[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dragen1860--TensorFlow-2.x-Tutorials":3,"tool-dragen1860--TensorFlow-2.x-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",160784,2,"2026-04-19T11:32:54",[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":101,"github_topics":102,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":156},9685,"dragen1860\u002FTensorFlow-2.x-Tutorials","TensorFlow-2.x-Tutorials","TensorFlow 2.x version's  Tutorials and Examples, including CNN, RNN, GAN, Auto-Encoders, FasterRCNN, GPT, BERT examples, etc. TF 2.0版入门实例代码，实战教程。","TensorFlow-2.x-Tutorials 是一个专为深度学习爱好者打造的实战代码库，旨在帮助用户快速掌握 TensorFlow 2.0 的核心用法。面对新版本框架在语法和运行机制上的重大更新，许多开发者在从理论转向实践时往往感到无从下手，而该项目通过提供大量结构清晰、即插即用的示例代码，有效解决了入门门槛高和实战资源分散的痛点。\n\n无论是刚接触人工智能的学生、希望提升工程能力的开发者，还是需要进行算法验证的研究人员，都能从中获益。内容覆盖极其广泛，不仅包含线性回归、MNIST 分类等基础入门案例，还深入涵盖了 VGG、ResNet 等经典卷积网络，LSTM、RNN 等序列模型，以及 GAN、BERT、GPT、FasterRCNN 等前沿生成式与检测模型。其独特亮点在于紧密跟随 TensorFlow 2.0 的发布节奏，全面采用更简洁的 Eager Execution（即时执行）模式编写，并曾荣获官方\"#PoweredByTF 2.0\"挑战赛优胜奖。此外，项目还配套了系统的中文视频教程，让学习过程更加直观高效，是通往深度学习实战之路的优质指南。","# TensorFlow 2.0 Tutorials \nOur repo. is the **Winner** of [⚡#PoweredByTF 2.0 Challenge!](https:\u002F\u002Fdevpost.com\u002Fsoftware\u002Ftensorflow-2-0-tutorials).\n\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_481f85bbf032.gif\" width=\"250\" align=\"middle\">\n\u003C\u002Fp>\n\nTimeline:\n- Oct. 1, 2019: TensorFlow 2.0 Stable!\n- Aug. 24, 2019: [TensorFlow 2.0 rc0](https:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fr2.0\u002Fapi_docs\u002Fpython\u002Ftf)\n- Jun. 8, 2019: [TensorFlow 2.0 Beta](https:\u002F\u002Ftwitter.com\u002Ffchollet\u002Fstatus\u002F1134583289384120320)\n- Mar. 7, 2019: [Tensorflow 2.0 Alpha](https:\u002F\u002Fwww.tensorflow.org\u002Falpha)\n- Jan. 11, 2019: [TensorFlow r2.0 preview](https:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fr2.0\u002Fapi_docs\u002Fpython\u002Ftf)\n- Aug. 14, 2018: [TensorFlow 2.0 is coming](https:\u002F\u002Fgroups.google.com\u002Fa\u002Ftensorflow.org\u002Fforum\u002F#!topic\u002Fdiscuss\u002Fbgug1G6a89A)\n\n\n\n# Installation\n\nmake sure you are using python 3.x.\n\n- CPU install\n```python\npip install tensorflow -U\n```\n\n- GPU install\n\nInstall `CUDA 10.0`(or after) and `cudnn` by yourself. and set `LD_LIBRARY_PATH` up.\n\n```python\npip install tensorflow-gpu  -U\n```\n\nTest installation:\n```python\nIn [2]: import tensorflow  as tf\n\nIn [3]: tf.__version__\nOut[3]: '2.0.0'\nIn [4]: tf.test.is_gpu_available()\n...\ntotalMemory: 3.95GiB freeMemory: 3.00GiB\n...\nOut[4]: True\n\n```\n\n \n\n\n# 配套TF2视频教程\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=dca16f8fd11a4525bac8c89f779b2cfa\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_43d3b049bd63.png\" width=\"400\">\n  \u003C\u002Fa>\n  \n  \u003Ca href=\"https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=dca16f8fd11a4525bac8c89f779b2cfa\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_0cf6a2f359e1.