[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hse-aml--intro-to-dl":3,"tool-hse-aml--intro-to-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",153609,2,"2026-04-13T11:34:59",[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":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":76,"difficulty_score":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":108,"github_topics":109,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":143},7120,"hse-aml\u002Fintro-to-dl","intro-to-dl","Resources for \"Introduction to Deep Learning\" course.","intro-to-dl 是莫斯科高等经济学院（HSE）为 Coursera“深度学习入门”课程配套的开源资源库，旨在帮助学习者通过实战代码掌握深度学习核心概念。它主要解决了初学者在配置复杂深度学习环境时的痛点，提供了从数据加载、模型构建到训练评估的完整 Jupyter Notebook 示例，让用户能专注于算法逻辑而非环境搭建。\n\n该项目特别适合希望系统学习深度学习的开发者、学生及研究人员使用。其独特亮点在于对运行环境的极致优化：不仅支持一键在 Google Colab 上利用免费 GPU 资源进行云端实验，避免了本地硬件限制；还详细提供了基于 Docker 和 Anaconda 的本地部署方案，兼顾了 Mac、Linux 及 Windows 不同平台用户的需求。对于进阶用户，项目甚至包含了在本地容器中调用 GPU 加速的高级指南。无论是零基础入门还是希望复现经典案例，intro-to-dl 都能提供流畅、高效且低门槛的学习体验，是通往深度学习领域的实用桥梁。","# Introduction to Deep Learning course resources\nhttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fintro-to-deep-learning\n\n## Running on Google Colab (tested for all weeks)\nGoogle has released its own flavour of Jupyter called Colab, which has free GPUs!\n\nHere's how you can use it:\n1. Open https:\u002F\u002Fcolab.research.google.com, click **Sign in** in the upper right corner, use your Google credentials to sign in.\n2. Click **GITHUB** tab, paste https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl and press Enter\n3. Choose the notebook you want to open, e.g. week2\u002Fv2\u002Fmnist_with_keras.ipynb\n4. Click **File -> Save a copy in Drive...** to save your progress in Google Drive\n5. Click **Runtime -> Change runtime type** and select **GPU** in Hardware accelerator box\n6. **Execute** the following code in the first cell that downloads dependencies (change for your week number):\n```python\n! shred -u setup_google_colab.py\n! wget https:\u002F\u002Fraw.githubusercontent.com\u002Fhse-aml\u002Fintro-to-dl\u002Fmaster\u002Fsetup_google_colab.py -O setup_google_colab.py\nimport setup_google_colab\n# please, uncomment the week you're working on\n# setup_google_colab.setup_week1()\n# setup_google_colab.setup_week2()\n# setup_google_colab.setup_week2_honor()\n# setup_google_colab.setup_week3()\n# setup_google_colab.setup_week4()\n# setup_google_colab.setup_week5()\n# setup_google_colab.setup_week6()\n```\n7. If you run many notebooks on Colab, they can continue to eat up memory,\nyou can kill them with `! pkill -9 python3` and check with `! nvidia-smi` that GPU memory is freed.\n\n**Known issues:**\n* Blinking animation with `IPython.display.clear_output()`.