[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-dvgodoy--dl-visuals":3,"tool-dvgodoy--dl-visuals":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",159636,2,"2026-04-17T23:33:34",[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":76,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":76,"stars":80,"forks":81,"last_commit_at":82,"license":83,"difficulty_score":84,"env_os":85,"env_gpu":86,"env_ram":86,"env_deps":87,"category_tags":90,"github_topics":91,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":97,"updated_at":98,"faqs":99,"releases":100},8966,"dvgodoy\u002Fdl-visuals","dl-visuals","Over 200 figures and diagrams of the most popular deep learning architectures and layers FREE TO USE in your blog posts, slides, presentations, or papers.","dl-visuals 是一个专为深度学习领域打造的开源可视化素材库，收录了超过 215 张高质量的技术图表与架构图。它涵盖了从基础的激活函数、卷积操作、梯度下降，到前沿的 Transformer、BERT、注意力机制等共计 23 个核心类别，几乎囊括了当前最流行的深度学习架构与层级细节。\n\n在撰写技术博客、制作学术幻灯片、准备会议演讲或发表论文时，清晰且专业的图示往往难以绘制，耗时耗力。dl-visuals 正是为了解决这一痛点而生，让用户无需从零开始绘图，即可直接获取风格统一、逻辑清晰的现成素材。这些图片源自作者出版的 PyTorch 深度学习指南，确保了内容的准确性与专业性。\n\n该资源非常适合 AI 研究人员、数据科学家、技术讲师以及需要展示深度学习原理的开发者使用。其最大的亮点在于宽松的授权协议：所有素材均基于 CC BY 4.0 许可发布，意味着用户可以免费将其用于个人甚至商业项目中，只需在引用时注明出处即可。无论是解释复杂的神经网络结构，还是演示算法流程，dl-visuals 都能帮助用户高效提升文档与演示的视觉表现力，让技术表达更加直观易懂。","# Deep Learning Visuals\n\nShield: [![CC BY 4.0][cc-by-shield]][cc-by]\n\nThis repository was inspired by the [ML Visuals](https:\u002F\u002Fgithub.com\u002Fdair-ai\u002Fml-visuals) repository maintained by [dair.ai](https:\u002F\u002Fdair.ai\u002F).\n\n**Deep Learning Visuals** contains **215 unique images** divided in **23 categories** (some images may appear in more than one category). All the images were originally published in my book [\"Deep Learning with PyTorch Step-by-Step: A Beginner's Guide\"](https:\u002F\u002Fleanpub.com\u002Fpytorch).\n\n## Can I Freely Use These Images?\n\nSure, these images can be FREELY USED in your own blog posts, slides, presentations, or papers under the CC-BY license.\n\n## Awesome, where are they?\n\nYou can easily navigate through the pages and indices, and click on the desired image to visualize it in full size:\n\n- [Activation Functions](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FActivation%20Functions)\n- [Architectures](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FArchitectures)\n- [Assorted](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FAssorted)\n- [Attention](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FAttention)\n- [Batch Norm](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FBatchNorm)\n- [BERT](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FBERT)\n- [Classification](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FClassification)\n- [Convolutions](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FConvolutions)\n- [Decoder](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FDecoder)\n- [Dropout](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FDropout)\n- [ELMo](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FELMo)\n- [Encoder](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FEncoder)\n- [Feed-Forward Networks](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FFeed-Forward%20Networks)\n- [Gradient Descent](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FGradient%20Descent)\n- [Initializations and Gradient Clipping](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FInitializations%20and%20Clipping)\n- [LayerNorm](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FLayerNorm)\n- [Optimizers and Schedulers](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FOptimizers%20and%20Schedulers)\n- [Patch Embeddings](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FPatch%20Embeddings)\n- [Positional Encoding](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FPositional%20Encoding)\n- [RNNs](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FRNNs)\n- [Seq2Seq](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FSeq2Seq)\n- [Transformers](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FTransformers)\n\n## How Can I Use Them?