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp> \n\nTensorFlow 2.0的视频教程链接：[深度学习与TensorFlow 2实战](https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=dca16f8fd11a4525bac8c89f779b2cfa)\n\n\n# Acknowledgement\n- 爱可可-爱生活 友情推荐 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_46ae04879f19.jpg)\n\n\n# Includes\n\n- TensorFlow 2.0 Overview\n- TensorFlow 2.0 Basic Usage\n- Linear Regression\n- MNIST, FashionMNIST\n- CIFAR10\n- Fully Connected Layer\n- VGG16\n- Inception Network\n- ResNet18\n- Naive RNN\n- LSTM\n- ColorBot\n- Auto-Encoders\n- Variational Auto-Encoders\n- DCGAN\n- CycleGAN\n- WGAN\n- Pixel2Pixel\n- Faster RCNN\n- A2C\n- GPT\n- BERT\n- GCN\n\nFeel free to submit a **PR** request to make this repo. more complete!\n \n\n\n# Refered Repos.\n\nOur work is not built from scratch. Great appreciation to these open works！\n\n- https:\u002F\u002Fgithub.com\u002Fmadalinabuzau\u002Ftensorflow-eager-tutorials\n- https:\u002F\u002Fgithub.com\u002Fherbiebradley\u002FCycleGAN-Tensorflow\n- https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fblob\u002Fmaster\u002Ftensorflow\u002Fcontrib\u002Feager\u002Fpython\u002Fexamples\u002Fpix2pix\u002Fpix2pix_eager.ipynb\n- https:\u002F\u002Fgithub.com\u002Fmoono\u002Ftf-eager-on-GAN\n- https:\u002F\u002Fgithub.com\u002FViredery\u002Ftf-eager-fasterrcnn\n- https:\u002F\u002Fgithub.com\u002Fgithub\u002Fgitignore\u002Fblob\u002Fmaster\u002FPython.gitignore\n\n\n","# TensorFlow 2.0 教程 \n我们的仓库是 [⚡#PoweredByTF 2.0 挑战赛！](https:\u002F\u002Fdevpost.com\u002Fsoftware\u002Ftensorflow-2-0-tutorials) 的 **冠军**。\n\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_481f85bbf032.gif\" width=\"250\" align=\"middle\">\n\u003C\u002Fp>\n\n时间线：\n- 2019年10月1日：TensorFlow 2.0 稳定版发布！\n- 2019年8月24日：[TensorFlow 2.0 rc0](https:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fr2.0\u002Fapi_docs\u002Fpython\u002Ftf)\n- 2019年6月8日：[TensorFlow 2.0 Beta](https:\u002F\u002Ftwitter.com\u002Ffchollet\u002Fstatus\u002F1134583289384120320)\n- 2019年3月7日：[TensorFlow 2.0 Alpha](https:\u002F\u002Fwww.tensorflow.org\u002Falpha)\n- 2019年1月11日：[TensorFlow r2.0 预览版](https:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fr2.0\u002Fapi_docs\u002Fpython\u002Ftf)\n- 2018年8月14日：[TensorFlow 2.0 即将发布](https:\u002F\u002Fgroups.google.com\u002Fa\u002Ftensorflow.org\u002Fforum\u002F#!topic\u002Fdiscuss\u002Fbgug1G6a89A)\n\n\n\n# 安装\n\n请确保您使用的是 Python 3.x。\n\n- CPU 版本安装\n```python\npip install tensorflow -U\n```\n\n- GPU 版本安装\n\n请自行安装 `CUDA 10.0`（或更高版本）和 `cudnn`，并设置好 `LD_LIBRARY_PATH`。\n\n```python\npip install tensorflow-gpu  -U\n```\n\n安装测试：\n```python\nIn [2]: import tensorflow  as tf\n\nIn [3]: tf.