[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-fastai--fastai_dev":3,"similar-fastai--fastai_dev":103},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":10,"owner_location":10,"owner_email":10,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":57,"forks":58,"last_commit_at":59,"license":60,"difficulty_score":61,"env_os":17,"env_gpu":62,"env_ram":62,"env_deps":63,"category_tags":66,"github_topics":10,"view_count":68,"oss_zip_url":10,"oss_zip_packed_at":10,"status":69,"created_at":70,"updated_at":71,"faqs":72,"releases":102},9773,"fastai\u002Ffastai_dev","fastai_dev","fast.ai early development experiments","fastai_dev 是 fast.ai 团队用于早期开发实验的专用代码仓库。它主要承载了 fastai 深度学习库在正式版本发布前的前沿探索与功能测试，旨在为库的迭代更新提供安全的试验场。通过在此仓库中进行快速原型验证和破坏性测试，团队能够有效隔离不稳定的开发代码，确保主版本库（如 fastai v2）的稳定性和可靠性，从而解决新功能研发过程中可能影响现有用户的问题。\n\n这款工具特别适合对深度学习框架底层实现感兴趣的资深开发者、核心贡献者以及希望追踪最新技术动态的研究人员使用。对于普通用户或仅需稳定环境的应用开发者，建议直接使用成熟的 fastai 正式版本，而非此实验性仓库。fastai_dev 的独特价值在于其作为“创新沙盒”的定位，它允许团队大胆尝试激进的架构调整和新算法集成，而无需担心破坏生产环境的稳定性。这种开发模式不仅加速了 fastai 库的技术演进，也为社区提供了一个观察深度学习框架如何从概念走向成熟的窗口。如果你渴望参与开源贡献或第一时间体验尚未公开的重磅特性，fastai_dev 将是理想的切入点。","# fastai_dev\n\nThis repo is used for fastai development. If you're looking for the version 2 of the fastai library, go [here](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai2).",null,"# fastai_dev 快速上手指南\n\n> **注意**：`fastai_dev` 仓库专用于 **fastai 库的内部开发**。如果您是想使用 fastai v2 进行深度学习开发，请访问 [fastai2 官方仓库](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai2)。本指南仅适用于希望参与 fastai 源码贡献或测试最新开发版的开发者。\n\n## 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\n- **操作系统**：Linux (推荐), macOS, 或 Windows (需 WSL2)\n- **Python 版本**：Python 3.7+\n- **前置依赖**：\n  - `git`\n  - `pip` 或 `conda` (推荐使用 conda 管理环境)\n  - PyTorch (开发版通常依赖最新的 nightly 构建)\n\n建议创建一个独立的虚拟环境以避免依赖冲突：\n\n```bash\nconda create -n fastai-dev python=3.9\nconda activate fastai-dev\n```\n\n## 安装步骤\n\n由于这是开发版本，不建议通过 pip 直接安装，而是需要克隆源码并以可编辑模式安装。\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai_dev.git\n   cd fastai_dev\n   ```\n   *国内加速提示*：如果访问 GitHub 较慢，可使用 Gitee 镜像（如有）或配置 Git 代理。\n\n2. **安装核心依赖**\n   首先安装 PyTorch（根据您的需求选择 CPU 或 GPU 版本）。\n   \n   *使用国内镜像源安装 PyTorch (清华源)*：\n   ```bash\n   pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n   # 若仅需 CPU 版本:\n   # pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu\n   ```\n\n3. **以开发模式安装 fastai_dev**\n   这将链接您的本地代码，修改后立即生效：\n   ```bash\n   pip install -e \".[dev]\"\n   ```\n   或者安装基础运行依赖：\n   ```bash\n   pip install -e .\n   ```\n\n## 基本使用\n\n安装完成后，您可以直接在 Python 中导入并测试开发版功能。以下是一个最简单的验证示例：\n\n```python\nfrom fastai.basics import *\n\n# 验证安装是否成功\nprint(fastai.__version__)\n\n# 创建一个简单的张量测试\nx = tensor([1, 2, 3])\nprint(x + 1)\n```\n\n如果您正在进行源码修改，修改 `.py` 文件后无需重新安装，直接重新运行脚本即可看到变化。开发过程中，请确保运行相关的测试用例以保证代码质量：\n\n```bash\npytest tests\u002Ftest_basics.py\n```","某深度学习团队正尝试复现 fastai 社区最新的实验性模型架构，以验证其在医疗影像分割任务中的潜力。\n\n### 没有 fastai_dev 时\n- 开发者只能等待官方稳定版发布，导致无法及时获取前沿的算法改进和实验代码。\n- 手动从论坛或零散 gist 中拼凑实验性代码，极易因版本不兼容引发难以排查的运行错误。\n- 缺乏统一的测试环境，每次尝试新想法都需要耗费大量时间配置依赖和清理残留文件。\n- 无法直接参与库的早期迭代，发现的 Bug 或优化建议难以快速反馈给核心开发团队。