\n\n**DISCLAIMER: this is NOT legal advice, you should always read the license yourself!**\n\nIn a nutshell, you're allowed to use (or adapt) these images in your own materials, even for commercial purposes, as long as you attribute it.\n\nHere is a quick guide on [Best Practices for Attribution](https:\u002F\u002Fwiki.creativecommons.org\u002Fwiki\u002Fbest_practices_for_attribution).\n\nHere are some examples of both images and attributions:\n\n### Logistic Regression\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdvgodoy_dl-visuals_readme_b96b5c54c806.png)\n\nImage by [dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals) \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)\n\n### RNN\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdvgodoy_dl-visuals_readme_745b78bab4aa.png)\nImage by [dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals) \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)\n\n### Transformer\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdvgodoy_dl-visuals_readme_e191f1b93337.png)\nImage by [dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals) \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)\n\nThis work is licensed under a\n[Creative Commons Attribution 4.0 International License][cc-by].\n\n[![CC BY 4.0][cc-by-image]][cc-by]\n\n[cc-by]: http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F\n[cc-by-image]: https:\u002F\u002Fi.creativecommons.org\u002Fl\u002Fby\u002F4.0\u002F88x31.png\n[cc-by-shield]: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-CC%20BY%204.0-lightgrey.svg","# 深度学习可视化\n\n盾牌：[![CC BY 4.0][cc-by-shield]][cc-by]\n\n本仓库灵感来源于由[dair.ai](https:\u002F\u002Fdair.ai\u002F)维护的[ML Visuals](https:\u002F\u002Fgithub.com\u002Fdair-ai\u002Fml-visuals)仓库。\n\n**深度学习可视化** 包含 **215张独特图片**，分为 **23个类别**（部分图片可能出现在多个类别中）。所有图片最初发表在我的书籍《使用 PyTorch 的深度学习：循序渐进——初学者指南》（[Leanpub](https:\u002F\u002Fleanpub.com\u002Fpytorch)）中。\n\n## 我可以自由使用这些图片吗？\n\n当然可以！在 CC-BY 许可下，您可以在自己的博客文章、幻灯片、演示文稿或论文中自由使用这些图片。\n\n## 太好了，它们在哪里呢？\n\n您可以轻松浏览各个页面和索引，点击所需的图片即可查看其完整尺寸：\n\n- [激活函数](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FActivation%20Functions)\n- [架构](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FArchitectures)\n- [杂项](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FAssorted)\n- [注意力机制](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FAttention)\n- [批归一化](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FBatchNorm)\n- [BERT](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FBERT)\n- [分类](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FClassification)\n- [卷积](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FConvolutions)\n- [解码器](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FDecoder)\n- [Dropout](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FDropout)\n- [ELMo](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FELMo)\n- [编码器](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FEncoder)\n- [前馈网络](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FFeed-Forward%20Networks)\n- [梯度下降](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FGradient%20Descent)\n- [初始化与梯度裁剪](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FInitializations%20and%20Clipping)\n- [层归一化](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FLayerNorm)\n- [优化器与调度器](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FOptimizers%20and%20Schedulers)\n- [补丁嵌入](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FPatch%20Embeddings)\n- [位置编码](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FPositional%20Encoding)\n- [RNN](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FRNNs)\n- [序列到序列](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FSeq2Seq)\n- [Transformer](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002FTransformers)\n\n## 我该如何使用它们？\n\n**免责声明：这并非法律建议，您应始终自行阅读许可协议！**\n\n简而言之，只要您进行署名，就可以在自己的材料中使用（或改编）这些图片，甚至用于商业目的。以下是关于[署名最佳实践](https:\u002F\u002Fwiki.creativecommons.org\u002Fwiki\u002Fbest_practices_for_attribution)的快速指南。