__version__\nOut[3]: '2.0.0'\nIn [4]: tf.test.is_gpu_available()\n...\ntotalMemory: 3.95GiB freeMemory: 3.00GiB\n...\nOut[4]: True\n\n```\n\n \n\n\n# 配套TF2视频教程\n\n\u003Cp align=\"center\">\n  \u003Ca href=\"https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=dca16f8fd11a4525bac8c89f779b2cfa\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_43d3b049bd63.png\" width=\"400\">\n  \u003C\u002Fa>\n  \n  \u003Ca href=\"https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=dca16f8fd11a4525bac8c89f779b2cfa\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_0cf6a2f359e1.png\">\n  \u003C\u002Fa>\n\u003C\u002Fp> \n\nTensorFlow 2.0的视频教程链接：[深度学习与TensorFlow 2实战](https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=dca16f8fd11a4525bac8c89f779b2cfa)\n\n\n# 致谢\n- 爱可可-爱生活 友情推荐 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_readme_46ae04879f19.jpg)\n\n\n# 包含内容\n\n- TensorFlow 2.0 概述\n- TensorFlow 2.0 基本用法\n- 线性回归\n- MNIST、FashionMNIST\n- CIFAR10\n- 全连接层\n- VGG16\n- Inception 网络\n- ResNet18\n- 简单 RNN\n- LSTM\n- ColorBot\n- 自编码器\n- 变分自编码器\n- DCGAN\n- CycleGAN\n- WGAN\n- Pixel2Pixel\n- Faster RCNN\n- A2C\n- GPT\n- BERT\n- GCN\n\n欢迎提交 **PR** 请求，让这个仓库更加完善！\n\n\n# 参考仓库。\n\n我们的工作并非从零开始。非常感谢以下开源项目！\n\n- https:\u002F\u002Fgithub.com\u002Fmadalinabuzau\u002Ftensorflow-eager-tutorials\n- https:\u002F\u002Fgithub.com\u002Fherbiebradley\u002FCycleGAN-Tensorflow\n- https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fblob\u002Fmaster\u002Ftensorflow\u002Fcontrib\u002Feager\u002Fpython\u002Fexamples\u002Fpix2pix\u002Fpix2pix_eager.ipynb\n- https:\u002F\u002Fgithub.com\u002Fmoono\u002Ftf-eager-on-GAN\n- https:\u002F\u002Fgithub.com\u002FViredery\u002Ftf-eager-fasterrcnn\n- https:\u002F\u002Fgithub.com\u002Fgithub\u002Fgitignore\u002Fblob\u002Fmaster\u002FPython.gitignore","# TensorFlow 2.x Tutorials 快速上手指南\n\n本仓库是 **#PoweredByTF 2.0 Challenge** 的获奖项目，提供了从基础线性回归到 BERT、GPT、CycleGAN 等前沿模型的完整 TensorFlow 2.0 实战教程。\n\n## 环境准备\n\n- **操作系统**：Linux, macOS, Windows\n- **Python 版本**：必须使用 **Python 3.x**\n- **硬件要求**：\n  - **CPU 模式**：无特殊要求\n  - **GPU 模式**（推荐）：需自行安装 **CUDA 10.0** (或更高版本) 及 **cudnn**，并正确配置 `LD_LIBRARY_PATH` 环境变量。\n\n> **国内加速建议**：在安装依赖时，建议使用清华或阿里镜像源以提升下载速度。\n> 例如：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple ...`\n\n## 安装步骤\n\n### 1. CPU 版本安装\n适用于无独立显卡或仅需调试代码的场景。\n\n```bash\npip install tensorflow -U\n```\n\n*国内镜像加速版：*\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow -U\n```\n\n### 2. GPU 版本安装\n适用于需要利用显卡加速训练的场景（请确保已预先安装好 CUDA 和 cuDNN）。\n\n```bash\npip install tensorflow-gpu -U\n```\n\n*国内镜像加速版：*\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow-gpu -U\n```\n\n### 3. 验证安装\n运行以下 Python 代码检查版本及 GPU 可用性：\n\n```python\nIn [2]: import tensorflow as tf\n\nIn [3]: tf.