[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-fastai--course-v3":3,"tool-fastai--course-v3":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",154349,2,"2026-04-13T23:32:16",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":116,"forks":117,"last_commit_at":118,"license":119,"difficulty_score":32,"env_os":76,"env_gpu":120,"env_ram":120,"env_deps":121,"category_tags":125,"github_topics":127,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":134,"updated_at":135,"faqs":136,"releases":167},7362,"fastai\u002Fcourse-v3","course-v3","The 3rd edition of course.fast.ai","course-v3 是 fast.ai 推出的《程序员实用深度学习》课程第三版配套资源，旨在通过实战笔记本帮助学习者快速掌握深度学习核心技能。它提供了一套完整的 Jupyter 笔记，涵盖从基础神经网络到计算机视觉、自然语言处理等前沿应用，让初学者能在代码实践中理解复杂概念。\n\n该项目主要解决了深度学习入门门槛高、理论与实践脱节的问题。通过“自顶向下”的教学法，用户先运行现成模型看到效果，再逐步深入原理，极大降低了学习曲线。需要注意的是，course-v3 专为 fastai1 版本设计，若需使用最新版 fastai 库，建议转向更新的 fastbook 项目。\n\ncourse-v3 特别适合具备一定编程基础的开发者、数据科学家及高校学生使用。对于希望系统构建深度学习知识体系的研究人员，它提供了清晰的代码范例和实验框架；对于想转行 AI 的工程师，则是理想的入门跳板。其独特亮点在于将学术严谨性与工程实用性完美结合，所有案例均基于真实场景数据集，并强调可复现性。课程内容经过全球数万学员验证，被公认为最高效的深度学习入门路径之一。无论你是想快速原型开发，还是夯实理论基础，course-v3","course-v3 是 fast.ai 推出的《程序员实用深度学习》课程第三版配套资源，旨在通过实战笔记本帮助学习者快速掌握深度学习核心技能。它提供了一套完整的 Jupyter 笔记，涵盖从基础神经网络到计算机视觉、自然语言处理等前沿应用，让初学者能在代码实践中理解复杂概念。\n\n该项目主要解决了深度学习入门门槛高、理论与实践脱节的问题。通过“自顶向下”的教学法，用户先运行现成模型看到效果，再逐步深入原理，极大降低了学习曲线。需要注意的是，course-v3 专为 fastai1 版本设计，若需使用最新版 fastai 库，建议转向更新的 fastbook 项目。\n\ncourse-v3 特别适合具备一定编程基础的开发者、数据科学家及高校学生使用。对于希望系统构建深度学习知识体系的研究人员，它提供了清晰的代码范例和实验框架；对于想转行 AI 的工程师，则是理想的入门跳板。其独特亮点在于将学术严谨性与工程实用性完美结合，所有案例均基于真实场景数据集，并强调可复现性。课程内容经过全球数万学员验证，被公认为最高效的深度学习入门路径之一。无论你是想快速原型开发，还是夯实理论基础，course-v3 都能提供扎实支持。","# course-v3\nThe 3rd edition Practical Deep Learning for Coders. See the `nbs` folder for the notebooks. You need to use [fastai1](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai1) with these notebooks - the latest version of fastai will not work.\n\nNote that this repo is not the latest version of Part 1 of the course. For the latest version (which works correctly with the latest version of fastai), [click here](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastbook).\n","# course-v3\n《程序员实用深度学习》第3版。笔记本文件位于 `nbs` 文件夹中。请务必使用 [fastai1](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai1) 来运行这些笔记本——最新版本的 fastai 不兼容。\n\n请注意，此仓库并非课程第一部分的最新版本。如需最新版本（可与最新版 fastai 正常配合使用），请[点击此处](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastbook)。","# course-v3 快速上手指南\n\n## 环境准备\n\n- **系统要求**：支持 Linux、macOS 或 Windows（建议使用 WSL2）。\n- **Python 版本**：推荐 Python 3.6 - 3.8。\n- **核心依赖**：本项目必须搭配 **fastai v1** 使用，**不兼容** 最新的 fastai v2 及以上版本。\n- **前置知识**：具备基础的 Python 编程能力，熟悉 Jupyter Notebook 操作。\n\n> **注意**：请勿安装最新版 `fastai`，否则会导致代码运行错误。\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Ffastai\u002Fcourse-v3.git\n   cd course-v3\n   ```\n\n2. **创建虚拟环境并安装 fastai v1**\n   为了确保环境隔离且版本正确，建议使用 `conda` 或 `venv`。