以下是一些图片及其署名示例：\n\n### 逻辑回归\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdvgodoy_dl-visuals_readme_b96b5c54c806.png)\n\n图片由[dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals)提供 \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)\n\n### RNN\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdvgodoy_dl-visuals_readme_745b78bab4aa.png)\n图片由[dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals)提供 \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)\n\n### Transformer\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdvgodoy_dl-visuals_readme_e191f1b93337.png)\n图片由[dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals)提供 \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)\n\n本作品采用\n[知识共享署名 4.0 国际许可协议](http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)授权。\n\n[![CC BY 4.0][cc-by-image]][cc-by]\n\n[cc-by]: http:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F\n[cc-by-image]: https:\u002F\u002Fi.creativecommons.org\u002Fl\u002Fby\u002F4.0\u002F88x31.png\n[cc-by-shield]: https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-CC%20BY%204.0-lightgrey.svg","# dl-visuals 快速上手指南\n\n**dl-visuals** 是一个包含 215 张独特深度学习示意图的开源资源库，涵盖 23 个类别（如激活函数、Transformer 架构、卷积等）。这些图片源自书籍《Deep Learning with PyTorch Step-by-Step》，采用 **CC BY 4.0** 协议，允许在博客、幻灯片、论文甚至商业项目中免费使用和改编，只需注明出处。\n\n> **注意**：本项目为静态图片资源库，无需安装任何软件包或配置运行环境。\n\n## 环境准备\n\n- **系统要求**：无特殊要求，支持任何能访问互联网的操作系统（Windows, macOS, Linux）。\n- **前置依赖**：\n  - 现代网页浏览器（Chrome, Firefox, Edge 等）用于浏览和下载图片。\n  - （可选）Git 命令行工具，用于克隆仓库获取高清原图。\n\n## 安装步骤\n\n由于本项目是资源集合而非可执行代码库，您有两种方式使用：\n\n### 方式一：在线浏览与下载（推荐）\n直接访问官方托管页面，按分类查找并右键保存图片：\n- 访问地址：[https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002F](https:\u002F\u002Fdvgodoy.github.io\u002Fdl-visuals\u002F)\n\n### 方式二：本地克隆仓库\n如需批量获取所有高清原图，可使用 Git 克隆：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals.git\n```\n\n*国内用户若遇到连接缓慢，可尝试使用镜像加速：*\n```bash\ngit clone https:\u002F\u002Fgitee.com\u002Fmirrors\u002Fdl-visuals.git\n```\n*(注：若 Gitee 镜像不可用，请回退至官方 GitHub 地址)*\n\n## 基本使用\n\n### 1. 浏览与检索\n进入在线页面后，点击左侧或顶部的分类链接（如 **Transformers**, **RNNs**, **Convolutions**）即可查看对应领域的示意图。点击图片可全屏查看。\n\n### 2. 在文档中使用\n下载图片后，可直接插入您的 Markdown、PPT 或 LaTeX 文档中。\n\n**引用规范（必须）：**\n根据 CC BY 4.0 协议，使用时必须保留以下格式的署名：\n\n> Image by [dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals) \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)\n\n**使用示例（Markdown）：**\n\n```markdown\n![Logistic Regression Model](.\u002FClassification\u002Flogistic_model.png)\n*Image by [dvgodoy](https:\u002F\u002Fgithub.com\u002Fdvgodoy\u002Fdl-visuals) \u002F [CC BY](https:\u002F\u002Fcreativecommons.org\u002Flicenses\u002Fby\u002F4.0\u002F)*\n```\n\n**使用示例（PPT\u002F论文脚注）：**\n在图片下方或页脚标注：`Source: dvgodoy\u002Fdl-visuals (CC BY 4.0)`","一位人工智能研究员正在撰写关于 Transformer 架构的技术博客，并准备在下周的行业会议上进行演讲汇报。\n\n### 没有 dl-visuals 时\n- **绘图耗时极长**：为了准确展示注意力机制（Attention）和编码器 - 解码器结构，不得不花费数小时使用 PPT 或专业绘图软件从头绘制，反复调整线条与配色。\n- **风格难以统一**：不同章节的示意图由不同工具拼凑而成，导致字体、箭头样式和色彩体系杂乱，严重降低文档的专业度。\n- **版权风险隐患**：直接从网络搜索引用的架构图往往缺乏明确授权，在商业演讲或出版论文中面临潜在的侵权纠纷。\n- **概念表达吃力**：对于位置编码（Positional Encoding）或补丁嵌入（Patch Embeddings）等抽象概念，难以用简洁直观的图形向非专家听众解释清楚。\n\n### 使用 dl-visuals 后\n- **即取即用高效**：直接从 23 个分类中下载现成的 Transformer 全架构图和注意力模块图，将原本几天的绘图工作缩短至几分钟。\n- **视觉风格专业**：所有插图源自同一套设计体系，色彩和谐、标注清晰，直接提升了博客文章和演示幻灯片的整体质感。\n- **合规安心无忧**：基于 CC BY 协议免费商用，只需在页脚简单标注来源，即可合法放心地用于公开演讲和技术出版物。\n- **沟通化繁为简**：利用其标准化的分层图解，轻松将复杂的梯度裁剪或归一化层原理可视化，让听众瞬间理解核心逻辑。\n\ndl-visuals 通过提供高质量、免版权的深度学习图谱库，让技术人员从繁琐的绘图中解放出来，专注于核心内容的创作与传播。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdvgodoy_dl-visuals_b96b5c54.png","dvgodoy","Daniel Voigt Godoy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdvgodoy_618ef895.jpg","Data scientist, developer, teacher and writer.\r\n\r\nAuthor of \"Deep Learning with PyTorch Step-by-Step: A Beginner's Guide\".",null,"Portugal","https:\u002F\u002Fpytorchstepbystep.com","https:\u002F\u002Fgithub.com\u002Fdvgodoy",1524,131,"2026-04-16T14:46:46","CC-BY-4.0",1,"","未说明",{"notes":88,"python":86,"dependencies":89},"该工具并非可运行的软件代码库，而是一个包含 215 张深度学习相关图片的静态资源集合（采用 CC BY 4.0 许可）。用户无需安装任何运行环境、GPU、Python 或依赖库，直接通过浏览器访问提供的网页链接即可查看和下载图片用于博客、幻灯片或论文中。",[],[14],[92,93,94,95,96],"deep-learning","neural-networks","design","diagrams","cc-by","2026-03-27T02:49:30.150509","2026-04-18T16:25:48.772312",[],[]]