[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-geektutu--tensorflow-tutorial-samples":3,"tool-geektutu--tensorflow-tutorial-samples":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":78,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":78,"difficulty_score":23,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":107,"github_topics":108,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":112,"updated_at":113,"faqs":114,"releases":120},1264,"geektutu\u002Ftensorflow-tutorial-samples","tensorflow-tutorial-samples","TensorFlow2教程 TensorFlow 2.0 Tutorial 入门教程实战案例","tensorflow-tutorial-samples 是一个基于 TensorFlow 2.0 的入门教程与实战案例集合，旨在帮助学习者从零开始理解机器学习、神经网络和深度学习的基本概念。它通过通俗易懂的语言和大量代码示例，引导用户逐步掌握 TensorFlow 的使用方法，并在实际项目中加以应用。\n\n这个工具涵盖了监督学习、强化学习以及图像识别等多个领域，提供了包括 MNIST 手写数字识别、CartPole 和 MountainCar 等经典 OpenAI gym 游戏的训练案例，适合初学者快速上手并加深理解。同时，教程还介绍了数据集制作、模型保存与加载、TensorBoard 可视化等实用技能。\n\n适合有一定 Python 基础，希望进入人工智能领域的开发者或学生使用。其最大的亮点在于结合了理论讲解与代码实践，使学习过程更加直观和高效。无论是想了解 TensorFlow 基础，还是希望提升实战能力，都能从中受益。","# TensorFlow 2.0 Tutorial 入门教程实战案例\n\n> 用最白话的语言，讲解机器学习、神经网络与深度学习\n> 示例基于 TensorFlow 1.4 和 TensorFlow 2.0 实现\n\n## 相关链接\n\n- [Python 简明教程](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fquick-python.html)\n- [机器学习笔试面试题](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-ml-1.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Finterview-questions)\n- [TensorFlow 2.0 中文文档](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftf2doc.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow2-docs-zh)\n- [TensorFlow 2.0 图像识别&强化学习实战](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-mnist-cnn.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples)\n\n## OpenAI gym\n\n- [TensorFlow 2.0 (九) - 强化学习70行代码实战 Policy Gradient](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-pg.html)\n    - [Github - gym\u002FCartPole-v0-policy-gradient](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FCartPole-v0-policy-gradient)\n    - 介绍了策略梯度算法(Policy Gradient)来玩 CartPole-v0\n\n- [TensorFlow 2.0 (八) - 强化学习 DQN 玩转 gym Mountain Car](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-dqn.html)\n    - [Github - gym\u002FMountainCar-v0-dqn](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FMountainCar-v0-dqn)\n    - 介绍了DQN(Deep Q-Learning)来玩MountainCar-v0游戏\n    - Q-Table用神经网络来代替。\n\n- [TensorFlow 2.0 (七) - 强化学习 Q-Learning 玩转 OpenAI gym](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-q-learning.html)\n    - [Github - gym\u002FMountainCar-v0-q-learning](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FMountainCar-v0-q-learning)\n    - 介绍了使用Q-Learning(创建Q-Table)来玩MountainCar-v0游戏\n    - 将连续的状态离散化。\n\n- [TensorFlow 2.0 (六) - 监督学习玩转 OpenAI gym game ](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-nn.html)\n    - [Github - gym\u002FCartPole-v0-nn](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FCartPole-v0-nn)\n    - 介绍了使用纯监督学习(神经网络)来玩CartPole-v0游戏\n    - 使用TensorFlow 2.0\n\n## mnist\n\n- [TensorFlow 2.0 (五) - mnist手写数字识别(CNN卷积神经网络)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-mnist-cnn.html)\n    - [Github - v4_cnn](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv4_cnn)\n    - 介绍了如何搭建CNN网络，准确率达到0.99\n    - 使用TensorFlow 2.0\n\n- [TensorFlow入门(四) - mnist手写数字识别(制作h5py训练集)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-make-npy-hdf5-data-set.html)\n    - [Github - make_data_set](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmake_data_set)\n    - 介绍了如何使用 numpy 制作 npy 格式的数据集\n    - 介绍了如何使用 h5py 制作 HDF5 格式的数据集\n\n- [TensorFlow入门(三) - mnist手写数字识别(可视化训练)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-mnist-tensorboard-training.html)\n    - [Github - mnist\u002Fv3](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv3)\n    - 介绍了tensorboard的简单用法，包括标量图、直方图以及网络结构图\n\n- [TensorFlow入门(二) - mnist手写数字识别(模型保存加载)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-mnist-save-ckpt.html)\n    - [Github - mnist\u002Fv2](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv2)\n    - 介绍了 TensorFlow 中如何保存训练好的模型\n    - 介绍了如何从某一个模型为起点继续训练\n    - 介绍了模型如何加载使用，传入真实的图片如何识别\n\n- [TensorFlow入门(一) - mnist手写数字识别(网络搭建)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-mnist-simplest.html)\n    - [Github - mnist\u002Fv1](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv1)\n    - 这篇博客介绍了使用 TensorFlow 搭建最简单的神经网络。