[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-gordicaleksa--get-started-with-JAX":3,"tool-gordicaleksa--get-started-with-JAX":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":103,"github_topics":104,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":117},4573,"gordicaleksa\u002Fget-started-with-JAX","get-started-with-JAX","The purpose of this repo is to make it easy to get started with JAX, Flax, and Haiku. It contains my \"Machine Learning with JAX\" series of tutorials (YouTube videos and Jupyter Notebooks) as well as the content I found useful while learning about the JAX ecosystem.","get-started-with-JAX 是一个专为初学者设计的开源学习资源库，旨在帮助用户轻松入门 JAX、Flax 和 Haiku 这一日益流行的机器学习生态系统。面对 JAX 独特的函数式编程范式以及相对陡峭的学习曲线，许多从 PyTorch 或 TensorFlow 转型的开发者往往感到无从下手。该项目通过提供作者亲自筛选并验证的高质量教程，有效解决了新手缺乏系统引导和实用代码示例的痛点。\n\n这套资源特别适合机器学习开发者、研究人员以及希望探索高性能计算框架的学生使用。其核心亮点在于“从零到英雄”系列的视频教程与配套的 Jupyter Notebook，内容循序渐进：从解析 JAX 核心的 `jit`、`grad`、`vmap` 等变换机制，到演示如何在多 TPU 核心上训练模型，甚至包含完全不使用高层库、纯手写神经网络的实战案例。此外，项目贴心地支持直接在 Google Colab 中运行笔记，用户无需在本地配置复杂的 Python 环境（尤其是对 Windows 用户非常友好），即可立即动手实践。如果你正在寻找一条清晰、务实且由社区验证过的 JAX 学习路径，get-sta","get-started-with-JAX 是一个专为初学者设计的开源学习资源库，旨在帮助用户轻松入门 JAX、Flax 和 Haiku 这一日益流行的机器学习生态系统。面对 JAX 独特的函数式编程范式以及相对陡峭的学习曲线，许多从 PyTorch 或 TensorFlow 转型的开发者往往感到无从下手。该项目通过提供作者亲自筛选并验证的高质量教程，有效解决了新手缺乏系统引导和实用代码示例的痛点。\n\n这套资源特别适合机器学习开发者、研究人员以及希望探索高性能计算框架的学生使用。其核心亮点在于“从零到英雄”系列的视频教程与配套的 Jupyter Notebook，内容循序渐进：从解析 JAX 核心的 `jit`、`grad`、`vmap` 等变换机制，到演示如何在多 TPU 核心上训练模型，甚至包含完全不使用高层库、纯手写神经网络的实战案例。此外，项目贴心地支持直接在 Google Colab 中运行笔记，用户无需在本地配置复杂的 Python 环境（尤其是对 Windows 用户非常友好），即可立即动手实践。如果你正在寻找一条清晰、务实且由社区验证过的 JAX 学习路径，get-started-with-JAX 将是理想的起点。","## Get started with JAX! :computer: :zap:\n\nThe goal of this repo is to make it easier to get started with [JAX](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fjax), [Flax](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fflax), and [Haiku](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fdm-haiku)!\n\n`JAX` ecosystem is becoming an increasingly popular alternative to `PyTorch` and `TensorFlow`. :sunglasses:\n\n\u003Cbr\u002F>\n\u003Cbr\u002F>\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_ae9291f16ef5.png\" width=\"300\"\u002F>\n\u003C\u002Fp>\n\n\u003Cbr\u002F>\n\u003Cbr\u002F>\n\n*Note: I'm only going to recommend content that I've personally analyzed and found useful here. \nIf you want a comprehensive list check out the [awesome-jax repo](https:\u002F\u002Fgithub.com\u002Fn2cholas\u002Fawesome-jax).