__version__\nOut[3]: '2.0.0'\n\nIn [4]: tf.test.is_gpu_available()\n...\ntotalMemory: 3.95GiB freeMemory: 3.00GiB\n...\nOut[4]: True\n```\n若 `Out[4]` 返回 `True`，则说明 GPU 环境配置成功。\n\n## 基本使用\n\n本仓库涵盖了丰富的示例，从基础的 **Linear Regression**、**MNIST** 分类，到复杂的 **ResNet18**、**BERT** 和 **GPT** 模型。\n\n最简单的使用方式是克隆仓库后，直接运行对应的 `.py` 或 `.ipynb` 文件。以下是一个基于 TensorFlow 2.0 基础用法的极简示例逻辑（参考仓库中的 `Basic Usage` 章节）：\n\n```python\nimport tensorflow as tf\n\n# 1. 定义简单模型 (Sequential API)\nmodel = tf.keras.Sequential([\n    tf.keras.layers.Dense(64, activation='relu', input_shape=(784,)),\n    tf.keras.layers.Dropout(0.2),\n    tf.keras.layers.Dense(10, activation='softmax')\n])\n\n# 2. 编译模型\nmodel.compile(optimizer='adam',\n              loss='sparse_categorical_crossentropy',\n              metrics=['accuracy'])\n\n# 3. 准备数据 (以 MNIST 为例)\n(x_train, y_train), _ = tf.keras.datasets.mnist.load_data()\nx_train = x_train.reshape(-1, 784).astype('float32') \u002F 255.0\n\n# 4. 训练模型\nmodel.fit(x_train, y_train, epochs=5, batch_size=32)\n```\n\n更多进阶案例（如 VGG16, CycleGAN, Faster RCNN 等）请直接查看仓库根目录下的对应脚本文件。配合官方推荐的 [深度学习与 TensorFlow 2 实战视频教程](https:\u002F\u002Fstudy.163.com\u002Fcourse\u002FcourseMain.htm?share=2&shareId=480000001847407&courseId=1209092816&_trace_c_p_k2_=dca16f8fd11a4525bac8c89f779b2cfa) 学习效果更佳。","某初创公司的算法工程师团队需要在两周内从零构建一个基于深度学习的医疗影像辅助诊断原型，涵盖病灶检测（FasterRCNN）和病理报告生成（BERT\u002FGPT）功能。\n\n### 没有 TensorFlow-2.x-Tutorials 时\n- **环境配置耗时过长**：团队成员需自行摸索 TF 2.0 的 GPU 环境搭建与版本兼容性，常因 `cudnn` 配置错误导致数天无法运行代码。\n- **模型架构复现困难**：面对 FasterRCNN 或 BERT 等复杂网络，缺乏标准化的 TF 2.x 实现参考，只能强行移植 TF 1.x 旧代码，导致调试成本极高。\n- **学习曲线陡峭**：新手成员难以理解 TF 2.0 的 Eager Execution 新特性，在编写自定义训练循环时频繁报错，严重拖慢项目进度。\n- **缺乏实战基准**：没有权威的对比实验代码，团队无法快速验证数据预处理流程是否正确，模型效果难以评估。\n\n### 使用 TensorFlow-2.x-Tutorials 后\n- **一键启动开发**：直接复用仓库中经过验证的安装脚本和环境测试代码，团队在半天内即可完成所有开发机的 GPU 环境部署。\n- **架构快速落地**：直接调用仓库中现成的 FasterRCNN 和 BERT 示例代码作为基线，仅需替换医疗数据集即可运行，将模型搭建时间从周缩短至小时。\n- **平滑过渡新特性**：通过参考 Linear Regression 到 GAN 的渐进式教程，成员迅速掌握了 TF 2.0 的 API 规范，代码编写效率显著提升。\n- **拥有可靠基准**：利用 MNIST 和 CIFAR10 的标准跑通流程先验证管道，再迁移至医疗数据，确保了数据处理逻辑的准确性，减少了无效迭代。\n\nTensorFlow-2.x-Tutorials 通过提供全覆盖的实战代码库，将团队从繁琐的环境配置和底层架构复现中解放出来，使其能专注于核心业务逻辑的创新与落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdragen1860_TensorFlow-2.x-Tutorials_481f85bb.gif","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},"Jupyter Notebook","#DA5B0B",93.3,{"name":85,"color":86,"percentage":87},"Python","#3572A5",6.7,6368,2204,"2026-04-16T10:11:42","未说明","可选（支持 CPU 和 GPU 模式）。若使用 GPU，需 NVIDIA 显卡，具体型号和显存大小取决于运行的模型（测试示例显示 3.95GiB 显存可用），必须手动安装 CUDA 10.0 或更高版本以及 cuDNN，并配置 LD_LIBRARY_PATH 环境变量。",{"notes":94,"python":95,"dependencies":96},"该仓库主要提供 TensorFlow 2.0 的教程代码。GPU 环境下需要用户自行安装 CUDA 和 cuDNN 驱动，并正确设置系统环境变量（LD_LIBRARY_PATH）。