[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hanbt--learn_dl":3,"tool-hanbt--learn_dl":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",157379,2,"2026-04-15T23:32:42",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":68,"owner_company":68,"owner_location":75,"owner_email":76,"owner_twitter":68,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":68,"view_count":32,"oss_zip_url":68,"oss_zip_packed_at":68,"status":96,"created_at":97,"updated_at":98,"faqs":99,"releases":130},8068,"hanbt\u002Flearn_dl","learn_dl","Deep learning algorithms source code for beginners","learn_dl 是一个专为深度学习初学者打造的开源代码库，旨在降低人工智能领域的入门门槛。对于许多想要探索神经网络奥秘的新手而言，面对复杂的数学公式和晦涩的框架文档往往无从下手，而 learn_dl 正是为了解决这一痛点而生。它将深奥的深度学习算法转化为清晰、易读的源代码，让学习者能够直接透过代码逻辑理解模型背后的运行机制，从而摆脱“只调包不懂原理”的困境。\n\n该项目非常适合刚接触人工智能的学生、希望夯实基础的开发者，以及需要教学素材的教育工作者使用。不同于那些封装严密的大型框架，learn_dl 的独特亮点在于其“透明化”的实现方式：它剥离了过度工程化的外壳，专注于核心算法的原生实现，涵盖了从基础感知机到复杂卷积网络的经典模型。通过阅读和运行这些代码，用户不仅能快速掌握深度学习的核心概念，还能在修改参数的过程中直观观察模型变化，是开启 AI 学习之旅的理想实践指南。","# learn_dl\nDeep learning algorithms source code for beginners\n",null,"# learn_dl 快速上手指南\n\n## 环境准备\n- **系统要求**：支持 Windows、macOS 或 Linux 系统。\n- **前置依赖**：\n  - Python 3.6 及以上版本\n  - pip 包管理工具\n  - 推荐安装深度学习框架（如 TensorFlow 或 PyTorch，具体视代码实现而定）\n\n## 安装步骤\n1. 克隆项目仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002Flearn_dl.git\n   cd learn_dl\n   ```\n2. 安装依赖包（使用国内镜像源加速）：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n以下是一个最简单的示例，展示如何运行一个基础的深度学习算法：\n\n1. 进入示例目录：\n   ```bash\n   cd examples\n   ```\n2. 运行示例脚本：\n   ```bash\n   python basic_nn.py\n   ```\n3. 观察输出结果，理解模型训练与预测流程。\n\n> 提示：更多示例和详细说明请参考 `examples` 文件夹中的其他脚本及注释。","某高校计算机专业的大二学生李明，正试图从零开始复现论文中的图像分类算法以完成课程大作业。\n\n### 没有 learn_dl 时\n- 面对复杂的深度学习数学公式和抽象概念，李明在网络上搜索到的代码往往缺乏注释或结构混乱，难以理解核心逻辑。\n- 为了搭建一个基础的全连接网络，他需要花费数天时间反复调试张量维度匹配错误，陷入“配环境两小时，跑通五分钟”的困境。\n- 由于缺乏标准的参考实现，他无法判断是自己对反向传播的理解有误，还是代码编写出现了偏差，学习信心备受打击。\n- 网上教程碎片化严重，从数据预处理到模型训练的完整流程断裂，导致他只能拼凑出无法运行的代码片段。\n\n### 使用 learn_dl 后\n- learn_dl 提供了带有详细中文注释的源码，李明可以逐行对照代码与公式，迅速理清了卷积神经网络的数据流向。\n- 借助工具中模块化且经过验证的基础算法模板，他直接复用了标准的网络结构，将环境配置和基础搭建时间缩短至几小时内。\n- 通过对比自己编写的代码与 learn_dl 中的标准实现，他快速定位了梯度计算中的逻辑漏洞，深刻理解了误差反向传播机制。\n- 工具内包含从数据加载、模型构建到训练评估的完整闭环示例，让他能够顺畅地跑通整个实验流程并观察到准确的收敛曲线。\n\nlearn_dl 将晦涩的深度学习理论转化为可执行、可调试的代码实践，极大地降低了初学者入门人工智能的技术门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhanbt_learn_dl_d755538a.png","hanbt","Bingtao Han","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhanbt_840cc5d1.jpg","Tianjin, China","han.bingtao@gmail.com","http:\u002F\u002Fwww.jianshu.com\u002Fu\u002Fcaef4c71a9fe","https:\u002F\u002Fgithub.com\u002Fhanbt",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,1227,982,"2026-03-27T08:08:50","Apache-2.0",1,"","未说明",{"notes":92,"python":90,"dependencies":93},"README 内容过于简略，仅表明该项目是为初学者提供的深度学习算法源代码，未包含具体的运行环境、依赖库或安装说明。