[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-henripal--labnotebook":3,"tool-henripal--labnotebook":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",138956,2,"2026-04-05T11:33:21",[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":76,"owner_location":76,"owner_email":76,"owner_twitter":75,"owner_website":79,"owner_url":80,"languages":81,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":106,"env_os":107,"env_gpu":108,"env_ram":108,"env_deps":109,"category_tags":117,"github_topics":118,"view_count":10,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":127,"updated_at":128,"faqs":129,"releases":155},590,"henripal\u002Flabnotebook","labnotebook","LabNotebook is a tool that allows you to flexibly monitor, record, save, and query all your machine learning experiments.","labnotebook 是一款面向深度学习研究者的开源实验管理工具，旨在为机器学习实验提供类似传统纸质笔记本的数字化永久存储。它解决了现有方案如 TensorBoard 难以跨实验对比指标、Sacred 配置过于复杂等痛点。\n\nlabnotebook 的核心优势在于其简洁性。用户只需在代码中调用简单的启动和停止函数，即可自动将实验配置、模型参数、结果及训练曲线存入 PostgreSQL 数据库。通过内置的 Web 应用，用户可以实时监控运行中的实验指标，并随时通过网页或 SQL 语句回溯历史数据。这种设计让实验数据变得关系型且可长期查询，极大提升了复现与对比的效率。\n\n它特别适合需要频繁调整超参数、对比多组实验效果的 AI 开发者和科研人员。尽管目前处于早期阶段，但其灵活的架构和对 PyTorch 的良好支持，使其成为管理实验流程的理想选择。","# LabNotebook\n## A simple experiment manager for deep learning experiments\n\n`labnotebook` allows you to:\n- flexibly save **all** your experimental data in a postgres database through a very simple interface, including configuration, models, results, and training curves.\n- monitor **any** indicators from your running experiments by streaming them through a web application:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhenripal_labnotebook_readme_330526830330.gif)\n- access all this data forever through the web app, through [sqlalchemy](https:\u002F\u002Fwww.sqlalchemy.org\u002F), or through traditional sql text queries.\n\nAll you need to do is to modify your code to include `labnotebook.start_experiment()` and `labnotebook.stop_experiment()` and pass the info you would like to save to the database as arguments. As an option, you can save information for each training step by using `labnotebook.step_experiment()`.\n\nYou can see a very simple example notebook [here](.\u002Fnbs\u002Fbasic_usage.ipynb).\n\nAnother example of how to log while training a ConvNet in PyTorch is [here](.\u002Fnbs\u002Fmnist.ipynb).\n\n## Why labnotebook?\n\nIn the life sciences, scientists write everything in their [lab notebooks](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLab_notebook). I wanted a similar permanent store for my PyTorch experiments that allowed me to:\n- asynchronously look at what was going on. [TensorBoard](https:\u002F\u002Fwww.tensorflow.org\u002Fprogrammers_guide\u002Fsummaries_and_tensorboard) obviously provides excellent functionality, albeit with an interface and storage system that I didn't especially like. It's very hard to keep track of all the indicators of old experiments and to compare them to newer experiments.