*\n\n## Table of Contents\n  * [Machine Learning with JAX](#my-machine-learning-with-jax-tutorials)\n    + [Tutorial #1: From Zero to Hero](#tutorial-1-from-zero-to-hero)\n    + [Tutorial #2: From Hero to Hero Pro+](#tutorial-2-from-hero-to-heropro)\n    + [Tutorial #3: Coding a Neural Network from Scratch in Pure JAX](#tutorial-3-building-a-neural-network-from-scratch)\n    + [Tutorial #4: Flax From Zero to Hero](#tutorial-4-machine-learning-with-flax---from-zero-to-hero)\n    + [Tutorial #5: Haiku From Zero to Hero (coming soon)](#tutorial-5-coming-up-machine-learning-with-haiku---from-zero-to-hero)\n  * [Other useful JAX resources](#other-useful-content)\n\n## My Machine Learning with JAX Tutorials\n\n*Tip on how to use notebooks: just open the notebook directly in Google Colab \n(you'll see a button on top of the Jupyter file which will direct you to Colab). \nThis way you can avoid having to setup the Python env! (This was especially convenient for me since I'm on Windows which is still not supported)*\n\n### Tutorial #1: From Zero to Hero\n\nIn this video, we start from the basics and then gradually dig into the nitty-gritty details\nof `jit`, `grad`, `vmap`, and various other idiosyncrasies of JAX.\n\n[YouTube Video (Tutorial #1)](https:\u002F\u002Fyoutu.be\u002FSstuvS-tVc0) \u003Cbr\u002F>\n[Accompanying Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_1_JAX_Zero2Hero_Colab.ipynb) \u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=SstuvS-tVc0\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_9c3050bd75ef.jpg\" \nalt=\"JAX from zero to hero!\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n### Tutorial #2: From Hero to HeroPro+\n\nIn this video, we learn all additional components needed to train ML models (such as NNs) on multiple machines!\nWe'll train a simple MLP model and we'll even train an ML model on 8 TPU cores!\n\n[YouTube Video (Tutorial #2)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=CQQaifxuFcs) \u003Cbr\u002F>\n[Accompanying Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_2_JAX_HeroPro%2B_Colab.ipynb) \u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=CQQaifxuFcs\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_74b2bd55418e.jpg\" \nalt=\"JAX from Hero to HeroPro+!\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n### Tutorial #3: Building a Neural Network from Scratch\n\nWatch me code a Neural Network from scratch! :partying_face: In this 3rd video of the JAX tutorials series.\n\nIn this video, I build an [MLP](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultilayer_perceptron) and train it as a classifier on MNIST \nusing PyTorch's data loader (although it's trivial to use a more complex dataset) - all this in \"pure\" JAX (no Flax\u002FHaiku\u002FOptax).\n\nI then do an additional analysis:\n* Visualize MLP's learned weights\n* Visualize embeddings of a batch of images using t-SNE\n* Finally, I analyze whether we have too many dead ReLU neurons in our network\n\n[YouTube Video (Tutorial #3)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6_PqUPxRmjY) \u003Cbr\u002F>\n[Accompanying Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_3_JAX_Neural_Network_from_Scratch_Colab.ipynb) (Note: I'll soon refactor it but I'll link the original)\u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6_PqUPxRmjY\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_d62148d3bdf9.jpg\" \nalt=\"Building a Neural Network from Scratch in pure JAX!