\n    - 包括输入输出、独热编码与损失函数，以及正确率的验证。\n\n","# TensorFlow 2.0 教程 入门教程实战案例\n\n> 用最白话的语言，讲解机器学习、神经网络与深度学习\n> 示例基于 TensorFlow 1.4 和 TensorFlow 2.0 实现\n\n## 相关链接\n\n- [Python 简明教程](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fquick-python.html)\n- [机器学习笔试面试题](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Fqa-ml-1.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Finterview-questions)\n- [TensorFlow 2.0 中文文档](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftf2doc.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow2-docs-zh)\n- [TensorFlow 2.0 图像识别&强化学习实战](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-mnist-cnn.html)，[Github](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples)\n\n## OpenAI gym\n\n- [TensorFlow 2.0 (九) - 强化学习70行代码实战 Policy Gradient](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-pg.html)\n    - [Github - gym\u002FCartPole-v0-policy-gradient](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FCartPole-v0-policy-gradient)\n    - 介绍了策略梯度算法(Policy Gradient)来玩 CartPole-v0\n\n- [TensorFlow 2.0 (八) - 强化学习 DQN 玩转 gym Mountain Car](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-dqn.html)\n    - [Github - gym\u002FMountainCar-v0-dqn](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FMountainCar-v0-dqn)\n    - 介绍了DQN(Deep Q-Learning)来玩MountainCar-v0游戏\n    - Q-Table用神经网络来代替。\n\n- [TensorFlow 2.0 (七) - 强化学习 Q-Learning 玩转 OpenAI gym](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-q-learning.html)\n    - [Github - gym\u002FMountainCar-v0-q-learning](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FMountainCar-v0-q-learning)\n    - 介绍了使用Q-Learning(创建Q-Table)来玩MountainCar-v0游戏\n    - 将连续的状态离散化。\n\n- [TensorFlow 2.0 (六) - 监督学习玩转 OpenAI gym game ](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-gym-nn.html)\n    - [Github - gym\u002FCartPole-v0-nn](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fgym\u002FCartPole-v0-nn)\n    - 介绍了使用纯监督学习(神经网络)来玩CartPole-v0游戏\n    - 使用TensorFlow 2.0\n\n## mnist\n\n- [TensorFlow 2.0 (五) - mnist手写数字识别(CNN卷积神经网络)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow2-mnist-cnn.html)\n    - [Github - v4_cnn](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv4_cnn)\n    - 介绍了如何搭建CNN网络，准确率达到0.99\n    - 使用TensorFlow 2.0\n\n- [TensorFlow入门(四) - mnist手写数字识别(制作h5py训练集)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-make-npy-hdf5-data-set.html)\n    - [Github - make_data_set](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmake_data_set)\n    - 介绍了如何使用 numpy 制作 npy 格式的数据集\n    - 介绍了如何使用 h5py 制作 HDF5 格式的数据集\n\n- [TensorFlow入门(三) - mnist手写数字识别(可视化训练)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-mnist-tensorboard-training.html)\n    - [Github - mnist\u002Fv3](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv3)\n    - 介绍了tensorboard的简单用法，包括标量图、直方图以及网络结构图\n\n- [TensorFlow入门(二) - mnist手写数字识别(模型保存加载)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-mnist-save-ckpt.html)\n    - [Github - mnist\u002Fv2](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv2)\n    - 介绍了 TensorFlow 中如何保存训练好的模型\n    - 介绍了如何从某一个模型为起点继续训练\n    - 介绍了模型如何加载使用，传入真实的图片如何识别\n\n- [TensorFlow入门(一) - mnist手写数字识别(网络搭建)](https:\u002F\u002Fgeektutu.com\u002Fpost\u002Ftensorflow-mnist-simplest.html)\n    - [Github - mnist\u002Fv1](https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Ftree\u002Fmaster\u002Fmnist\u002Fv1)\n    - 这篇博客介绍了使用 TensorFlow 搭建最简单的神经网络。