\nIt's usable, but still looking for a workaround.\n\n## Offline instructions\nCoursera Jupyter Environment can be slow if many learners use it heavily. \nOur tasks are compute-heavy and we recommend to run them on your hardware for optimal performance.\n\nYou will need a computer with at least 4GB of RAM.\n\nThere're two options to setup the Jupyter Notebooks locally: Docker container and Anaconda.\n\n### Docker container option (best for Mac\u002FLinux)\n\nFollow the instructions on https:\u002F\u002Fhub.docker.com\u002Fr\u002Fzimovnov\u002Fcoursera-aml-docker\u002F to install Docker container with all necessary software installed.\n\nAfter that you should see a Jupyter page in your browser.\n\n### Anaconda option (best for Windows)\nWe highly recommend to install docker environment, but if it's not an option, \nyou can try to install the necessary python modules with Anaconda.\n\nFirst, install Anaconda with **Python 3.5+** from [here](https:\u002F\u002Fwww.anaconda.com\u002Fdownload).\n\nDownload `conda_requirements.txt` from [here](https:\u002F\u002Fgithub.com\u002FZEMUSHKA\u002Fcoursera-aml-docker\u002Fblob\u002Fmaster\u002Fconda_requirements.txt).\n\nOpen terminal on Mac\u002FLinux or \"Anaconda Prompt\" in Start Menu on Windows and run:\n```\nconda config --append channels conda-forge\nconda config --append channels menpo\nconda install --yes --file conda_requirements.txt\n```\n\nTo start Jupyter Notebooks run `jupyter notebook` on Mac\u002FLinux or \"Jupyter Notebook\" in Start Menu on Windows.\n\nAfter that you should see a Jupyter page in your browser.\n\n### Prepare resources inside Jupyter Notebooks (for local setups only)\n\nClick **New -> Terminal** and execute: `git clone https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl.git`\nOn Windows you might want to install [Git](https:\u002F\u002Fgit-scm.com\u002Fdownload\u002Fwin). \nYou can also download all the resources as zip archive from GitHub page.\n\nClose the terminal and refresh Jupyter page, you will see **intro-to-dl** folder, go there, \nall the necessary notebooks are waiting for you.\n\nFirst you need to download necessary resources, to do that open `download_resources.ipynb` \nand run cells for Keras and your week.\n\nNow you can open a notebook for the corresponding week and work there just like in Coursera Jupyter Environment.