\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\n### Tutorial #4: Machine Learning with Flax - From Zero to Hero\n\nIn this video, I cover everything you need to know to get started with [Flax](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fflax)!\n\nWe cover `init`, `apply`, `TrainState`, etc. and other idiosyncrasies like the usage of `mutable` and `rngs` keywords.\n\n[YouTube Video (Tutorial #4)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5eUSmJvK8WA) \u003Cbr\u002F>\n[Accompanying Jupyter Notebook](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_4_Flax_Zero2Hero_Colab.ipynb) \u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5eUSmJvK8WA\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_4db8cd63a94e.jpg\" \nalt=\"Flax from Zero to Hero!\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\n### Tutorial #5 (coming up): Machine Learning with Haiku - From Zero to Hero\n\ntodo\n\n## Other useful content\n\nAside from the [official docs](https:\u002F\u002Fjax.readthedocs.io\u002F) here are some resources that helped me.\n\n### Videos\n\n* [Introduction to JAX](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0mVmRHMaOJ4&ab_channel=GoogleCloudTech) (gives a very high-level overview)\n* [JAX: Accelerated Machine Learning Research | SciPy 2020 | VanderPlas](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=z-WSrQDXkuM&ab_channel=Enthought) (many more details)\n* [NeurIPS 2020: JAX Ecosystem Meetup](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=iDxJxIyzSiM&t=1s&ab_channel=DeepMind) (DeepMind team about the ecosystem of libs around JAX)\n* [Introduction to JAX for Machine Learning and More](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QkmKfzxbCLQ&ab_channel=UWaterlooDataScience) (nice, hands-on workshop)\n* [Day 1 Talks: JAX, Flax & Transformers | HuggingFace](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fuAyUQcVzTY&ab_channel=HuggingFace) (all 4 talks are good)\n* [Day 2 Talks: JAX, Flax & Transformers | HuggingFace](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=__eG63ZP_5g&ab_channel=HuggingFace) (only the first 2 talks are relevant)\n\n### Blogs\n\n* [Using JAX to accelerate our research | DeepMind](https:\u002F\u002Fdeepmind.com\u002Fblog\u002Farticle\u002Fusing-jax-to-accelerate-our-research) (similar info as the NeuroIPS 2020 video)\n* [You don't know JAX | Colin Raffel](https:\u002F\u002Fcolinraffel.com\u002Fblog\u002Fyou-don-t-know-jax.html)\n\n## Acknowledgements\n\n* The notebooks were heavily inspired by the official [JAX](https:\u002F\u002Fjax.readthedocs.io\u002F), [Flax](https:\u002F\u002Fflax.readthedocs.io\u002Fen\u002Flatest\u002F), and [Haiku](https:\u002F\u002Fdm-haiku.readthedocs.io\u002Fen\u002Flatest\u002F) docs.