\n\n### 使用 fastai_dev 后\n- 团队可直接拉取包含最新实验功能的代码库，立即在内部数据集上验证前沿架构效果。\n- 依托标准化的开发分支，确保实验代码与当前 fastai 主库的兼容性，大幅降低环境配置成本。\n- 利用内置的开发工具链快速搭建隔离测试环境，实现“想法 - 验证”循环的时间从数天缩短至数小时。\n- 通过提交 Issue 或 PR 直接参与项目演进，将实际业务场景中发现的问题迅速转化为官方修复。\n\nfastai_dev 让研发团队从被动的技术等待者转变为主动的创新参与者，显著加速了从实验原型到生产落地的转化效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffastai_fastai_dev_bc0dd917.png","fastai","fast.ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffastai_50edd66d.png","","fastdotai","https:\u002F\u002Ffast.ai","https:\u002F\u002Fgithub.com\u002Ffastai",[22,26,30,34,38,42,45,48,51,54],{"name":23,"color":24,"percentage":25},"Jupyter Notebook","#DA5B0B",96.9,{"name":27,"color":28,"percentage":29},"Swift","#F05138",1.5,{"name":31,"color":32,"percentage":33},"Python","#3572A5",1.4,{"name":35,"color":36,"percentage":37},"C++","#f34b7d",0.1,{"name":39,"color":40,"percentage":41},"Cuda","#3A4E3A",0,{"name":43,"color":44,"percentage":41},"C","#555555",{"name":46,"color":47,"percentage":41},"CMake","#DA3434",{"name":49,"color":50,"percentage":41},"Shell","#89e051",{"name":52,"color":53,"percentage":41},"Smarty","#f0c040",{"name":55,"color":56,"percentage":41},"Makefile","#427819",644,348,"2026-04-07T12:30:05","Apache-2.0",5,"未说明",{"notes":64,"python":62,"dependencies":65},"该仓库仅用于 fastai 库的开发工作，并非 fastai 库本身。如需使用 fastai version 2，请前往指定的 fastai2 仓库。提供的 README 内容中未包含具体的运行环境、依赖库或硬件需求信息。",[],[67],"开发框架",2,"ready_partial","2026-03-27T02:49:30.150509","2026-04-20T04:04:28.407414",[73,78,83,88,93,98],{"id":74,"question_zh":75,"answer_zh":76,"source_url":77},43885,"在 Google Colab 中导入 fastai2 库时遇到 AttributeError: type object 'Image' has no attribute 'size' 错误怎么办？","这通常是由于环境或版本兼容性问题导致的。建议直接使用维护者提供的已配置好的 Colab 笔记本进行学习和测试，以避免环境配置错误。您可以访问以下仓库获取适用于 Fastai2 的 Colab 笔记本：https:\u002F\u002Fgithub.com\u002Fmuellerzr\u002FPractical-Deep-Learning-for-Coders-2.0","https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai_dev\u002Fissues\u002F280",{"id":79,"question_zh":80,"answer_zh":81,"source_url":82},43886,"使用 MixUp 回调时出现 'self.in_train not found' 错误如何解决？","这是一个已知代码缺陷，官方已通过 PR 修复。如果您使用的是旧版本且无法立即更新，可以暂时使用以下自定义的 MixUp 类替代：\n\nclass MixUp(Callback):\n    run_after=[Normalize, Cuda]\n    def __init__(self, alpha=0.4): self.distrib = Beta(tensor(alpha), tensor(alpha))\n    def begin_fit(self): self.old_lf,self.learn.loss_func = self.learn.loss_func,self.lf\n    def after_fit(self): self.learn.loss_func = self.old_lf\n\n    def begin_batch(self):\n        if not self.training: return\n        lam = self.distrib.sample((self.y.size(0),)).squeeze().to(self.x.device)\n        lam = torch.stack([lam, 1-lam], 1)\n        self.lam = lam.max(1)[0]\n        shuffle = torch.randperm(self.y.size(0)).to(self.x.device)\n        xb1,self.yb1 = tuple(L(self.xb).itemgot(shuffle)),tuple(L(self.yb).itemgot(shuffle))\n        nx_dims = len(self.x.size())\n        self.learn.xb = tuple(L(xb1,self.xb).map_zip(torch.lerp,weight=unsqueeze(self.lam, n=nx_dims-1)))\n\n    def lf(self, pred, *yb):\n        if not self.training: return self.old_lf(pred, *yb)\n        # 后续逻辑需参考完整实现\n\n建议尽快更新到最新版本的 fastai_dev 以获取官方修复。