[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ga642381--ML2021-Spring":3,"tool-ga642381--ML2021-Spring":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",153609,2,"2026-04-13T11:34:59",[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":78,"owner_email":79,"owner_twitter":77,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":77,"difficulty_score":10,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":95,"github_topics":96,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":102},7138,"ga642381\u002FML2021-Spring","ML2021-Spring","**Official** 李宏毅 (Hung-yi Lee) 機器學習 Machine Learning 2021 Spring","ML2021-Spring 是台湾大学李宏毅教授 2021 年春季机器学习课程的官方开源资源库，旨在为学习者提供一套完整、系统的机器学习实践指南。该资源库收录了课程全部的 15 次作业代码与教学幻灯片，内容涵盖从基础的回归、分类，到卷积神经网络（CNN）、Transformer、GAN、BERT 等前沿深度学习模型，并延伸至可解释性 AI、对抗攻击、强化学习及元学习等高阶主题。\n\n它主要解决了机器学习初学者在理论通往实践过程中“缺乏高质量实战项目”的痛点。通过复现这些精心设计的作业，用户能够亲手构建和优化各类模型，深入理解算法背后的逻辑与工程实现细节，从而将抽象的数学公式转化为实际的代码能力。\n\n这套资源特别适合计算机专业的学生、AI 领域的开发者以及希望系统提升算法功底的研究人员使用。无论是想要入门深度学习的新手，还是寻求巩固基础进阶知识的从业者，都能从中获益。其独特的技术亮点在于紧跟学术界热点，作业设计不仅经典且极具时代感，例如对 Self-Attention 机制和大语言模型基石 BERT 的早期实践讲解，配合李宏毅教授幽默风趣的视频教程，让枯燥的算法学习变得生动易懂，是中文社区","ML2021-Spring 是台湾大学李宏毅教授 2021 年春季机器学习课程的官方开源资源库，旨在为学习者提供一套完整、系统的机器学习实践指南。该资源库收录了课程全部的 15 次作业代码与教学幻灯片，内容涵盖从基础的回归、分类，到卷积神经网络（CNN）、Transformer、GAN、BERT 等前沿深度学习模型，并延伸至可解释性 AI、对抗攻击、强化学习及元学习等高阶主题。\n\n它主要解决了机器学习初学者在理论通往实践过程中“缺乏高质量实战项目”的痛点。通过复现这些精心设计的作业，用户能够亲手构建和优化各类模型，深入理解算法背后的逻辑与工程实现细节，从而将抽象的数学公式转化为实际的代码能力。\n\n这套资源特别适合计算机专业的学生、AI 领域的开发者以及希望系统提升算法功底的研究人员使用。无论是想要入门深度学习的新手，还是寻求巩固基础进阶知识的从业者，都能从中获益。其独特的技术亮点在于紧跟学术界热点，作业设计不仅经典且极具时代感，例如对 Self-Attention 机制和大语言模型基石 BERT 的早期实践讲解，配合李宏毅教授幽默风趣的视频教程，让枯燥的算法学习变得生动易懂，是中文社区不可多得的优质学习宝库。","![banner](https:\u002F\u002Fi.imgur.com\u002F78UhAe2.png)\n\u003Cp>\n  \u003Ch2 align=\"center\">\n  機器學習 Machine Learning 2021 Spring by National Taiwan University\u003Cbr>\n  \u003C\u002Fh2>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Fi.imgur.com\u002FUehEGrH.png\" width=\"500\">\n\u003C\u002Fp>\n\nThis repository contains code and slides of 15 homeworks for Machine Learning instructed by [李宏毅(Hung-Yi Lee)](https:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~hylee\u002Findex.php). All the information about this course can be found on the [course website](https:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~hylee\u002Fml\u002F2021-spring.html). \n\n## Lecture Videos\nThe lecture videos are available on Hung-Yi Lee's [youtube channel](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUC2ggjtuuWvxrHHHiaDH1dlQ).