\n\n## Citation\n\nIf you find this content useful, please cite the following:\n\n```\n@misc{Gordic2021GetStartedWithJAX,\n  author = {Gordić, Aleksa},\n  title = {Get started with JAX},\n  year = {2021},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX}},\n}\n```\n\n## Connect With Me\n\nIf you'd love to have some more AI-related content in your life :nerd_face:, consider:\n* Subscribing to my YouTube channel [The AI Epiphany](https:\u002F\u002Fwww.youtube.com\u002Fc\u002FTheAiEpiphany) :bell:\n* Follow me on [LinkedIn](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Faleksagordic\u002F) and [Twitter](https:\u002F\u002Ftwitter.com\u002Fgordic_aleksa) :bulb:\n* Follow me on [Medium](https:\u002F\u002Fgordicaleksa.medium.com\u002F) :books: :heart:\n* Join the [Discord](https:\u002F\u002Fdiscord.gg\u002FpeBrCpheKE) community! :family:\n\n## Licence\n\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmaster\u002FLICENCE)","## 开始使用 JAX！ :computer: :zap:\n\n本仓库的目标是让初学者更容易上手 [JAX](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fjax)、[Flax](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fflax) 和 [Haiku](https:\u002F\u002Fgithub.com\u002Fdeepmind\u002Fdm-haiku)！\n\n`JAX` 生态系统正逐渐成为 `PyTorch` 和 `TensorFlow` 的一个越来越受欢迎的替代方案。 :sunglasses:\n\n\u003Cbr\u002F>\n\u003Cbr\u002F>\n\n\u003Cp align=\"center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_ae9291f16ef5.png\" width=\"300\"\u002F>\n\u003C\u002Fp>\n\n\u003Cbr\u002F>\n\u003Cbr\u002F>\n\n*注：我在这里只会推荐那些我个人分析过并认为有用的内容。\n如果你想要一份更全面的列表，可以查看 [awesome-jax 仓库](https:\u002F\u002Fgithub.com\u002Fn2cholas\u002Fawesome-jax)。*\n\n## 目录\n  * [使用 JAX 进行机器学习](#my-machine-learning-with-jax-tutorials)\n    + [教程 #1：从零到英雄](#tutorial-1-from-zero-to-hero)\n    + [教程 #2：从英雄到超级英雄+](#tutorial-2-from-hero-to-heropro)\n    + [教程 #3：用纯 JAX 从头开始编写神经网络](#tutorial-3-building-a-neural-network-from-scratch)\n    + [教程 #4：Flax 从零到英雄](#tutorial-4-machine-learning-with-flax---from-zero-to-hero)\n    + [教程 #5：Haiku 从零到英雄（即将推出）](#tutorial-5-coming-up-machine-learning-with-haiku---from-zero-to-hero)\n  * [其他有用的 JAX 资源](#other-useful-content)\n\n## 我的 JAX 机器学习教程\n\n*使用笔记本的提示：直接在 Google Colab 中打开笔记本即可\n（你会在 Jupyter 文件顶部看到一个按钮，它会将你引导至 Colab）。\n这样你就可以避免设置 Python 环境了！（这对我尤其方便，因为我使用的是目前仍不被支持的 Windows 系统）*\n\n### 教程 #1：从零到英雄\n\n在这个视频中，我们从基础知识开始，然后逐步深入探讨 `jit`、`grad`、`vmap` 以及 JAX 的各种独特之处。\n\n[YouTube 视频（教程 #1）](https:\u002F\u002Fyoutu.be\u002FSstuvS-tVc0) \u003Cbr\u002F>\n[配套 Jupyter 笔记本](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_1_JAX_Zero2Hero_Colab.ipynb) \u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=SstuvS-tVc0\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_9c3050bd75ef.jpg\" \nalt=\"JAX 从零到英雄！