\n\n### Using GPU for offline setup (for advanced users)\n- If you have a **Linux host** you can try these instructions for Docker: \nhttps:\u002F\u002Fgithub.com\u002FZEMUSHKA\u002Fcoursera-aml-docker#using-gpu-in-your-container-linux-hosts-only\n- The easiest way is to go with Anaconda setup, \nthat doesn't need virtualization and \nthus works with a GPU on all platforms (including Windows and Mac). \nYou will still have to install NVIDIA GPU driver, CUDA toolkit and CuDNN \n(requires registration with NVIDIA) \non your host machine in order for TensorFlow to work with your GPU: \nhttps:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fr1.2\u002Finstall\u002Finstall_linux#nvidia_requirements_to_run_tensorflow_with_gpu_support\nIt can be hard to follow, so you might choose to stick to a CPU version, \nwhich is also fine for the purpose of this course.\n","# 深度学习导论课程资源\nhttps:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fintro-to-deep-learning\n\n## 在 Google Colab 上运行（已测试所有周次）\nGoogle 推出了名为 Colab 的 Jupyter 版本，它配备了免费的 GPU！\n\n以下是使用方法：\n1. 打开 https:\u002F\u002Fcolab.research.google.com，在右上角点击 **Sign in**，使用您的 Google 账号登录。\n2. 点击 **GITHUB** 选项卡，粘贴 https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl 并按 Enter 键。\n3. 选择您想要打开的笔记本，例如 week2\u002Fv2\u002Fmnist_with_keras.ipynb。\n4. 点击 **File -> Save a copy in Drive...** 将您的进度保存到 Google Drive 中。\n5. 点击 **Runtime -> Change runtime type**，在 Hardware accelerator 框中选择 **GPU**。\n6. 在第一个单元格中执行以下代码以下载依赖项（请根据您所在的周数进行修改）：\n```python\n! shred -u setup_google_colab.py\n! wget https:\u002F\u002Fraw.githubusercontent.com\u002Fhse-aml\u002Fintro-to-dl\u002Fmaster\u002Fsetup_google_colab.py -O setup_google_colab.py\nimport setup_google_colab\n# 请取消注释您正在学习的那一周\n# setup_google_colab.setup_week1()\n# setup_google_colab.setup_week2()\n# setup_google_colab.setup_week2_honor()\n# setup_google_colab.setup_week3()\n# setup_google_colab.setup_week4()\n# setup_google_colab.setup_week5()\n# setup_google_colab.setup_week6()\n```\n7. 如果您在 Colab 上运行多个笔记本，它们可能会持续占用内存。您可以使用 `! pkill -9 python3` 杀死这些进程，并通过 `! nvidia-smi` 检查 GPU 内存是否已被释放。\n\n**已知问题：**\n* 使用 `IPython.display.clear_output()` 时会出现闪烁动画。虽然可以使用，但我们仍在寻找解决方案。\n\n## 离线操作说明\nCoursera 的 Jupyter 环境在大量学员同时使用时可能会比较慢。由于我们的任务计算量较大，我们建议您在本地硬件上运行，以获得最佳性能。\n\n您需要一台至少配备 4GB 内存的计算机。\n\n在本地设置 Jupyter Notebook 有两种方式：使用 Docker 容器或 Anaconda。\n\n### Docker 容器方式（最适合 Mac\u002FLinux）\n\n请按照 https:\u002F\u002Fhub.docker.com\u002Fr\u002Fzimovnov\u002Fcoursera-aml-docker\u002F 上的说明安装 Docker 容器，其中已预装所有必要的软件。\n\n安装完成后，您应该会在浏览器中看到 Jupyter 页面。\n\n### Anaconda 方式（最适合 Windows）\n\n我们强烈建议您安装 Docker 环境，但如果条件不允许，也可以尝试使用 Anaconda 安装所需的 Python 模块。\n\n首先，请从 [这里](https:\u002F\u002Fwww.anaconda.com\u002Fdownload) 下载并安装包含 **Python 3.5+** 的 Anaconda。\n\n然后从 [这里](https:\u002F\u002Fgithub.com\u002FZEMUSHKA\u002Fcoursera-aml-docker\u002Fblob\u002Fmaster\u002Fconda_requirements.txt) 下载 `conda_requirements.txt` 文件。