\n\n- store everything forever in a queryable database. [Sacred](https:\u002F\u002Fgithub.com\u002FIDSIA\u002Fsacred) provides some of this functionality, but the interface is complex and inflexible. In addition, I think experimental data is relational data intermixed with nosql data, and postgres is better adapted to the type of queries for this kind of experimental data.\n\nFor a quick read on the tech stack choices I made, check out my [blog post](https:\u002F\u002Fhenripal.github.io\u002Fblog\u002Flabnotebook).\n\n# Installation\n\n### Set up a postgres database:\n\nFollow the [detailed installation guides](https:\u002F\u002Fwiki.postgresql.org\u002Fwiki\u002FDetailed_installation_guides), create your database, and make a note of your database's url. It's usually of the form `postgres:\u002F\u002F\u003Cusername>:\u003Cpassword>@localhost\u002F\u003Cdatabasename>`.\n\nNote you need version 9.4+.\n\n### Install labnotebook:\n\nClone the repository:\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook.git\n```\n\nEnter the directory and install labnotebook locally:\n```\ncd labnotebook\npip install .\n```\n\n### Start the API:\n\nOnce you've installed the package, you can run the following command on your database url to start the API:\n```\nstart_backend \u003Cdatabase_url>\n```\n\n### Start the webapp:\n\nNavigate to the `frontend` directory and serve it; for example using python 3's http.server:\n```\ncd frontend\npython -m http.server\n```\n\nThen open the serving address and port, typically `http\u002F\u002Flocalhost:8000` if you're using the python server.\n\n# Usage and Documentation:\n\nA simple example notebook is available [here](.\u002Fnbs\u002Fbasic_usage.ipynb).\n\nA more realstic example, training a convolutional neural network on MNIST in PyTorch and logging with `labnotebook` is available [here](.\u002Fnbs\u002Fmnist.ipynb).\n\n# Limitations and To Dos:\n\nThis is a very early alpha version of the tool that I'd thought some people might enjoy. I haven't tested it on older browsers or frameworks. \nFor now I've tested this only on Ubuntu, with PyTorch-style experiments, using chromium.\nI'm happy to get any feedback of how this runs on other platforms! \n\n## Contribution!\n\nI'm by myself working on this and there are bugs galore. Any contributions are welcome; let me know if you would like to contribute but not sure how to go about doing it, and I'll walk you through it!\n\n\n# Attribution:\n\nThe front-end of this project uses [VueJS](https:\u002F\u002Fvuejs.org\u002F), [Vuetify](https:\u002F\u002Fvuetifyjs.com\u002Fen\u002F) and [Highcharts](https:\u002F\u002Fwww.highcharts.com\u002F).