[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-guoshnBJTU--ASTGCN-2019-pytorch":3,"similar-guoshnBJTU--ASTGCN-2019-pytorch":45},{"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":18,"owner_location":17,"owner_email":17,"owner_twitter":17,"owner_website":19,"owner_url":20,"languages":21,"stars":26,"forks":27,"last_commit_at":28,"license":17,"difficulty_score":29,"env_os":30,"env_gpu":30,"env_ram":30,"env_deps":31,"category_tags":37,"github_topics":17,"view_count":29,"oss_zip_url":17,"oss_zip_packed_at":17,"status":40,"created_at":41,"updated_at":42,"faqs":43,"releases":44},1304,"guoshnBJTU\u002FASTGCN-2019-pytorch","ASTGCN-2019-pytorch","Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting, AAAI 2019, pytorch version","ASTGCN-2019-pytorch 是 AAAI 2019 论文《Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting》的 PyTorch 复现版，专门用来预测城市道路未来一段时间内的车流量。它把路网看作一张图，先用注意力机制捕捉不同路段之间的空间关联，再用时间卷积捕捉历史流量随时间的变化，从而解决传统方法难以同时建模“空间+时间”复杂依赖的问题。  \n\n代码已集成 PEMS04、PEMS08 两个公开数据集，一条命令即可下载、预处理、训练与测试；配置文件中还能自由切换损失函数、评估指标，方便对比实验。  \n\n这套代码适合交通、时空数据挖掘方向的研究人员或算法工程师，也适合想用图神经网络做预测的开发者快速上手。","# ASTGCN\n\nAttention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting (ASTGCN)\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FguoshnBJTU_ASTGCN-2019-pytorch_readme_8f3096d7e151.png\" alt=\"image-20200103164326338\" style=\"zoom:50%;\" \u002F>\n\nThis is a Pytorch implementation of ASTGCN and MSTCGN. The pytorch version of ASTGCN released here only consists of the  recent component, since the other two components have the same network architecture. \n\n# Reference\n\n```latex\n@inproceedings{guo2019attention,\n  title={Attention based spatial-temporal graph convolutional networks for traffic flow forecasting},\n  author={Guo, Shengnan and Lin, Youfang and Feng, Ning and Song, Chao and Wan, Huaiyu},\n  booktitle={Proceedings of the AAAI Conference on Artificial Intelligence},\n  volume={33},\n  pages={922--929},\n  year={2019}\n}\n```\n\n# Configuration\n\nStep 1: The loss function and metrics can be set in the configuration file in .\u002Fconfigurations\n\nStep 2: The last three lines of the configuration file are as follows:\n\n  ```c++\n  loss_function = masked_mae\n  metric_method = mask\n  missing_value = 0.0\n  ```\n\nloss_function can choose 'masked_mae',  'masked_mse',  'mae',  'mse'. The loss function with a mask does not consider  missing values.\n\nmetric_method can choose 'mask', 'unmask'. The metric with a mask does not evaluate missing values.\n\nThe missing_value is the missing identification, whose default value is 0.0\n\n# Datasets\n\nStep 1: Download PEMS04 and PEMS08 datasets provided by [ASTGNN](https:\u002F\u002Fgithub.com\u002FguoshnBJTU\u002FASTGNN\u002Ftree\u002Fmain\u002Fdata). \n\nStep 2: Process dataset\n\n- on PEMS04 dataset\n\n  ```shell\n  python prepareData.py --config configurations\u002FPEMS04_astgcn.conf\n  ```\n\n- on PEMS08 dataset\n\n  ```shell\n  python