\n    - 包括输入输出、独热编码与损失函数，以及正确率的验证。","# TensorFlow 2.0 教程快速上手指南\n\n## 环境准备\n\n- **操作系统**：推荐使用 Linux 或 macOS，Windows 也可使用 WSL。\n- **Python 版本**：建议使用 Python 3.6 及以上版本。\n- **前置依赖**：\n  - Python 3.x\n  - pip 包管理器\n  - TensorFlow 2.0（可选安装）\n\n## 安装步骤\n\n1. **安装 Python**  \n   如果尚未安装 Python，建议从 [Python 官网](https:\u002F\u002Fwww.python.org\u002F) 下载并安装最新版本。\n\n2. **安装 pip 工具**  \n   Python 3 默认自带 pip，可通过以下命令确认是否已安装：\n\n   ```bash\n   python -m pip --version\n   ```\n\n3. **创建虚拟环境（可选）**  \n   推荐使用虚拟环境隔离项目依赖：\n\n   ```bash\n   python -m venv tf_env\n   source tf_env\u002Fbin\u002Factivate  # Linux\u002FmacOS\n   tf_env\\Scripts\\activate     # Windows\n   ```\n\n4. **安装 TensorFlow 2.0**  \n   使用 pip 安装 TensorFlow 2.0：\n\n   ```bash\n   pip install tensorflow==2.0.0\n   ```\n\n   > 若网络较慢，可使用国内镜像源加速安装：\n\n   ```bash\n   pip install tensorflow==2.0.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n5. **克隆项目仓库**  \n   使用 git 克隆项目代码：\n\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples.git\n   cd tensorflow-tutorial-samples\n   ```\n\n## 基本使用\n\n### 示例一：MNIST 手写数字识别（最简单神经网络）\n\n进入 `mnist\u002Fv1` 目录，运行如下命令启动训练：\n\n```bash\ncd mnist\u002Fv1\npython mnist_v1.py\n```\n\n该示例将使用 TensorFlow 搭建一个简单的全连接神经网络，用于识别 MNIST 数据集中的手写数字。训练完成后，模型将输出准确率。\n\n### 示例二：使用 TensorBoard 可视化训练过程\n\n进入 `mnist\u002Fv3` 目录，运行如下命令：\n\n```bash\ncd mnist\u002Fv3\npython mnist_v3.py\n```\n\n该示例会记录训练过程的损失和准确率，并使用 TensorBoard 进行可视化。运行后，在终端中输入以下命令打开 TensorBoard：\n\n```bash\ntensorboard --logdir=.\u002Flogs\n```\n\n然后在浏览器中访问 `http:\u002F\u002Flocalhost:6006` 查看训练过程的可视化图表。\n\n### 示例三：强化学习实战（CartPole-v0 策略梯度）\n\n进入 `gym\u002FCartPole-v0-policy-gradient` 目录，运行如下命令：\n\n```bash\ncd gym\u002FCartPole-v0-policy-gradient\npython cartpole_policy_gradient.py\n```\n\n该示例使用策略梯度算法训练智能体玩 CartPole 游戏，最终目标是让小车保持平衡尽可能长时间。\n\n---\n\n通过以上步骤，你可以快速开始使用 `tensorflow-tutorial-samples` 学习 TensorFlow 2.0 的基础与进阶内容。更多实战案例请参考项目目录中的其他子模块。","某高校人工智能课程的助教老师正在为本科生设计一个机器学习实践项目，要求学生使用 TensorFlow 实现一个图像分类模型，并完成从数据预处理到模型训练与评估的全流程。\n\n### 没有 tensorflow-tutorial-samples 时\n\n- 学生对 TensorFlow 的 API 不熟悉，难以快速上手搭建神经网络结构。\n- 缺乏具体的代码示例和实战案例，导致在实现图像分类任务时遇到大量报错和调试困难。\n- 数据预处理流程复杂，学生不知道如何正确加载和处理 MNIST 数据集。\n- 对模型保存、加载以及训练过程的可视化工具（如 TensorBoard）不了解，无法有效监控训练效果。\n- 强化学习相关内容完全陌生，无法完成相关拓展任务。\n\n### 使用 tensorflow-tutorial-samples 后\n\n- 提供了从最简单的神经网络搭建到 CNN 模型的完整教程，帮助学生快速掌握 TensorFlow 基础用法。\n- 包含 MNIST 手写数字识别的完整代码示例，涵盖数据加载、模型训练、准确率验证等关键步骤。\n- 提供了 TensorBoard 的使用示例，使学生能够直观地观察训练过程中的损失函数变化和网络结构。\n- 包含强化学习的实战案例（如 CartPole 和 MountainCar），帮助学生拓展知识边界并完成进阶任务。\n- 通过 GitHub 上的代码仓库，学生可以方便地获取和修改代码，提升开发效率和学习体验。\n\n核心价值：tensorflow-tutorial-samples 为教学实践提供了系统化的代码示例和清晰的学习路径，显著降低了初学者的学习门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgeektutu_tensorflow-tutorial-samples_9ab0aae1.png","geektutu","Dai Jie","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgeektutu_1bf1189f.jpg",null,"Fudan University","Shanghai,China","gzdaijie@gmail.com","https:\u002F\u002Fgeektutu.com","https:\u002F\u002Fgithub.com\u002Fgeektutu",[85,89],{"name":86,"color":87,"percentage":88},"Python","#3572A5",83,{"name":90,"color":91,"percentage":92},"Jupyter Notebook","#DA5B0B",17,597,215,"2026-04-02T13:09:51","Linux, macOS, Windows","未说明",{"notes":99,"python":100,"dependencies":101},"部分示例需要安装 OpenAI Gym 环境，建议使用虚拟环境管理 Python 依赖。","3.6+",[102,103,104,105,106],"tensorflow>=1.4","tensorflow>=2.0","numpy","h5py","openai-gym",[13],[109,106,110,111],"tensorflow","mnist","tensorflow-mnist","2026-03-27T02:49:30.150509","2026-04-06T08:08:37.483583",[115],{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},5757,"运行 predict.py 时出现错误如何解决？","需要先运行 `python train.py` 以生成模型权重文件，然后再运行 `python predict.py`。","https:\u002F\u002Fgithub.com\u002Fgeektutu\u002Ftensorflow-tutorial-samples\u002Fissues\u002F1",[]]