\n\n[\u003Cimg src=\"https:\u002F\u002Fi.imgur.com\u002FSFDpe52.jpg\" width=\"500\">](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Ye018rCVvOo&ab_channel=Hung-yiLee)\n\n\n## 15 Homeworks\n* HW1 : Regression\n* HW2 : Classification\n* HW3 : CNN\n* HW4 : Self-Attention\n* HW5 : Transformer\n* HW6 : GAN\n* HW7 : BERT\n* HW8 : Autoencoder\n* HW9 : Explainable AI\n* HW10 : Adversarial Attack\n* HW11 : Adaptation\n* HW12 : Reinforcement Learning\n* HW13 : Network Compression\n* HW14 : Life-Long Learning\n* HW15 : Meta Learning\n","![banner](https:\u002F\u002Fi.imgur.com\u002F78UhAe2.png)\n\u003Cp>\n  \u003Ch2 align=\"center\">\n  机器学习 2021 春季课程——台湾大学\u003Cbr>\n  \u003C\u002Fh2>\n\u003C\u002Fp>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Fi.imgur.com\u002FUehEGrH.png\" width=\"500\">\n\u003C\u002Fp>\n\n本仓库包含由[李宏毅（Hung-Yi Lee）](https:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~hylee\u002Findex.php)教授讲授的机器学习课程的15份作业代码及课件。有关该课程的所有信息均可在[课程官网](https:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~hylee\u002Fml\u002F2021-spring.html)上找到。\n\n## 讲座视频\n讲座视频可在李宏毅教授的[Youtube 频道](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUC2ggjtuuWvxrHHHiaDH1dlQ)上观看。\n\n[\u003Cimg src=\"https:\u002F\u002Fi.imgur.com\u002FSFDpe52.jpg\" width=\"500\">](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=Ye018rCVvOo&ab_channel=Hung-yiLee)\n\n\n## 15 份作业\n* HW1：回归\n* HW2：分类\n* HW3：卷积神经网络\n* HW4：自注意力机制\n* HW5：Transformer\n* HW6：生成对抗网络\n* HW7：BERT\n* HW8：自编码器\n* HW9：可解释性人工智能\n* HW10：对抗攻击\n* HW11：领域适应\n* HW12：强化学习\n* HW13：网络压缩\n* HW14：终身学习\n* HW15：元学习","# ML2021-Spring 快速上手指南\n\n本指南基于台湾大学李宏毅教授《机器学习 2021 春季》课程开源项目，包含 15 个核心作业（从回归到元学习）的代码与幻灯片。\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**：Linux (推荐 Ubuntu), macOS 或 Windows (需配合 WSL2)。\n*   **Python 版本**：建议 Python 3.7 或更高版本。\n*   **前置依赖**：\n    *   `git`：用于克隆代码库。\n    *   `pip` 或 `conda`：用于管理 Python 包。\n    *   **深度学习框架**：主要依赖 `PyTorch`。部分作业可能涉及 `transformers`, `gym` (强化学习) 等库。\n*   **硬件建议**：部分作业（如 CNN, Transformer, GAN）需要 GPU 加速。建议使用配备 NVIDIA 显卡的机器并安装 CUDA 驱动。\n\n> **国内加速建议**：\n> *   **代码克隆**：若访问 GitHub 缓慢，可使用国内镜像源（如 Gitee 镜像，若有）或配置代理。\n> *   **依赖安装**：推荐使用清华或阿里镜像源安装 Python 包，以提升下载速度。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fdatawhalechina\u002FML2021-Spring.git\n# 注意：原仓库地址通常为 hungyi-lee\u002FML2021-Spring，若上述地址无效请使用：\n# git clone https:\u002F\u002Fgithub.com\u002Fhungyi-lee\u002FML2021-Spring.git\ncd ML2021-Spring\n```\n\n### 2. 创建虚拟环境（推荐）\n\n使用 Conda 创建隔离环境（以 HW3 CNN 为例，其他作业依赖类似）：\n\n```bash\nconda create -n ml2021 python=3.8\nconda activate ml2021\n```\n\n### 3. 安装依赖\n\n根据具体作业目录下的 `requirements.txt` 安装依赖。若根目录有统一文件则优先安装根目录依赖。\n\n**使用 pip 安装（推荐国内镜像）：**\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**手动安装核心库（若缺少 requirements.txt）：**\n\n```bash\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install transformers matplotlib numpy pandas scikit-learn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n# 针对特定作业可能需要额外安装，例如强化学习：\n# pip install gym -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n本项目包含 15 个独立的作业文件夹（`HW1` 至 `HW15`），每个作业对应一个具体的机器学习主题。\n\n### 1. 选择作业目录\n\n进入您想要练习的作业文件夹，例如 **HW1 (Regression)**：\n\n```bash\ncd HW1\n```\n\n### 2. 查看作业说明\n\n每个文件夹内通常包含 `README.md` 或 `.ipynb` 文件，详细说明了任务背景、数据加载方式和模型结构。