\n\n在 Mac\u002FLinux 上打开终端，或在 Windows 的开始菜单中打开“Anaconda Prompt”，并运行以下命令：\n```\nconda config --append channels conda-forge\nconda config --append channels menpo\nconda install --yes --file conda_requirements.txt\n```\n\n要启动 Jupyter Notebook，请在 Mac\u002FLinux 上运行 `jupyter notebook`，或在 Windows 的开始菜单中选择“Jupyter Notebook”。\n\n之后，您应该会在浏览器中看到 Jupyter 页面。\n\n### 在 Jupyter Notebook 中准备资源（仅限本地设置）\n\n点击 **New -> Terminal**，然后执行：`git clone https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl.git`  \n在 Windows 上，您可能需要先安装 [Git](https:\u002F\u002Fgit-scm.com\u002Fdownload\u002Fwin)。您也可以直接从 GitHub 页面下载所有资源的压缩包。\n\n关闭终端并刷新 Jupyter 页面，您将看到 **intro-to-dl** 文件夹，进入该文件夹后，所有必要的笔记本都已准备就绪。\n\n首先，您需要下载必要的资源。为此，请打开 `download_resources.ipynb`，并运行与 Keras 和您所在周相关的单元格。\n\n现在，您可以打开对应周的笔记本，像在 Coursera 的 Jupyter 环境中一样进行学习和练习。\n\n### 在离线设置中使用 GPU（适用于高级用户）\n- 如果您使用的是 **Linux 主机**，可以参考以下 Docker 指南：  \nhttps:\u002F\u002Fgithub.com\u002FZEMUSHKA\u002Fcoursera-aml-docker#using-gpu-in-your-container-linux-hosts-only\n- 最简单的方法是使用 Anaconda 设置，因为它不需要虚拟化，因此可以在所有平台上（包括 Windows 和 Mac）使用 GPU。不过，您仍需在主机上安装 NVIDIA GPU 驱动程序、CUDA 工具包和 CuDNN（需在 NVIDIA 官网注册），以便 TensorFlow 能够利用您的 GPU：  \nhttps:\u002F\u002Fwww.tensorflow.org\u002Fversions\u002Fr1.2\u002Finstall\u002Finstall_linux#nvidia_requirements_to_run_tensorflow_with_gpu_support  \n这一过程可能较为复杂，因此您也可以选择使用 CPU 版本，这对本课程的学习来说同样足够。","# intro-to-dl 快速上手指南\n\n本指南旨在帮助开发者快速搭建深度学习入门课程（Introduction to Deep Learning）的本地或云端运行环境。\n\n## 环境准备\n\n在开始之前，请确保满足以下系统要求：\n\n*   **硬件要求**：至少 4GB 内存。若需使用 GPU 加速，需配备 NVIDIA 显卡。\n*   **操作系统**：Windows、macOS 或 Linux。\n*   **前置依赖**（二选一）：\n    *   **方案 A（推荐 Mac\u002FLinux）**：已安装 Docker。\n    *   **方案 B（推荐 Windows）**：已安装 Anaconda (Python 3.5+)。\n*   **账号准备**（仅云端模式）：Google 账号（用于 Colab）。\n\n> **注意**：国内用户访问 GitHub 或 Google Colab 可能受限。若网络不畅，强烈建议使用**离线本地部署**方案，并配置国内镜像源加速依赖下载。\n\n---\n\n## 安装步骤\n\n### 方案一：使用 Google Colab（云端免配置）\n\n适合希望立即开始编码且无需本地安装环境的用户。\n\n1.  访问 [https:\u002F\u002Fcolab.research.google.com](https:\u002F\u002Fcolab.research.google.com) 并登录 Google 账号。\n2.  点击 **GITHUB** 标签页，粘贴仓库地址 `https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl` 并回车。\n3.  选择需要运行的 Notebook（例如：`week2\u002Fv2\u002Fmnist_with_keras.ipynb`）。\n4.  点击菜单栏 **File -> Save a copy in Drive...** 将副本保存至个人 Google Drive。\n5.  点击 **Runtime -> Change runtime type**，在 Hardware accelerator 下拉框中选择 **GPU**。\n6.  在第一个代码单元格中执行以下命令以安装依赖（**务必取消注释对应周数的代码行**）：\n\n```python\n! shred -u setup_google_colab.py\n! wget https:\u002F\u002Fraw.githubusercontent.com\u002Fhse-aml\u002Fintro-to-dl\u002Fmaster\u002Fsetup_google_colab.py -O setup_google_colab.py\nimport setup_google_colab\n# please, uncomment the week you're working on\n# setup_google_colab.setup_week1()\n# setup_google_colab.setup_week2()\n# setup_google_colab.setup_week2_honor()\n# setup_google_colab.setup_week3()\n# setup_google_colab.setup_week4()\n# setup_google_colab.setup_week5()\n# setup_google_colab.setup_week6()\n```\n\n### 方案二：本地部署 - Docker 容器（Mac\u002FLinux 首选）\n\n1.  