\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n### 教程 #2：从英雄到超级英雄+\n\n在这个视频中，我们将学习训练机器学习模型（如神经网络）所需的全部附加组件，以便在多台机器上进行分布式训练！\n我们将训练一个简单的 MLP 模型，甚至会在 8 个 TPU 核心上训练一个机器学习模型！\n\n[YouTube 视频（教程 #2）](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=CQQaifxuFcs) \u003Cbr\u002F>\n[配套 Jupyter 笔记本](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_2_JAX_HeroPro%2B_Colab.ipynb) \u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=CQQaifxuFcs\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_74b2bd55418e.jpg\" \nalt=\"JAX 从英雄到超级英雄+！\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n### 教程 #3：从零开始构建神经网络\n\n观看我如何从头开始编写一个神经网络！ :partying_face: 这是 JAX 教程系列的第三集。\n\n在这个视频中，我构建了一个 [MLP](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FMultilayer_perceptron)，并使用 PyTorch 的数据加载器将其作为分类器在 MNIST 数据集上进行训练（当然也可以轻松使用更复杂的数据集）——所有这些都完全基于“纯”JAX 实现，未使用 Flax、Haiku 或 Optax。\n\n随后我还进行了额外的分析：\n* 可视化 MLP 学习到的权重\n* 使用 t-SNE 可视化一批图像的嵌入\n* 最后，我分析了我们的网络中是否有过多的 ReLU 神经元处于“死亡”状态。\n\n[YouTube 视频（教程 #3）](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6_PqUPxRmjY) \u003Cbr\u002F>\n[配套 Jupyter 笔记本](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_3_JAX_Neural_Network_from_Scratch_Colab.ipynb)（注：我很快会对其进行重构，但这里先提供原始版本）\u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=6_PqUPxRmjY\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_d62148d3bdf9.jpg\" \nalt=\"用纯 JAX 从零开始构建神经网络！\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\n### 教程 #4：使用 Flax 进行机器学习——从零到英雄\n\n在这个视频中，我将介绍你开始使用 [Flax](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fflax) 所需的一切知识！\n\n我们将涵盖 `init`、`apply`、`TrainState` 等内容，以及其他一些独特的概念，比如 `mutable` 和 `rngs` 关键字的使用。\n\n[YouTube 视频（教程 #4）](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5eUSmJvK8WA) \u003Cbr\u002F>\n[配套 Jupyter 笔记本](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmain\u002FTutorial_4_Flax_Zero2Hero_Colab.ipynb) \u003Cbr\u002F>\n\n\u003Cp align=\"left\">\n\u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=5eUSmJvK8WA\" target=\"_blank\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_readme_4db8cd63a94e.jpg\" \nalt=\"Flax 从零到英雄！\" width=\"480\" height=\"360\" border=\"10\" \u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n---\n\n### 教程 #5（即将推出）：使用 Haiku 进行机器学习——从零到英雄\n\n待办事项\n\n## 其他有用的内容\n\n除了 [官方文档](https:\u002F\u002Fjax.readthedocs.io\u002F) 之外，以下资源也对我有所帮助。\n\n### 视频\n\n* [JAX 简介](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0mVmRHMaOJ4&ab_channel=GoogleCloudTech)（提供非常高层次的概述）\n* [JAX：加速机器学习研究 | SciPy 2020 | VanderPlas](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=z-WSrQDXkuM&ab_channel=Enthought)（提供更多细节）\n* [NeurIPS 2020：JAX 生态系统聚会](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=iDxJxIyzSiM&t=1s&ab_channel=DeepMind)（DeepMind 团队讨论围绕 JAX 的生态系统库）\n* [面向机器学习及其他领域的 JAX 入门](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QkmKfzxbCLQ&ab_channel=UWaterlooDataScience)（一次很好的实践型研讨会）\n* [第一天演讲：JAX、Flax 