以下以 `pip` 为例（国内用户可替换为清华源加速）：\n\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n   \n   # 使用国内镜像源安装 fastai v1 (最后一版)\n   pip install fastai==1.0.61 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n3. **安装其他必要依赖**\n   进入 `nbs` 目录检查是否有额外的 `requirements.txt`，通常 fastai v1 已包含核心依赖，若需绘图或数据处理可补充安装：\n   ```bash\n   pip install jupyter matplotlib pandas -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n1. **启动 Jupyter Notebook**\n   在项目根目录下运行：\n   ```bash\n   jupyter notebook\n   ```\n\n2. **打开课程笔记**\n   在浏览器中进入 `nbs` 文件夹，选择任意 `.ipynb` 文件（例如 `lesson1.ipynb`）开始学习。\n\n3. **运行示例代码**\n   在 Notebook 单元格中执行以下代码以验证环境配置是否正确：\n   ```python\n   from fastai.basics import *\n   print(fastai.__version__)\n   ```\n   若输出 `1.0.61` 或类似 v1 版本号，则环境配置成功；若报错或版本不符，请重新检查安装步骤。\n\n4. **开始实践**\n   按照 `nbs` 文件夹中的笔记本顺序，逐步运行代码块进行深度学习实践。所有数据下载和模型训练指令均已内置在笔记本中。","一位刚接触深度学习的 Python 开发者，试图复现经典的图像分类模型以完成公司内部的缺陷检测原型，却因框架版本迭代过快而陷入环境配置的泥潭。\n\n### 没有 course-v3 时\n- **环境依赖冲突**：盲目安装最新的 fastai 库，导致代码中调用的 API 与当前版本不兼容，报错信息晦涩难懂，调试耗时数天。\n- **学习资源断层**：网上的教程多基于旧版语法或理论推导，缺乏与特定代码版本严格对应的可运行笔记本，难以将理论转化为实际代码。\n- **数据预处理繁琐**：需要手动编写大量样板代码来处理数据增强、归一化和批次加载，容易在细节上出错且效率低下。\n- **模型训练黑盒**：不清楚如何正确设置学习率_finder 或冻结层策略，导致模型无法收敛或过拟合，只能凭感觉调整参数。\n\n### 使用 course-v3 后\n- **版本精准匹配**：直接沿用课程指定的 fastai1 环境配置，确保 `nbs` 文件夹中的每一个笔记本都能无缝运行，彻底消除版本兼容性报错。\n- **代码即教材**：通过逐步拆解提供的 Jupyter 笔记本，直接在可执行的代码单元格中学习从数据加载到模型评估的全流程，实现“所见即所得”。\n- **高阶封装提效**：利用 fastai1 的高级 API 仅需几行代码即可完成复杂的数据管道构建和增强策略，将精力集中在业务逻辑而非底层实现。\n- **最佳实践内嵌**：笔记本中内置了经过验证的学习率调度器和训练技巧，让初学者也能轻松复现出高精度的工业级模型效果。\n\ncourse-v3 通过提供与特定框架版本严格绑定的实战代码库，让开发者跨越了理论到落地的鸿沟，将原本数周的环境摸索期缩短为几小时的高效学习。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffastai_course-v3_6e7f5f6f.png","fastai","fast.ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffastai_50edd66d.png","",null,"fastdotai","https:\u002F\u002Ffast.ai","https:\u002F\u002Fgithub.com\u002Ffastai",[82,86,90,94,97,101,104,107,110,113],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",98.5,{"name":87,"color":88,"percentage":89},"Swift","#F05138",1.3,{"name":91,"color":92,"percentage":93},"Python","#3572A5",0.1,{"name":95,"color":96,"percentage":93},"C++","#f34b7d",{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",0,{"name":102,"color":103,"percentage":100},"C","#555555",{"name":105,"color":106,"percentage":100},"Shell","#89e051",{"name":108,"color":109,"percentage":100},"CMake","#DA3434",{"name":111,"color":112,"percentage":100},"HTML","#e34c26",{"name":114,"color":115,"percentage":100},"CSS","#663399",4920,3493,"2026-04-13T11:34:53","Apache-2.0","未说明",{"notes":122,"python":120,"dependencies":123},"必须使用 fastai1 版本，最新版的 fastai 无法运行此项目的 Notebook。此仓库并非课程第一部分（Part 1）的最新版本；如需使用最新版 fastai 的课程内容，请参考 fastbook 仓库。",[124],"fastai1",[16,14,126],"其他",[128,73,129,130,131,132,133],"data-science","deep-learning","pytorch","machine-learning","machine-learning-courses","mooc","2026-03-27T02:49:30.150509","2026-04-14T12:27:57.044473",[137,142,147,152,157,162],{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},33059,"运行 Lesson 1 笔记本时出现错误：'[sprintf] expecting number but found string'，导致笔记本无法加载，如何解决？","该问题通常由 Jupyter Notebook 版本过低或 notebook 文件中的执行计数为 null 引起。