参考官方文档安装 Docker 及包含所有必要软件的镜像：\n    [https:\u002F\u002Fhub.docker.com\u002Fr\u002Fzimovnov\u002Fcoursera-aml-docker\u002F](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fzimovnov\u002Fcoursera-aml-docker\u002F)\n2.  启动容器后，浏览器会自动打开 Jupyter 页面。\n\n### 方案三：本地部署 - Anaconda（Windows 首选）\n\n1.  从官网下载并安装 **Anaconda (Python 3.5+)**。\n2.  下载依赖配置文件 `conda_requirements.txt`：\n    [https:\u002F\u002Fgithub.com\u002FZEMUSHKA\u002Fcoursera-aml-docker\u002Fblob\u002Fmaster\u002Fconda_requirements.txt](https:\u002F\u002Fgithub.com\u002FZEMUSHKA\u002Fcoursera-aml-docker\u002Fblob\u002Fmaster\u002Fconda_requirements.txt)\n3.  打开终端（Mac\u002FLinux）或 \"Anaconda Prompt\"（Windows），运行以下命令配置国内镜像源并安装依赖：\n\n```bash\n# 配置清华镜像源（加速下载）\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\nconda config --set show_channel_urls yes\n\n# 添加课程所需频道\nconda config --append channels conda-forge\nconda config --append channels menpo\n\n# 安装依赖（确保 conda_requirements.txt 在当前目录）\nconda install --yes --file conda_requirements.txt\n```\n\n4.  启动 Jupyter：\n    *   Mac\u002FLinux: 运行 `jupyter notebook`\n    *   Windows: 在开始菜单点击 \"Jupyter Notebook\"\n\n### 本地资源初始化（Docker\u002FAnaconda 通用）\n\n环境启动后，需在 Jupyter 界面内获取课程代码：\n\n1.  在 Jupyter 主页点击 **New -> Terminal**。\n2.  执行克隆命令（Windows 用户若未安装 Git，可直接在 GitHub 页面下载 ZIP 包解压）：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl.git\n    ```\n    *(国内用户若克隆速度慢，可尝试使用 Gitee 镜像或手动下载 ZIP)*\n3.  关闭终端，刷新 Jupyter 页面，进入 **intro-to-dl** 文件夹。\n4.  打开 `download_resources.ipynb`，运行对应 Keras 版本和当前周数的单元格以下载数据集等资源。\n\n---\n\n## 基本使用\n\n完成上述安装和资源下载后，即可开始学习：\n\n1.  **选择课程笔记**：在 `intro-to-dl` 文件夹中，根据当前学习进度打开对应的 Notebook（如 `week1\u002F...ipynb`）。\n2.  **运行代码**：按顺序执行单元格（Cell），代码将自动加载数据并训练模型。\n3.  **GPU 资源管理**（仅限 Colab）：\n    若同时运行多个笔记导致显存不足，可在新单元格执行以下命令清理进程：\n    ```python\n    ! pkill -9 python3\n    ```\n    并通过以下命令确认显存是否释放：\n    ```python\n    ! nvidia-smi\n    ```\n\n> **提示**：对于本地高级用户，若需启用 GPU 加速，Linux 用户可配置 Docker GPU 支持；Windows\u002FMac 用户建议直接使用 Anaconda 环境，并预先安装好 NVIDIA 驱动、CUDA Toolkit 及 CuDNN。若配置困难，使用 CPU 版本亦足以完成本课程练习。","计算机专业学生李明正在自学深度学习，试图完成 Coursera 上的经典课程作业，却卡在环境配置阶段。\n\n### 没有 intro-to-dl 时\n- **环境依赖地狱**：手动安装 TensorFlow、Keras 及各类科学计算库时，常因版本冲突导致报错，耗费数天仍无法运行第一个示例代码。\n- **硬件门槛受限**：本地电脑缺乏独立显卡，训练简单的 MNIST 手写数字识别模型需耗时数小时，严重打击学习积极性。\n- **资源获取繁琐**：课程所需的数据集和辅助脚本分散在不同链接，手动下载整理容易出错，导致笔记本运行中断。\n- **平台性能瓶颈**：直接使用 Coursera 官方在线编辑器时，因并发用户过多导致响应迟缓甚至超时断开，代码调试体验极差。\n\n### 使用 intro-to-dl 后\n- **一键环境就绪**：通过提供的 Docker 容器或 Anaconda 配置文件，几分钟内即可在本地复现包含所有依赖的完整开发环境，彻底解决版本兼容问题。\n- **免费算力加持**：利用工具内置的 Google Colab 集成脚本，一键挂载免费 GPU 资源，将模型训练时间从小时级缩短至分钟级。\n- **资源自动管理**：运行专用的 `download_resources.ipynb` 脚本，自动下载并配置好当周课程所需的所有数据集与预处理代码，确保护程流畅无阻。