prepareData.py --config configurations\u002FPEMS08_astgcn.conf\n  ```\n\n\n\n# Train and Test\n\n- on PEMS04 dataset\n\n  ```shell\n  python train_ASTGCN_r.py --config configurations\u002FPEMS04_astgcn.conf\n  ```\n\n- on PEMS08 dataset\n\n  ```shell\n  python train_ASTGCN_r.py --config configurations\u002FPEMS08_astgcn.conf\n  ```\n\n  \n\n  \n\n\n\n","# ASTGCN\n\n基于注意力机制的时空图卷积网络用于交通流量预测（ASTGCN）\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FguoshnBJTU_ASTGCN-2019-pytorch_readme_8f3096d7e151.png\" alt=\"image-20200103164326338\" style=\"zoom:50%;\" \u002F>\n\n这是ASTGCN和MSTCGN的PyTorch实现。此处发布的ASTGCN的PyTorch版本仅包含最近提出的组件，因为另外两个组件具有相同的网络架构。\n\n# 参考文献\n\n```latex\n@inproceedings{guo2019attention,\n  title={基于注意力机制的时空图卷积网络用于交通流量预测},\n  author={郭盛楠、林友芳、冯宁、宋超、万怀宇},\n  booktitle={AAAI人工智能会议论文集},\n  volume={33},\n  pages={922--929},\n  year={2019}\n}\n```\n\n# 配置\n\n步骤1：损失函数和评估指标可在.\u002Fconfigurations中的配置文件中设置。\n\n步骤2：配置文件的最后三行如下：\n\n  ```c++\n  loss_function = masked_mae\n  metric_method = mask\n  missing_value = 0.0\n  ```\n\nloss_function可选择‘masked_mae’、‘masked_mse’、‘mae’或‘mse’。带掩码的损失函数不考虑缺失值。\n\nmetric_method可选择‘mask’或‘unmask’。带掩码的评估指标不计算缺失值。\n\nmissing_value为缺失值标识，默认值为0.0。\n\n# 数据集\n\n步骤1：下载由[ASTGNN](https:\u002F\u002Fgithub.com\u002FguoshnBJTU\u002FASTGNN\u002Ftree\u002Fmain\u002Fdata)提供的PEMS04和PEMS08数据集。\n\n步骤2：处理数据集\n\n- 对于PEMS04数据集\n\n  ```shell\n  python prepareData.py --config configurations\u002FPEMS04_astgcn.conf\n  ```\n\n- 对于PEMS08数据集\n\n  ```shell\n  python prepareData.py --config configurations\u002FPEMS08_astgcn.conf\n  ```\n\n\n\n# 训练与测试\n\n- 对于PEMS04数据集\n\n  ```shell\n  python train_ASTGCN_r.py --config configurations\u002FPEMS04_astgcn.conf\n  ```\n\n- 对于PEMS08数据集\n\n  ```shell\n  python train_ASTGCN_r.py --config configurations\u002FPEMS08_astgcn.conf\n  ```","# ASTGCN-2019-pytorch 快速上手指南\n\n## 环境准备\n- 操作系统：Linux \u002F macOS \u002F Windows（推荐 Linux）\n- Python ≥ 3.7\n- PyTorch ≥ 1.7（GPU 版优先）\n- CUDA ≥ 10.2（如需 GPU 训练）\n\n## 安装步骤\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002FguoshnBJTU\u002FASTGCN-2019-pytorch.git\ncd ASTGCN-2019-pytorch\n\n# 2. 创建虚拟环境并安装依赖\npython -m venv astgcn_env\nsource astgcn_env\u002Fbin\u002Factivate  # Windows 用 astgcn_env\\Scripts\\activate\npip install -r requirements.txt\n```\n\n## 基本使用\n1. **下载数据**  \n   从 [ASTGNN 仓库](https:\u002F\u002Fgithub.com\u002FguoshnBJTU\u002FASTGNN\u002Ftree\u002Fmain\u002Fdata) 下载 `PEMS04` 或 `PEMS08` 数据集，解压到 `.\u002Fdata\u002F` 目录。\n\n2. **数据预处理**  \n   ```bash\n   # 以 PEMS04 为例\n   python prepareData.py --config configurations\u002FPEMS04_astgcn.conf\n   ```\n\n3. **训练与测试**  \n   ```bash\n   # 训练\n   python train_ASTGCN_r.py --config configurations\u002FPEMS04_astgcn.conf\n   # 测试（自动加载最佳模型）\n   python train_ASTGCN_r.py --config configurations\u002FPEMS04_astgcn.conf --test_only\n   ```\n\n4. **自定义配置**（可选）  \n   编辑 `.