解决方案有两种：\n1. 升级 Jupyter Notebook 到 5.7.0 或更高版本。可以使用 pip 安装：`pip install notebook==5.7.0`，或者使用 conda 安装：`conda install notebook=5.7.0`。\n2. 如果不想升级，可以运行以下 Perl 命令将 notebook 文件中的 'null' 替换为数字 1：`perl -pi -e 's|execution_count\": null|execution_count\": 1|g' nbs\u002Fdl1\u002F*ipynb`。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Fcourse-v3\u002Fissues\u002F64",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},33060,"在 Lesson 2 中运行 ImageCleaner 时没有显示预期的图像清理窗口，而是输出了文本描述（如 HBox, VBox 等），怎么办？","这通常是因为 Jupyter 的交互式 widgets 扩展未启用。请在终端中运行以下命令来启用它：\n`jupyter nbextension enable --py widgetsnbextension`\n运行后重启 Jupyter Notebook 即可正常显示图像清理界面。注意：此功能可能在 Google Colab 中不受支持或需要额外配置。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Fcourse-v3\u002Fissues\u002F188",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},33061,"如何在没有 GPU 的机器（如笔记本电脑）上加载在 GPU 上训练并导出的 fastai 模型？","如果在 GPU 上导出模型后直接在无 GPU 设备上加载，会报错 'Attempting to deserialize object on a CUDA device...'。解决方法是在导出模型前，先将模型移动到 CPU：\n1. 在训练环境中执行：`learn.model = learn.model.cpu()`\n2. 然后导出：`learn.export()`\n3. 在无 GPU 设备上直接加载：`l = load_learner(path=Path('.\u002F'))`，此时无需设置 `defaults.device`。\n注意：即使设置了 `defaults.device = torch.device('cpu')` 再加载，有时仍可能占用少量 GPU 内存，因此推荐在导出前转换设备。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Fcourse-v3\u002Fissues\u002F145",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},33062,"在 Lesson 3 IMDB 示例中运行 label_from_folder 时出现 'TypeError: bool object is not callable' 错误，如何解决？","该错误通常是因为数据目录中存在不在指定类别列表中的子文件夹（例如 'unsup' 文件夹），干扰了标签提取过程。\n解决方法：暂时将训练集（train）或测试集（test）文件夹中除了目标类别（如 'neg' 和 'pos'）以外的其他子文件夹（如 'unsup'）移动到其他位置。确保 train 和 test 文件夹下只包含定义的类别文件夹，然后再运行代码，错误即可消除。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Fcourse-v3\u002Fissues\u002F117",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},33063,"运行 Lesson 3 CamVid 示例进行 lr_find 时遇到 'cuda runtime error (59): device-side assert triggered' 错误，可能的原因是什么？","这个错误通常与标签索引不匹配有关。在语义分割任务中，类别标签必须是连续的整数，从 0 开始（例如 [0, 1, 2, 3...]）。\n请检查你的数据标签：\n1. 确保标签值是从 0 开始的连续整数。\n2. 如果标签是 [1, 2, 3] 或其他非零起始值，会导致越界访问从而触发 device-side assert。\n3. 如果标签是字符串名称（如 'Animal', 'Archway'），必须将其映射为从 0 开始的整数索引。\n修正标签编码后重新运行即可解决。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Fcourse-v3\u002Fissues\u002F46",{"id":163,"question_zh":164,"answer_zh":165,"source_url":166},33064,"SageMaker CloudFormation 堆栈启动失败，Notebook Instance 状态一直显示 Pending 然后变为 Failed，如何处理？","这通常是由于 SageMaker Notebook Instance 的生命周期配置（Lifecycle Config）脚本执行失败或超时导致的。\n建议排查步骤：\n1. 检查 AWS CloudFormation 控制台中的事件日志，查看具体的失败原因。\n2. 检查关联的 Lifecycle Configuration 脚本是否有语法错误或依赖包安装超时。\n3. 尝试暂时移除 Lifecycle Config 关联，看是否能正常启动实例。\n4. 确保脚本中使用的源（如 pip 包、git 仓库）在当前网络环境下可访问。\n由于具体错误信息被截断，需结合 AWS 控制台的详细报错日志进行针对性修复。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Fcourse-v3\u002Fissues\u002F518",[]]