建议查看项目源码中的 requirements.txt 文件或联系作者获取详细配置信息。",[],[14,95],"其他","ready_partial","2026-03-27T02:49:30.150509","2026-04-16T15:50:27.936650",[100,105,110,115,120,125],{"id":101,"question_zh":102,"answer_zh":103,"source_url":104},36126,"在 Python 3 环境下运行感知机代码报错 SyntaxError: invalid syntax 怎么办？","Python 3 不再支持 lambda 函数直接解包元组参数。需要修改三处代码：\n1. 将 `lambda (x, w): x * w` 替换为 `lambda x: x[0] * x[1]`；\n2. 在使用 reduce 前增加引用：`from functools import reduce`；\n3. 梯度更新时，由于 map 返回的不是列表，需将相关代码修改为列表推导式：`self.weights = [w + rate * delta * x for (x, w) in zip(input_vec, self.weights)]`。","https:\u002F\u002Fgithub.com\u002Fhanbt\u002Flearn_dl\u002Fissues\u002F36",{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},36127,"perceptron.py 中 reduce 函数的第三个参数 0.0 有什么作用？是多余的吗？","不是多余的。`reduce(function, sequence[, initial])` 的第三个参数 `initial` 是累加的初始值。在这里传入 `0.0` 是为了确保计算结果为浮点类型（float），并作为求和的起始值，防止序列为空时出错或类型不匹配。","https:\u002F\u002Fgithub.com\u002Fhanbt\u002Flearn_dl\u002Fissues\u002F21",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},36128,"全连接层（FC）反向传播计算梯度时，activator.backward 应该使用 input 还是 output？","应该使用 input。激活函数（如 Sigmoid）的导数计算公式通常依赖于该层的输入值（例如 Sigmoid 导数为 output*(1-output)，而 output 是由 input 计算得出的）。在代码实现中，直接使用 `self.input` 来计算激活函数的导数是正确的逻辑，用于传递给前一层的误差项计算。","https:\u002F\u002Fgithub.com\u002Fhanbt\u002Flearn_dl\u002Fissues\u002F3",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},36129,"感知机梯度更新规则中，为什么梯度 delta 是 label - output？这与《统计学习方法》中的公式一致吗？","是一致的。这是由损失函数（通常是均方误差）对权重求导推导简化而来的结果。在梯度下降法中，权重的更新方向是负梯度方向，经过数学推导后，权重更新公式中的误差项即为 `label - output`（真实值减去预测值）。建议阅读教程的第二篇以获取详细的公式推导过程。","https:\u002F\u002Fgithub.com\u002Fhanbt\u002Flearn_dl\u002Fissues\u002F37",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},36130,"运行向量化编程练习时遇到 ValueError: operands could not be broadcast together with shapes 错误如何解决？","该错误通常是因为手动修改导入模块（如将 bp 改为 fc）导致数据结构不匹配。作者已上传了专门使用 fc 代码的源码 `mnist.py`。解决方法是：\n1. 在工作目录下准备 MNIST 数据集的四个文件（t10k-images-idx3-ubyte, t10k-labels-idx1-ubyte, train-images-idx3-ubyte, train-labels-idx1-ubyte）；\n2. 直接执行 `python mnist.py` 即可正常运行，无需手动修改底层广播逻辑。","https:\u002F\u002Fgithub.com\u002Fhanbt\u002Flearn_dl\u002Fissues\u002F2",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},36131,"卷积神经网络（CNN）反向传播时，为什么对 input_array 进行了多次 padding 操作？","在反向传播计算梯度时，为了正确计算误差项并匹配维度，需要对输入数组进行扩展（expanded_array）和填充（padded_array）处理。虽然代码中看似进行了多次操作，但这通常是为了处理卷积核滑动时的边界效应以及确保梯度矩阵与权重矩阵维度对齐的必要步骤。具体实现细节需参考卷积反向传播的链式法则推导。","https:\u002F\u002Fgithub.com\u002Fhanbt\u002Flearn_dl\u002Fissues\u002F48",[]]