和 Transformer | HuggingFace](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fuAyUQcVzTY&ab_channel=HuggingFace)（四场演讲都很精彩）\n* [第二天演讲：JAX、Flax 和 Transformer | HuggingFace](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=__eG63ZP_5g&ab_channel=HuggingFace)（只有前两场演讲相关）\n\n### 博客\n\n* [使用 JAX 加速我们的研究 | DeepMind](https:\u002F\u002Fdeepmind.com\u002Fblog\u002Farticle\u002Fusing-jax-to-accelerate-our-research)（与 NeuroIPS 2020 视频内容相似）\n* [你并不了解 JAX | Colin Raffel](https:\u002F\u002Fcolinraffel.com\u002Fblog\u002Fyou-don-t-know-jax.html)\n\n## 致谢\n\n* 本笔记本深受官方 [JAX](https:\u002F\u002Fjax.readthedocs.io\u002F)、[Flax](https:\u002F\u002Fflax.readthedocs.io\u002Fen\u002Flatest\u002F) 和 [Haiku](https:\u002F\u002Fdm-haiku.readthedocs.io\u002Fen\u002Flatest\u002F) 文档的启发。\n\n## 引用\n\n如果你觉得这些内容对你有帮助，请引用如下：\n\n```\n@misc{Gordic2021GetStartedWithJAX,\n  author = {Gordić, Aleksa},\n  title = {开始使用 JAX},\n  year = {2021},\n  publisher = {GitHub},\n  journal = {GitHub 仓库},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX}},\n}\n```\n\n## 与我联系\n\n如果你希望生活中多一些与人工智能相关的内容 :nerd_face:，不妨考虑：\n* 订阅我的 YouTube 频道 [The AI Epiphany](https:\u002F\u002Fwww.youtube.com\u002Fc\u002FTheAiEpiphany) :bell:\n* 在 [LinkedIn](https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Faleksagordic\u002F) 和 [Twitter](https:\u002F\u002Ftwitter.com\u002Fgordic_aleksa) 上关注我 :bulb:\n* 在 [Medium](https:\u002F\u002Fgordicaleksa.medium.com\u002F) 上关注我 :books: :heart:\n* 加入 [Discord](https:\u002F\u002Fdiscord.gg\u002FpeBrCpheKE) 社区！ :family:\n\n## 许可证\n\n[![许可证：MIT](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg)](https:\u002F\u002Fgithub.com\u002Fgordicaleksa\u002Fget-started-with-JAX\u002Fblob\u002Fmaster\u002FLICENCE)","# JAX 快速上手指南\n\n本指南基于 `get-started-with-JAX` 项目整理，旨在帮助开发者快速入门 JAX、Flax 和 Haiku 生态系统。JAX 正成为 PyTorch 和 TensorFlow 之外日益流行的替代方案，特别适用于高性能机器学习研究。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：推荐 Linux 或 macOS（Windows 用户建议直接使用 Google Colab 以避免环境配置问题）\n- **Python 版本**：3.8 - 3.11\n- **硬件加速**：支持 CPU、GPU (CUDA) 和 TPU\n\n### 前置依赖\n确保已安装以下基础工具：\n- Python pip 包管理器\n- CUDA Toolkit 和 cuDNN（如需 GPU 支持）\n\n## 安装步骤\n\n### 1. 安装 JAX (CPU 版本)\n```bash\npip install jax jaxlib\n```\n\n### 2. 安装 JAX (GPU 版本)\n```bash\npip install \"jax[cuda]\" -f https:\u002F\u002Fstorage.googleapis.com\u002Fjax-releases\u002Fjax_releases.html\n```\n> **国内加速提示**：如果上述谷歌源连接缓慢，可尝试使用清华源安装基础包，但 `jaxlib` 的 CUDA 版本通常仍需从官方源获取。\n> ```bash\n> pip install jax -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 3. 安装高层库 (可选但推荐)\n```bash\n# 安装 Flax (Google 推出的神经网络库)\npip install flax\n\n# 安装 Haiku (DeepMind 推出的神经网络库)\npip install dm-haiku\n\n# 安装优化器库\npip install optax\n```\n\n### 4. 免环境配置方案 (推荐 Windows 用户)\n直接点击项目中的 Jupyter Notebook 链接，在 **Google Colab** 中打开运行。这种方式无需本地配置环境，且免费提供 TPU\u002FGPU 资源。\n\n## 基本使用\n\n以下是最简单的 JAX 代码示例，展示其核心特性：即时编译 (`jit`)、自动微分 (`grad`) 和向量化 (`vmap`)。