shape 来理解其结构。它创建了一个数据集，其中的元素是给定张量的切片。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F133",{"id":119,"question_zh":120,"answer_zh":121,"source_url":117},13970,"train_db.shuffle(1000) 中的参数 1000 代表什么含义？","参数 1000 代表 buffer_size（缓冲区大小），而不是打乱次数。机制如下：数据集会先填充一个包含 1000 个元素的缓冲区，然后从中随机采样。一旦某个元素被选中，它在缓冲区中的位置会被下一个新元素（即第 1001 个元素）替换，从而保持缓冲区大小始终为 1000。如果希望完美打乱，buffer_size 应大于或等于数据集的总大小。",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},13971,"TensorFlow 的布尔类型与 Python 原生布尔类型是否可以直接通用？","在较新版本的 TensorFlow（如 2.0.0）中，两者表现更加兼容。例如执行 `a = tf.constant(True)` 后，`if a == True:` 可以正常打印 'True'。但需注意，`a == True` 的结果本质上是一个值为 True 的标量张量 `\u003Ctf.Tensor: id=2, shape=(), dtype=bool, numpy=True>`，在某些旧版本或特定上下文中可能仍需注意类型对等问题。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F99",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},13972,"代码中直接使用 layers.Dense 报错怎么办？","虽然书中代码可能直接使用了 `layers.Dense`，但在实际运行中建议显式调用完整路径：`fc = tf.keras.layers.Dense(3)`。不过，维护者指出在当前的运行环境中，`layers`、`keras` 等常用包通常是默认导入的，如果报错请检查环境配置或尝试使用完整路径。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F85",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},13973,"线性模型实战中训练出的偏置 b 与真实值相差过大如何解决？","如果训练结果中的偏置 b 与理论真实值（如 0.089）相差较大（例如得到 0.9 或 0.1 左右），通常是因为超参数设置问题。建议尝试调节学习率、迭代次数等超参数。维护者确认该现象可能存在，并会通过更新代码或参数来优化结果。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F59",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},13974,"下载汽车效能数据集链接返回 404 错误怎么办？","原书提供的链接 `http:\u002F\u002Farchive.ics.uci.edu\u002Fml\u002Fmachine-learning-databases\u002Fauto-mpg\u002Fautompg.data` 可能会返回 404。正确的父目录链接是 `http:\u002F\u002Farchive.ics.uci.edu\u002Fml\u002Fmachine-learning-databases\u002Fauto-mpg`。此外，部分用户反馈在国内网络环境下可能需要使用 VPN 才能正常访问和下载该数据集。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F188",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},13975,"model.build 中的 input_shape 应该如何定义？批次维度需要包含吗？","input_shape 应定义为数据的形状，不包含批次维度（batch size）。例如数据处理后形状为 (32, 9)，其中 32 是批次，则 input_shape 应为 `(None, 9)` 或 `(9,)`。对于多维输入如 (32, 10, 9)，input_shape 应为 `(None, 10, 9)` 或 `(10, 9)`。在 TensorFlow 2.x 的动态图模式下，批次维度写成 None 或具体数字效果相同，None 在此时主要起占位作用。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F186",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},13976,"LeNet-5 实战中 loss 计算是用赋值还是累加（+=）？","建议严格按照书本中的实现方式，即在每个 step 中直接计算当前批次的 loss：`loss = criteon(y_onehot, out)`，而不是使用累加 `loss += ...`。书本代码在 `tf.GradientTape` 上下文内计算单次梯度的逻辑是正确的。如果使用累加且未在 Tape 外处理，可能会导致梯度计算异常。维护者已确认将修复相关代码不一致的问题。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F184",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},13977,"哪里可以下载书中提到的宝可梦数据集？","可以通过以下百度网盘链接下载宝可梦数据集：\n链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F19aSoEvILdxdXK1v-5clGNg\n提取码：7vt9","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FDeep-Learning-with-TensorFlow-book\u002Fissues\u002F180",[]]