\n- **灵活部署方案**：既可在云端利用 Colab 快速实验，也可在本地离线运行，即使网络波动也能保证学习进度不中断。\n\nintro-to-dl 将原本繁琐的环境搭建与资源准备工作自动化，让学习者能专注于深度学习算法本身而非工程配置。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhse-aml_intro-to-dl_06d92caa.png","hse-aml","Advanced Machine Learning specialisation by HSE","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhse-aml_3a1ea36c.png","",null,"https:\u002F\u002Fwww.coursera.org\u002Fspecializations\u002Faml","https:\u002F\u002Fgithub.com\u002Fhse-aml",[80,84],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",97.7,{"name":85,"color":86,"percentage":87},"Python","#3572A5",2.3,754,710,"2026-03-17T08:54:39","Linux, macOS, Windows","非必需。若需使用 GPU，必须为 NVIDIA 显卡，并需在主机上安装对应的 NVIDIA 驱动、CUDA Toolkit 和 CuDNN（具体版本未说明，需参考 TensorFlow r1.2 要求）。Google Colab 提供免费 GPU 支持。","最低 4GB",{"notes":95,"python":96,"dependencies":97},"推荐使用 Docker 容器（适用于 Mac\u002FLinux）或 Anaconda（适用于 Windows）进行本地部署。若在 Google Colab 运行，需执行特定脚本配置环境并注意清理内存。本地使用 GPU 属于高级用户选项，配置较复杂，课程目的下使用 CPU 版本亦可。","3.5+",[98,99,100,101,102,103,104,105,106,107],"tensorflow (r1.2 compatible)","keras","jupyter","numpy","scipy","matplotlib","pandas","scikit-learn","h5py","Pillow",[14],[110],"deep-learning","2026-03-27T02:49:30.150509","2026-04-13T22:46:01.868193",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},31989,"如何在 Google Colab 上顺利运行包含 Dropout 或 BatchNorm 层的 Keras 模型？","如果在 Colab 中混合使用 Keras 层和 TensorFlow 优化调用，Keras 自动管理的学习阶段（learning_phase）可能会失效，导致验证时 Dropout 未关闭。解决方案是手动设置后端学习阶段：\n1. 导入后端：`import keras.backend as K`\n2. 训练时设置：`K.set_learning_phase(1)`\n3. 验证\u002F测试时务必设置为：`K.set_learning_phase(0)`\n建议尽量使用 Keras 原生的 `compile()`、`fit()` 和 `predict()` 方法，它们会自动处理学习阶段。","https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl\u002Fissues\u002F13",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},31990,"提交作业时遇到 'module 'grading_utils' has no attribute' 错误怎么办？","这通常是由于 Google Colab 环境下载文件或导入模块时出现缓存问题。请尝试重新运行以下设置代码来修复：\n```python\n! wget https:\u002F\u002Fraw.githubusercontent.com\u002Fhse-aml\u002Fintro-to-dl\u002Fmaster\u002Fsetup_google_colab.py -O setup_google_colab.py\nimport setup_google_colab\nsetup_google_colab.setup_week3() # 根据具体周数调整函数名\n\nfrom importlib import reload\nimport grading_utils\nreload(grading_utils)\n```\n重新加载模块后通常即可解决。","https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl\u002Fissues\u002F15",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},31991,"运行 week4 lfw_dataset.py 时遇到 Pandas merge ValueError 错误如何修复？","这是由于新版 Pandas 对列名处理的变化导致的。