\n\n---\n\nIf you like this and want to be updated on what I'm doing, [follow me on twitter?](https:\u002F\u002Ftwitter.com\u002Fhenripal)\n","# LabNotebook\n## 深度学习实验的简易实验管理器\n\n`labnotebook` 允许你：\n- 通过一个非常简单的接口，灵活地将**所有**实验数据保存到 **PostgreSQL（关系型数据库）** 中，包括配置、模型、结果和训练曲线。\n- 通过 Web 应用程序流式传输，监控运行中实验的**任何**指标：\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhenripal_labnotebook_readme_330526830330.gif)\n- 通过 Web 应用、[SQLAlchemy](https:\u002F\u002Fwww.sqlalchemy.org\u002F)（Python SQL 工具库），或传统的 **SQL（结构化查询语言）** 文本查询永久访问所有这些数据。\n\n你需要做的只是修改代码以包含 `labnotebook.start_experiment()` 和 `labnotebook.stop_experiment()`，并将你想保存到数据库的信息作为参数传递。作为可选操作，你可以使用 `labnotebook.step_experiment()` 来保存每个训练步骤的信息。\n\n你可以在 [此处](.\u002Fnbs\u002Fbasic_usage.ipynb) 看到一个非常简单的示例笔记本。\n\n另一个在 PyTorch 中训练 **ConvNet（卷积神经网络）** 时进行日志记录的示例位于 [此处](.\u002Fnbs\u002Fmnist.ipynb)。\n\n## 为什么选择 labnotebook？\n\n在生命科学领域，科学家会在他们的 [实验室笔记本](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLab_notebook) 中记录一切。我想要一个类似的永久存储库用于我的 PyTorch 实验，使我能够：\n- 异步查看正在发生的事情。[TensorBoard](https:\u002F\u002Fwww.tensorflow.org\u002Fprogrammers_guide\u002Fsummaries_and_tensorboard)（可视化工具）显然提供了出色的功能，尽管其界面和存储系统我并不特别喜欢。很难跟踪旧实验的所有指标并将其与新实验进行比较。\n\n- 将所有内容永久存储在可查询的数据库中。[Sacred](https:\u002F\u002Fgithub.com\u002FIDSIA\u002Fsacred) 提供了一些此类功能，但接口复杂且不灵活。此外，我认为实验数据是关系型数据与 **NoSQL（非关系型数据库）** 数据的混合体，而 PostgreSQL 更适合此类实验数据的查询类型。\n\n快速阅读我所做的技术栈选择，请查看我的 [博客文章](https:\u002F\u002Fhenripal.github.io\u002Fblog\u002Flabnotebook)。\n\n# 安装\n\n### 设置 PostgreSQL 数据库：\n\n遵循 [详细的安装指南](https:\u002F\u002Fwiki.postgresql.org\u002Fwiki\u002FDetailed_installation_guides)，创建你的数据库，并记下数据库的 URL。它通常的形式为 `postgres:\u002F\u002F\u003Cusername>:\u003Cpassword>@localhost\u002F\u003Cdatabasename>`。\n\n注意你需要版本 9.4 及以上。\n\n### 安装 labnotebook：\n\n克隆仓库：\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook.git\n```\n\n进入目录并在本地安装 labnotebook：\n```\ncd labnotebook\npip install .\n```\n\n### 启动 API：\n\n安装完包后，你可以在数据库 URL 上运行以下命令来启动 **API（应用程序编程接口）**：\n```\nstart_backend \u003Cdatabase_url>\n```\n\n### 启动 Web 应用：\n\n导航到 `frontend` 目录并提供服务；例如使用 Python 3 的 http.server：\n```\ncd frontend\npython -m http.server\n```\n\n然后打开服务地址和端口，如果你使用的是 Python 服务器，通常是 `http:\u002F\u002Flocalhost:8000`。\n\n# 用法与文档：\n\n一个简单的示例笔记本可在 [此处](.\u002Fnbs\u002Fbasic_usage.ipynb) 找到。\n\n一个更真实的示例，在 PyTorch 中使用 `labnotebook` 对 MNIST 进行卷积神经网络训练并记录日志，可在 [此处](.\u002Fnbs\u002Fmnist.ipynb) 找到。\n\n# 限制与待办事项：\n\n这是一个非常早期的 **Alpha（早期测试）** 版本工具，我认为有些人可能会喜欢。我尚未在旧版浏览器或框架上测试过。 \n目前我仅在 Ubuntu 上使用 Chromium 进行了测试，针对 PyTorch 风格的实验。\n我很乐意收到关于此在其他平台运行情况下的任何反馈！ \n\n## 贡献！\n\n我一个人负责这个项目，存在很多 **Bug（程序错误）**。欢迎任何贡献；如果你想贡献但不确定如何开始，请告诉我，我会带你一步步完成！\n\n\n# 归属：\n\n本项目的前端使用了 [VueJS](https:\u002F\u002Fvuejs.org\u002F)、[Vuetify](https:\u002F\u002Fvuetifyjs.com\u002Fen\u002F) 和 [Highcharts](https:\u002F\u002Fwww.highcharts.com\u002F)。