\u002Fconfigurations\u002FPEMS04_astgcn.conf` 末尾三行：\n   ```c++\n   loss_function = masked_mae   # 可选：masked_mae \u002F masked_mse \u002F mae \u002F mse\n   metric_method = mask       # 可选：mask \u002F unmask\n   missing_value = 0.0        # 缺失值标识\n   ```\n\n完成！模型结果将保存在 `.\u002Foutput\u002F` 目录。","某市交通信号控制中心的数据科学团队，需要为 2024 年国庆黄金周期间的 200 个关键路口提前 1 小时预测车流量，以便动态调整红绿灯配时方案。\n\n### 没有 ASTGCN-2019-pytorch 时\n- 工程师只能把 200 个路口当作孤立节点，用传统 ARIMA 逐点建模，忽略了路口之间的空间关联，导致高峰期误差高达 35%。  \n- 模型训练一次要 6 小时，GPU 利用率低；每次换路口或换日期都得重新跑脚本，赶不上每天 4 次的配时更新节奏。  \n- 缺失检测器数据时只能粗暴插 0，结果把“拥堵”误判成“畅通”，曾让市中心一条主干道绿灯多亮了 90 秒，引发 3 公里长龙。  \n- 预测结果只有单点流量，没有置信区间，值班人员不敢直接下发策略，只能凭经验再打 8 折，造成绿灯时间浪费 12%。  \n\n### 使用 ASTGCN-2019-pytorch 后\n- 借助图注意力机制，模型把 200 个路口建成一张动态图，同时捕捉上下游关系，黄金周早高峰 MAE 从 35% 降到 12%。  \n- 官方 PyTorch 实现支持 batch 并行，PEMS04 预训练权重迁移后，只需 20 分钟 fine-tune 就能上线，GPU 利用率稳定在 90% 以上。  \n- 内置 masked_mae 损失自动忽略缺失值，检测器掉线 15% 的情况下仍能给出可信预测，避免了那次 90 秒误绿灯事件。  \n- 输出附带时空注意力权重，值班人员一眼看出哪些路口最不确定，直接把置信度低于 80% 的结果标红，策略下发效率提升 3 倍。  \n\nASTGCN-2019-pytorch 让黄金周交通预测从“事后补救”变成“事前精准调控”，真正把 AI 模型开上了城市道路的实时指挥台。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FguoshnBJTU_ASTGCN-2019-pytorch_90fb20e5.png","guoshnBJTU","Shengnan Guo","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FguoshnBJTU_1352cd5d.jpg",null,"Beijing Jiaotong university","guoshnbjtu.github.io","https:\u002F\u002Fgithub.com\u002FguoshnBJTU",[22],{"name":23,"color":24,"percentage":25},"Python","#3572A5",100,728,165,"2026-04-03T09:09:46",2,"未说明",{"notes":32,"python":30,"dependencies":33},"项目仅实现 ASTGCN 的 recent 组件；需先下载 PEMS04\u002FPEMS08 数据集并运行 prepareData.py 生成训练数据；配置文件中可设置损失函数与评估指标",[34,35,36],"torch","numpy","scipy",[38,39],"开发框架","其他","ready","2026-03-27T02:49:30.150509","2026-04-06T05:44:18.745660",[],[],[46,57,66,74,82,94],{"id":47,"name":48,"github_repo":49,"description_zh":50,"stars":51,"difficulty_score":52,"last_commit_at":53,"category_tags":54,"status":40},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",[38,55,56],"图像","Agent",{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":40},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",138956,"2026-04-05T11:33:21",[38,56,65],"语言模型",{"id":67,"name":68,"github_repo":69,"description_zh":70,"stars":71,"difficulty_score":29,"last_commit_at":72,"category_tags":73,"status":40},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",[38,55,56],{"id":75,"name":76,"github_repo":77,"description_zh":78,"stars":79,"difficulty_score":29,"last_commit_at":80,"category_tags":81,"status":40},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",[38,65],{"id":83,"name":84,"github_repo":85,"description_zh":86,"stars":87,"difficulty_score":29,"last_commit_at":88,"category_tags":89,"status":40},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",[55,90,91,92,56,39,65,38,93],"数据工具","视频","插件","音频",{"id":95,"name":96,"github_repo":97,"description_zh":98,"stars":99,"difficulty_score":52,"last_commit_at":100,"category_tags":101,"status":40},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",[56,55,38,65,39]]