可以在加载数据前添加以下代码修复列名问题：\n```python\ndf_attrs.columns = list(df_attrs.columns)[1:] + [\"NaN\"]\ndf_attrs = df_attrs.drop(\"NaN\", axis=1)\n```\n如果是在 Colab 上遇到下载问题，也可以尝试手动下载所需文件：\n```bash\n! wget http:\u002F\u002Fwww.cs.columbia.edu\u002FCAVE\u002Fdatabases\u002Fpubfig\u002Fdownload\u002Flfw_attributes.txt\n! wget http:\u002F\u002Fvis-www.cs.umass.edu\u002Flfw\u002Flfw-deepfunneled.tgz\n! wget http:\u002F\u002Fvis-www.cs.umass.edu\u002Flfw\u002Flfw.tgz\n```","https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl\u002Fissues\u002F14",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},31992,"如何在本地 Jupyter Notebook 中运行第 6 周的图像描述（Image Captioning）项目并获取所需数据？","不要手动猜测文件位置，官方提供了专门的脚本来下载和链接所有必要资源。请在本地环境中运行仓库根目录下的 `download_resources.ipynb` Notebook。\n该脚本会自动处理以下文件的下载和链接：\n- `captions_train-val2014.zip`: 包含图像对应的文本描述（JSON 格式）。\n- `train2014_sample.zip` 和 `val2014_sample.zip`: 用于结果可视化的图像样本。\n运行该 Notebook 后，`download_utils.py` 中的链接函数即可正常工作。","https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl\u002Fissues\u002F6",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},31993,"下载资源时出现 \"Download failed\" 或包冲突错误该如何解决？","这通常是因为混用了 Conda 和 Pip 导致的依赖冲突。请根据您的需求选择以下一种推荐方案：\n1. **Docker 方案（推荐）**：使用官方 Docker 容器，它基于干净的 Ubuntu 并使用 `requirements.txt` 进行 Pip 安装，避免环境冲突。\n2. **Anaconda 方案（适合 Windows）**：如果已安装 Anaconda，请严格遵循仓库说明中的 Anaconda 安装步骤，使用 `conda_requirements.txt`，不要混用 Pip 安装核心依赖。\n注意：不要同时运行 `conda_requirements.txt` 和 `pip install -r requirements.txt`，这会导致包重复安装和版本冲突。","https:\u002F\u002Fgithub.com\u002Fhse-aml\u002Fintro-to-dl\u002Fissues\u002F4",{"id":140,"question_zh":141,"answer_zh":142,"source_url":138},31994,"在 Docker 环境中如何正确安装和启用 jupyter_contrib_nbextensions？","如果在运行中的 Notebook 里直接安装扩展可能会失败。建议在 Dockerfile 构建阶段或终端中按以下步骤操作：\n1. 使用 Pip 安装 Python 包：`pip install jupyter_contrib_nbextensions`\n2. 安装扩展文件：`jupyter contrib nbextension install --sys-prefix`\n3. 启用特定扩展（如 widgets）：\n```bash\njupyter nbextension enable --py --sys-prefix widgetsnbextension\njupyter labextension install @jupyter-widgets\u002Fjupyterlab-manager\n```\n避免在 `requirements.txt` 中直接列出该包，以免产生双重包问题。",[144,149,154,159,164,169],{"id":145,"version":146,"summary_zh":147,"released_at":148},239235,"ColabTqdm","ColabTqdm 来自 https:\u002F\u002Fgithub.com\u002Ftqdm\u002Ftqdm\u002Fpull\u002F640","2018-12-11T21:32:47",{"id":150,"version":151,"summary_zh":152,"released_at":153},239236,"v0.5","对于那些自担风险使用 Python 2 的人 :) \r\n已在 Python 2.7.6 上测试通过。\n论坛目前**唯一**支持的版本仍然是 Python 3。","2018-01-11T21:55:06",{"id":155,"version":156,"summary_zh":157,"released_at":158},239237,"v0.4","第4周资源","2017-10-28T22:44:17",{"id":160,"version":161,"summary_zh":162,"released_at":163},239238,"v0.3","第3周资源","2017-10-15T23:41:54",{"id":165,"version":166,"summary_zh":167,"released_at":168},239239,"v0.2","Keras 资源","2017-10-15T23:30:01",{"id":170,"version":171,"summary_zh":172,"released_at":173},239240,"v0.1","第6周资源","2017-10-15T20:26:03"]