\n\n---\n\n如果你喜欢这个并希望了解我的最新动态，[在 Twitter 上关注我？](https:\u002F\u002Ftwitter.com\u002Fhenripal)","# LabNotebook 快速上手指南\n\n**LabNotebook** 是一个用于深度学习实验的简单实验管理器。它允许你将所有实验数据灵活地保存到 PostgreSQL 数据库中，并通过 Web 应用程序实时监控运行中的实验指标。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：官方主要测试于 Ubuntu，其他系统可能未完全验证。\n*   **数据库**：需要安装 PostgreSQL 数据库（版本需为 **9.4+**）。\n*   **编程语言**：Python 3。\n*   **浏览器**：推荐使用 Chromium 浏览器访问前端界面。\n*   **网络**：建议配置国内 PyPI 镜像源以加速安装。\n\n## 安装步骤\n\n### 1. 配置数据库\n首先创建你的 PostgreSQL 数据库，并记录连接地址。通常格式如下：\n```bash\npostgres:\u002F\u002F\u003Cusername>:\u003Cpassword>@localhost\u002F\u003Cdatabasename>\n```\n\n### 2. 克隆与安装项目\n克隆仓库并进入目录，使用国内镜像源安装本地包：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook.git\ncd labnotebook\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple .\n```\n\n### 3. 启动后端服务\n使用你刚才记录的数据库 URL 启动 API 服务：\n\n```bash\nstart_backend \u003Cdatabase_url>\n```\n*(请将 `\u003Cdatabase_url>` 替换为你的实际数据库连接字符串)*\n\n### 4. 启动前端应用\n进入 `frontend` 目录并使用 Python 内置服务器启动 Web 界面：\n\n```bash\ncd frontend\npython -m http.server\n```\n\n默认情况下，服务将运行在 `http:\u002F\u002Flocalhost:8000`。请在浏览器中打开该地址即可访问。\n\n## 基本使用\n\n在你的深度学习训练代码中，只需引入 `labnotebook` 模块并调用相应的函数来记录实验信息。\n\n### 核心 API\n\n*   `labnotebook.start_experiment()`：开始记录一个新的实验。\n*   `labnotebook.stop_experiment()`：停止当前实验。\n*   `labnotebook.step_experiment()`：(可选) 在每个训练步骤中保存信息。\n\n### 代码示例\n\n以下是一个最小化的使用示例，展示了如何集成到训练循环中：\n\n```python\nimport labnotebook\n\n# 开始实验，传入配置信息\nlabnotebook.start_experiment(config={\"lr\": 0.001, \"batch_size\": 32})\n\ntry:\n    # 模拟训练过程\n    for epoch in range(epochs):\n        # 记录每个步骤的数据\n        loss = train_step()\n        labnotebook.step_experiment(metrics={\"loss\": loss, \"epoch\": epoch})\n        \nfinally:\n    # 结束实验\n    labnotebook.stop_experiment()\n```\n\n### 查看数据\n所有记录的数据都可以通过以下方式访问：\n1.  **Web 界面**：直接在前端页面查看图表和数据。\n2.  **SQL 查询**：通过 SQLAlchemy 或直接使用 SQL 文本查询永久存储的数据。\n\n更多详细用法请参考项目中的示例 Notebook：[basic_usage.ipynb](.\u002Fnbs\u002Fbasic_usage.ipynb) 和 [mnist.ipynb](.\u002Fnbs\u002Fmnist.ipynb)。","某金融风控团队正在开发基于 Transformer 的欺诈检测模型，团队成员每天需进行数十次超参数调优实验，数据管理需求迫切。\n\n### 没有 labnotebook 时\n- 实验日志分散在终端输出和本地文本文件中，查找特定参数组合耗时费力。\n- 缺乏统一的可视化面板，无法直观对比不同版本的损失函数收敛曲线。\n- 旧实验的完整环境配置难以还原，导致优秀模型经常因数据丢失而失效。\n- 跨设备协作时，无法实时同步他人的实验进度，沟通成本极高。\n\n### 使用 labnotebook 后\n- labnotebook 将配置、模型权重及结果统一存入数据库，实现数据的永久存储与关联。\n- 通过内置 Web 应用实时流式监控训练指标，随时掌握实验动态无需等待。\n- 利用 SQLAlchemy 或 SQL 语句灵活查询历史数据，轻松定位最优模型版本。\n- 仅需修改代码添加启动和停止接口，即可自动归档所有关键信息，极大提升复现性。