CPU 版本可直接通过 pip 安装 tensorflow。","3.x",[97,98,99,100],"tensorflow>=2.0.0","tensorflow-gpu>=2.0.0 (如需 GPU 支持)","CUDA>=10.0","cuDNN",[14,35,15],[103,104,105,106,107,108,109,110,111,112],"tensorflow","tensorflow-examples","tensorflow-tutorials","tensorflow-2","deep-learning","machine-learning","computer-vision","nlp","artificial-intelligence","neural-network","2026-03-27T02:49:30.150509","2026-04-20T04:04:15.498570",[116,121,126,131,136,141,146,151],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},43489,"该项目后续还会有新的内容或项目更新吗？","是的，项目计划继续更新新内容。不过目前维护者比较忙碌，更新可能会在稍后进行。用户可以关注仓库动态以获取最新通知。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F36",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},43482,"运行训练脚本时遇到 InvalidArgumentError 报错，如何判断数据是否有效或解决该问题？","这通常是因为初始化模型时使用的图片数据有问题。解决方法是更换一张图片来初始化模型。具体代码中可以通过修改数据集索引来换图，例如：`img, img_meta, bboxes, labels = train_dataset[6]`，确保加载的图片数据格式正确且非空。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F52",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},43483,"运行 Pixel2Pixel 项目时报错 'No such file or directory: images\u002Fepoch0.png' 怎么办？","这是因为程序试图保存图像到 'images' 文件夹，但该文件夹不存在。请在运行脚本前手动创建该目录：`mkdir images`。此外，请确保使用 Python 3.x 版本运行，避免兼容性问题。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F9",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},43484,"引入 tensorflow.keras 模块时 Pylint 报错，但程序实际能运行，如何解决？","这通常是 Pylint 静态检查工具的问题，而非代码错误。如果程序能正常运行，可以忽略该警告。若需消除警告，可尝试将导入语句改为 `from tensorflow_core.python.keras.api._v2.keras import layers, optimizers, datasets`。另外，确保在安装 tensorflow 后也安装了 keras 包（如在 Anaconda 中执行 `conda install keras`）。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F46",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},43485,"构建数据集管道时，repeat() 和 batch() 的操作顺序应该是怎样的？","通常建议先进行 `repeat()` 再进行 `batch()`，或者根据具体需求调整。不同的顺序会导致输出数据的分布差异（例如 epoch 边界处的行为不同）。详细的技术讨论和差异对比可以参考 StackOverflow 的相关解答：https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F49915925\u002Foutput-differences-when-changing-order-of-batch-shuffle-and-repeat","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F23",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},43486,"教程中的章节编号（如 4-11）缺失了，是内容遗漏吗？","不是内容遗漏。这些编号（如 4-11）只是留空的占位符，没有实际含义，可以直接忽略。教程内容是完整的，未被跳过的章节即为全部可用内容。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F17",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},43487,"运行 BERT 中英文翻译示例时下载数据集失败或报错，如何处理？","该错误通常发生在 `tensorflow_datasets` 自动下载或解压数据集的过程中。请检查网络连接是否正常，以及本地磁盘空间是否充足。如果是特定数据集（如 wmt_translate）的问题，可以尝试手动下载数据集并放置到指定缓存目录，或者检查 `tensorflow_datasets` 库的版本是否与当前 TensorFlow 版本兼容。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F21",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},43488,"英文教程是否会随中文教程一起更新？","目前维护者正专注于书籍编写，英文教程的更新可能会滞后。维护者表示稍后可能会改进部分教程，但暂无明确的同步更新计划。建议优先参考更新更频繁的中文教程。","https:\u002F\u002Fgithub.com\u002Fdragen1860\u002FTensorFlow-2.x-Tutorials\u002Fissues\u002F38",[]]