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai_dev\u002Fissues\u002F256",{"id":84,"question_zh":85,"answer_zh":86,"source_url":87},43887,"加载模型权重后运行 get_preds 方法时报错怎么办？","在加载权重后直接调用 get_preds 可能会因为缺少训练上下文（如 BatchNorm 层的状态或 DataLoader 配置）而报错。这个问题部分与 Issue #222 相关，涉及小批量数据对 BatchNorm 层的影响。目前的临时排查方向是检查 DataLoader 的 drop_last 参数是否被意外设置为 True，或者尝试在调用 get_preds 前确保模型处于正确的评估模式并初始化必要的回调。由于该问题较为复杂，建议关注官方后续关于在无反向传播模式下正确运行预测的修复更新。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai_dev\u002Fissues\u002F220",{"id":89,"question_zh":90,"answer_zh":91,"source_url":92},43888,"为什么使用 show_doc 查看 DataBunch 的属性（如 train_dl, valid_dl）时，源代码链接无法显示？","这是因为早期的导出工具无法正确解析通过 add_props 动态添加的属性名称。该问题已在 Issue #201 中修复。此外，根据最新提交（commit 671199cc），源代码链接现在统一指向 GitHub 仓库，确保了文档中属性链接的正确性。请确保您使用的是包含这些修复的最新版本库。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai_dev\u002Fissues\u002F187",{"id":94,"question_zh":95,"answer_zh":96,"source_url":97},43889,"在 Kaggle 平台上安装 fastai_dev 后，导入 fastai2.torch_basics 时出现 ModuleNotFoundError 怎么办？","在 Kaggle 等特定平台上，直接通过 pip 安装 git 仓库版本可能会因为依赖路径解析问题导致模块找不到。错误通常表现为无法找到 .core.all 等子模块。建议检查安装日志确认所有子包是否正确下载。如果问题持续，尝试在 Kaggle Notebook 中先升级 pip 和 setuptools，或者使用官方推荐的针对 Kaggle 环境的安装脚本（如果有）。注意：此问题可能源于 fastai_dev 开发版的目录结构变动，生产环境建议使用稳定的 fastai 发布版而非 dev 版。","https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai_dev\u002Fissues\u002F308",{"id":99,"question_zh":100,"answer_zh":101,"source_url":77},43890,"如何快速开始学习 Fastai2 (v2) 的课程内容？","推荐直接使用社区维护的专用 Colab 笔记本仓库，其中包含了适配 Fastai2 的课程代码和环境配置，可以避免本地或云端环境配置的繁琐步骤。您可以访问：https:\u002F\u002Fgithub.com\u002Fmuellerzr\u002FPractical-Deep-Learning-for-Coders-2.0 。该仓库被官方社区成员推荐为学习 Fastai2 的重要概述资源。",[],[104,117,125,134,142,151],{"id":105,"name":106,"github_repo":107,"description_zh":108,"stars":109,"difficulty_score":110,"last_commit_at":111,"category_tags":112,"status":116},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",[113,67,114,115],"Agent","图像","数据工具","ready",{"id":118,"name":119,"github_repo":120,"description_zh":121,"stars":122,"difficulty_score":110,"last_commit_at":123,"category_tags":124,"status":116},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",[67,114,113],{"id":126,"name":127,"github_repo":128,"description_zh":129,"stars":130,"difficulty_score":68,"last_commit_at":131,"category_tags":132,"status":116},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,"2026-04-19T11:32:54",[67,113,133],"语言模型",{"id":135,"name":136,"github_repo":137,"description_zh":138,"stars":139,"difficulty_score":68,"last_commit_at":140,"category_tags":141,"status":116},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",[67,114,113],{"id":143,"name":144,"github_repo":145,"description_zh":146,"stars":147,"difficulty_score":68,"last_commit_at":148,"category_tags":149,"status":116},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",[150,113,114,67],"插件",{"id":152,"name":153,"github_repo":154,"description_zh":155,"stars":156,"difficulty_score":68,"last_commit_at":157,"category_tags":158,"status":116},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",[150,67]]