\n\n### 示例：纯 JAX 实现简单计算与梯度\n\n```python\nimport jax\nimport jax.numpy as jnp\n\n# 1. 定义一个普通函数\ndef sigmoid(x):\n    return 1 \u002F (1 + jnp.exp(-x))\n\n# 2. 使用 jit 进行即时编译加速\nfast_sigmoid = jax.jit(sigmoid)\n\n# 3. 使用 grad 自动计算梯度\ngrad_sigmoid = jax.grad(sigmoid)\n\n# 4. 执行计算\nx = jnp.array([0.0, 1.0, -1.0])\ny = fast_sigmoid(x)\ndy_dx = grad_sigmoid(x)\n\nprint(f\"输入：{x}\")\nprint(f\"Sigmoid 输出：{y}\")\nprint(f\"梯度输出：{dy_dx}\")\n\n# 5. 使用 vmap 自动向量化 (对批次数据操作)\nbatch_x = jnp.random.normal(size=(4, 3)) # 4 个样本，每个 3 维\nbatch_y = jax.vmap(sigmoid)(batch_x)\nprint(f\"批量输出形状：{batch_y.shape}\")\n```\n\n### 下一步学习路径\n根据原项目推荐，您可以按顺序深入学习：\n1. **从零到英雄 (Zero to Hero)**：深入理解 `jit`, `grad`, `vmap` 等核心概念。\n2. **多机训练**：学习如何在多 TPU\u002FGPU 核心上训练模型。\n3. **手写神经网络**：不使用框架，仅用纯 JAX 构建并训练 MLP。\n4. **Flax 实战**：学习使用 Flax 构建模块化神经网络。","一位专注于高性能计算的算法工程师，正试图将现有的 PyTorch 原型迁移至 JAX 生态，以利用其在 TPU 上的加速优势并探索函数式编程范式。\n\n### 没有 get-started-with-JAX 时\n- **概念理解门槛高**：面对 `jit`、`vmap`、`grad` 等独特的函数式变换算子，开发者需花费数天查阅零散文档才能理解其执行机制，极易陷入“静态图”与“动态图”的思维冲突。\n- **环境配置受阻**：由于本地开发机是 Windows 系统，而 JAX 原生支持有限，配置本地 Python 环境屡屡失败，导致无法立即动手验证代码。\n- **分布式训练迷茫**：想要尝试多卡或 TPU 集群训练时，缺乏清晰的入门指引，不知道如何从零构建一个能在 8 个核心上并行运行的 MLP 模型。\n- **底层原理黑盒**：直接套用高层库（如 Flax）却不懂底层纯 JAX 实现，导致模型出现\"ReLU 神经元死亡”或权重可视化异常时，难以定位问题根源。\n\n### 使用 get-started-with-JAX 后\n- **系统化视频引导**：通过\"From Zero to Hero\"系列教程，开发者在视频中直观掌握了 `jit` 编译和 `vmap` 向量化的核心逻辑，迅速完成了思维模式的转换。\n- **Colab 即开即用**：利用仓库提供的 Jupyter Notebook 一键跳转 Google Colab，完美绕过 Windows 环境配置难题，直接在云端浏览器中运行代码。\n- **进阶实战演示**：参考\"Hero to HeroPro+\"教程，快速复现了基于 8 核 TPU 的分布式训练流程，清晰理解了多机多卡所需的组件与代码结构。\n- **从零构建洞察**：跟随\"Pure JAX\"手写神经网络教程，深入分析了权重分布与 t-SNE 嵌入，彻底搞懂了底层数学原理，不再对模型行为感到困惑。\n\nget-started-with-JAX 通过“视频 + 可运行笔记”的闭环学习路径，将原本陡峭的 JAX 学习曲线拉平，让开发者能在数小时内从环境搭建跨越到分布式模型实战。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fgordicaleksa_get-started-with-JAX_ae9291f1.png","gordicaleksa","Aleksa Gordić","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fgordicaleksa_5c51e394.png","Flirting with LLMs. Tensor Core maximalist. If I say stupid stuff it's not me it's my prompt.","ex-DeepMind, ex-Microsoft","San Francisco",null,"gordic_aleksa","https:\u002F\u002Fgordicaleksa.com\u002F","https:\u002F\u002Fgithub.com\u002Fgordicaleksa",[84],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",100,779,119,"2026-03-30T15:34:56","MIT",1,"Linux, macOS","未说明（教程提及可在 Google Colab 的 TPU 上运行，本地 GPU 需求取决于具体模型训练任务）","未说明",{"notes":97,"python":95,"dependencies":98},"作者明确指出 Windows 系统目前尚不支持直接配置本地环境，强烈建议直接使用 Google Colab 运行提供的 Jupyter Notebook 以避免环境配置问题。该仓库主要为教程集合，无特定显存或内存硬性指标，资源需求随教程复杂度（如多机训练、8 核 TPU 示例）而变化。",[99,100,101,102],"jax","flax","haiku","optax",[14],[99,105,106,107,108,109,110,111,112,100,101,102,113],"deep-learning","machine-learning","numpy","xla","lax","python","jupyter","learn-jax","tutorial","2026-03-27T02:49:30.150509","2026-04-07T04:01:00.722507",[],[]]