请先阅读相关文件。\n\n### 3. 运行示例代码\n\n大多数作业提供完整的训练脚本。以下是最简单的运行流程（以 PyTorch 脚本为例）：\n\n**步骤 A: 下载数据**\n部分作业需要手动下载数据集。请检查目录下的 `download_data.sh` 或 README 中的链接。\n```bash\n# 示例：运行数据下载脚本（如果存在）\nbash download_data.sh\n```\n\n**步骤 B: 训练模型**\n直接运行提供的 Python 脚本开始训练。\n```bash\npython train.py\n# 或者运行 Jupyter Notebook\njupyter notebook tutorial.ipynb\n```\n\n**步骤 C: 生成预测结果**\n训练完成后，通常运行测试脚本生成提交文件。\n```bash\npython test.py\n```\n\n### 4. 作业主题速查\n\n| 作业编号 | 主题 | 核心知识点 |\n| :--- | :--- | :--- |\n| HW1 | Regression | 回归分析、梯度下降 |\n| HW2 | Classification | 逻辑回归、生成\u002F判别模型 |\n| HW3 | CNN | 卷积神经网络、图像分类 |\n| HW4 | Self-Attention | 自注意力机制 |\n| HW5 | Transformer | Transformer 架构、序列建模 |\n| HW6 | GAN | 生成对抗网络 |\n| HW7 | BERT | 预训练语言模型 |\n| HW8 | Autoencoder | 自编码器、降维 |\n| HW9 | Explainable AI | 模型可解释性 |\n| HW10 | Adversarial Attack | 对抗样本攻击 |\n| HW11 | Adaptation | 域自适应 |\n| HW12 | Reinforcement Learning | 强化学习 |\n| HW13 | Network Compression | 网络压缩、剪枝 |\n| HW14 | Life-Long Learning | 终身学习 |\n| HW15 | Meta Learning | 元学习 |\n\n> **提示**：课程视频可在李宏毅教授的 [YouTube 频道](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUC2ggjtuuWvxrHHHiaDH1dlQ) 观看，配合代码实践效果更佳。","一名刚入门深度学习的大学生试图复现一篇关于“图像风格迁移”的论文，但在构建模型和调试代码时屡屡受挫。\n\n### 没有 ML2021-Spring 时\n- **理论脱节实践**：虽然看懂了自注意力机制（Self-Attention）和 Transformer 的数学公式，但面对空白编辑器不知如何将其转化为可运行的 PyTorch 代码。\n- **试错成本极高**：在尝试编写生成对抗网络（GAN）时，因缺乏标准的训练循环和损失函数参考，导致模型始终不收敛，浪费数天时间排查基础错误。\n- **资源分散难寻**：需要分别去 GitHub 搜碎片化代码、去论坛找调参经验、去不同网站看视频，缺乏一套体系化且经过验证的作业范例作为基准。\n- **进阶概念模糊**：面对元学习（Meta Learning）或终身学习（Life-Long Learning）等前沿课题，找不到具体的代码实现逻辑，只能停留在纸面理解。\n\n### 使用 ML2021-Spring 后\n- **代码即时落地**：直接参考 HW4 和 HW5 中提供的完整作业代码，快速掌握了 Self-Attention 和 Transformer 的标准实现模板，将理论瞬间映射为工程实践。\n- **调试有章可循**：利用 HW6 (GAN) 和 HW7 (BERT) 的官方基线代码，对比自己的实现差异，迅速定位梯度消失或模式崩溃的原因，大幅缩短调试周期。\n- **一站式学习闭环**：依托李宏毅老师配套的 15 份作业、幻灯片及 YouTube 讲解视频，在一个仓库内即可完成从环境配置、模型构建到结果分析的全流程。\n- **前沿技术上手快**：通过 HW14 和 HW15 的实战案例，清晰理解了复杂算法的网络结构与训练技巧，具备了复现和改进 SOTA 模型的能力。\n\nML2021-Spring 将抽象的机器学习理论转化为可执行的代码资产，让学习者从“纸上谈兵”迅速进阶为具备实战能力的开发者。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fga642381_ML2021-Spring_ad46ce27.png","ga642381","Kai-Wei Chang (張凱爲)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fga642381_4e6f76d9.jpg",":fist_raised: MIT Postdoc :fist_raised: NTU Ph.D.\r\n:fist_raised: former Research Scientist Intern @ Meta Reality labs",null,"Cambridge, USA","kaiwei.chang.tw@gmail.com","kwchang.org","https:\u002F\u002Fgithub.com\u002Fga642381",[83],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,1002,346,"2026-04-13T01:09:36","","未说明",{"notes":93,"python":91,"dependencies":94},"README 中未提供具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。该项目为台湾大学李宏毅教授 2021 年春季机器学习课程的作业代码合集，涵盖回归、分类、CNN、Transformer、GAN、BERT 等主题。建议参考课程官网或各作业子目录中的具体说明以获取详细的环境配置信息。",[],[14],[97,98],"machine-learning","deep-learning","2026-03-27T02:49:30.150509","2026-04-13T22:44:33.561558",[],[]]