\n\nlabnotebook 通过结构化数据库管理，彻底解决了深度学习实验追踪难、复现难的问题，让科研过程更加透明高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhenripal_labnotebook_33052683.gif","henripal",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhenripal_4d3d5d56.png","ML\u002FDrug Discovery\u002FEngineering lead at Anagenex.","henripal.github.io","https:\u002F\u002Fgithub.com\u002Fhenripal",[82,86,90,94,98],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",41.5,{"name":87,"color":88,"percentage":89},"Vue","#41b883",29.9,{"name":91,"color":92,"percentage":93},"Python","#3572A5",22,{"name":95,"color":96,"percentage":97},"JavaScript","#f1e05a",5.8,{"name":99,"color":100,"percentage":101},"HTML","#e34c26",0.8,528,38,"2026-02-23T14:27:04","MIT",4,"Linux","未说明",{"notes":110,"python":108,"dependencies":111},"需自行安装并配置 PostgreSQL 数据库（版本 9.4+）；目前仅在 Ubuntu 系统上测试通过；前端需通过浏览器访问（推荐 Chromium）；该工具为实验管理日志器，不直接参与模型训练，依赖用户代码集成。",[112,113,114,115,116],"sqlalchemy","postgresql","vuejs","vuetify","highcharts",[13,54,51],[119,120,121,122,113,123,114,124,125,126],"machine-learning","reproducibility","reproducible-research","python","webapp","experimental-data","postgres","experiment-manager","2026-03-27T02:49:30.150509","2026-04-06T05:16:37.421226",[130,135,140,145,150],{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},2411,"自定义字段（custom fields）不更新或导致程序挂起怎么办？","这是一个已知问题，涉及实时更新不刷新自定义字段以及缺少自定义字段字典时程序挂起的情况。该问题已在特定提交中修复（commit: dffe4f0a6321b72f8b7eb9e08fb3c4eae39f9a3b）。请确保您的 labnotebook 版本已包含此修复。","https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook\u002Fissues\u002F9",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},2407,"安装 labnotebook 时出现 'module 'setuptools.dist' has no attribute 'check_specifier'' 错误怎么办？","这是 setuptools 版本兼容性问题。请尝试升级 setuptools 来解决。运行以下命令：\n```\npip install setuptools --upgrade\n```\n或者在需要权限时使用：\n```\nsudo pip install setuptools --upgrade\n```","https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook\u002Fissues\u002F6",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},2408,"前端页面无法显示任何实验（experiments）是什么原因？","这通常是因为直接双击打开 `index.html` 文件导致的 CORS（跨域资源共享）问题，Linux 和 macOS 系统对本地文件的请求头处理方式不同。解决方法是使用 Python 内置服务器托管前端文件：\n1. 进入 `frontend` 目录。\n2. 运行 `python -m http.server`。\n3. 在浏览器中访问终端显示的地址。","https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook\u002Fissues\u002F4",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},2409,"运行 `start_experiment` 时报错 InvalidRequestError 且提示数据库表不存在怎么办？","这通常是由于之前的 SQL 错误导致当前会话的事务被回滚，从而引发后续操作失败。建议按以下步骤排查：\n1. 重启 Jupyter Notebook 的 Kernel 并从头按顺序重新运行代码。\n2. 如果无效，尝试重启 PostgreSQL 服务：`sudo service postgresql restart`。","https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook\u002Fissues\u002F3",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},2410,"使用 PyTorch 示例时日志报错 500 且无法保存所有信息（除运行列表外）怎么办？","这通常是因为脚本中将不正确的数据类型（如 Tensor 对象）保存到了数据库中。建议采取以下措施：\n1. 先在数据库中仅保存原始的 Python 类型变量（例如 zeros）进行测试。\n2. 逐步添加指标，并确保所有保存的指标都是原生 Python 类型。\n3. 注意旧版 PyTorch 中某些操作（如对 Tensor 取 numpy mean）可能返回 ByteTensor 而非标量，需进行类型转换。","https:\u002F\u002Fgithub.com\u002Fhenripal\u002Flabnotebook\u002Fissues\u002F10",[]]