[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-https-deeplearning-ai--tensorflow-1-public":3,"tool-https-deeplearning-ai--tensorflow-1-public":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"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":65,"owner_location":65,"owner_email":65,"owner_twitter":65,"owner_website":65,"owner_url":76,"languages":77,"stars":82,"forks":83,"last_commit_at":84,"license":85,"difficulty_score":86,"env_os":87,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":92,"github_topics":65,"view_count":24,"oss_zip_url":65,"oss_zip_packed_at":65,"status":17,"created_at":93,"updated_at":94,"faqs":95,"releases":96},10075,"https-deeplearning-ai\u002Ftensorflow-1-public","tensorflow-1-public",null,"tensorflow-1-public 是 DeepLearning.AI 推出的 TensorFlow 开发者课程配套开源资源库，旨在帮助学习者系统掌握人工智能、机器学习及深度学习的基础与实战技能。该资源库通过结构化的周度作业和无评分实验，覆盖了从基础的神经网络构建、计算机视觉（如卷积神经网络、图像增强、迁移学习）到自然语言处理（如文本序列分析、情感分类、LSTM 与 GRU 模型应用）等核心领域。\n\n它主要解决了初学者在理论转化为代码实践过程中缺乏高质量、分步骤指导案例的痛点。通过提供如房价预测、手写数字识别、猫狗分类及新闻情感分析等经典场景的完整代码笔记本（Notebook），用户可以直观地理解算法原理并动手调试模型。\n\n这套资源非常适合希望入门或进阶 TensorFlow 框架的开发者、数据科学学生以及 AI 研究人员使用。其独特的技术亮点在于课程设计循序渐进，不仅包含基础模型搭建，还深入探讨了回调函数、数据预处理技巧、过拟合应对策略以及多类别分类等实际工程问题。无论是想要夯实基础的新手，还是寻求特定 NLP 或 CV 任务参考代码的从业者，都能从中获得宝贵的实践经验。","# DeepLearning.AI TensorFlow Developer\n\nWelcome to the public repo for this course.\n\nBelow is the list of assignments and ungraded labs course-wise.\n\n\n### Want to contribute?\n\nAt the time we are not accepting Pull Requests but if you have any suggestion or spot any typo please raise an issue. \n\nIf you find a bug that is blocking in any way consider joining our [community](https:\u002F\u002Fcommunity.deeplearning.ai\u002F) where our mentors and team will help you. You can also find more information on our community in this Reading Item within\n[Coursera](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fintroduction-tensorflow\u002FungradedLti\u002F3L0GK\u002Fimportant-have-questions-issues-or-ideas-join-our-community).\n\n-----\n\n## C1 - Introduction to TensorFlow for Artificial Intelligence, Machine Learning, and Deep Learning\n\n## Week 1\n\n### Assignment\n\n- Housing Prices _(C1W1_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Hello World Neural Network _(C1_W1_Lab_1_hello_world_nn.ipynb)_\n\n## Week 2\n\n### Assignment\n\n- Handwriting Recognition _(C1W2_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Beyond Hello World, A Computer Vision Example _(C1_W2_Lab_1_beyond_hello_world.ipynb)_\n2. Callbacks _(C1_W2_Lab_2_callbacks.ipynb)_\n\n## Week 3\n\n### Assignment\n\n- Improve MNIST with Convolutions _(C1W3_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Improving Accuracy with Convolutions _(C1_W3_Lab_1_improving_accuracy_using_convolutions.ipynb)_\n2. Exploring Convolutions _(C1_W3_Lab_2_exploring_convolutions.ipynb)_\n\n## Week 4\n\n### Assignment\n\n- Handling Complex Images _(C1W4_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Preprocessing Images to Train a Neural Network _(C1_W4_Lab_1_image_data_preprocessing_no_validation.ipynb)_\n2. Image Data Preprocessing with a Validation Set _(C1_W4_Lab_2_image_data_preprocessing_with_validation.ipynb)_\n3. Compacted Images _(C1_W4_Lab_3_compacted_images.ipynb)_\n\n## C2 - Convolutional Neural Networks in TensorFlow\n\n## Week 1\n\n### Assignment\n\n- Cats vs. Dogs _(C2W1_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Using more sophisticated images with Convolutional Neural Networks _(C2_W1_Lab_1_cats_vs_dogs.ipynb)_\n\n## Week 2\n\n### Assignment\n\n- Cats vs. Dogs using Augmentation _(C2W2_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Cats vs. Dogs with Augmentation _(C2_W2_Lab_1_cats_v_dogs_augmentation.ipynb)_\n2. Horses vs. Humans with Augmentation _(C2_W2_Lab_2_horses_v_humans_augmentation.ipynb)_\n\n## Week 3 \n\n### Assignment\n\n- Horses vs. Humans using Transfer Learning _(C2W3_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Exploring Transfer Learning _(C2_W3_Lab_1_transfer_learning.ipynb)_\n\n## Week 4\n\n### Assignment\n\n- Multi-class Classifier _(C2W4_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Classifying Rock, Paper, and Scissors _(C2_W4_Lab_1_multi_class_classifier.ipynb)_\n\n## C3 - Natural Language Processing in TensorFlow\n\n## Week 1\n\n### Assignment \n\n- Explore the BBC News Archive _(C3W1_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Building a Vocabulary _(C3_W1_Lab_1_building_a_vocabulary.ipynb)_\n2. Simple Sequences _(C3_W1_Lab_2_sequences_basic.ipynb)_\n3. Sarcasm _(C3_W1_Lab_3_sarcasm.ipynb)_\n\n## Week 2\n\n### Assignment \n\n- Categorizing the BBC News Archive _(C3W2_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Positive or Negative IMDB Reviews _(C3_W2_Lab_1_imdb.ipynb)_\n2. Sarcasm Classifier _(C3_W2_Lab_2_sarcasm_classifier.ipynb)_\n3. IMDB Review Subwords _(C3_W2_Lab_3_imdb_subwords.ipynb)_\n\n## Week 3\n\n### Assignment \n\n- Exploring Overfitting in NLP _(C3W3_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. IMDB Subwords with Single Layer LSTM _(C3_W3_Lab_1_single_layer_LSTM.ipynb)_\n2. IMDB Subwords with Multi Layer LSTM _(C3_W3_Lab_2_multiple_layer_LSTM.ipynb)_\n3. IMDB Subwords with 1D Convolutional Layer _(C3_W3_Lab_3_Conv1D.ipynb)_\n4. IMDB Reviews with GRU (and optional LSTM and Conv1D) _(C3_W3_Lab_4_imdb_reviews_with_GRU_LSTM_Conv1D.ipynb)_\n5. Sarcasm with Bidirectional LSTM _(C3_W3_Lab_5_sarcasm_with_bi_LSTM.ipynb)_\n6. Sarcasm with 1D Convolutional Layer _(C3_W3_Lab_6_sarcasm_with_1D_convolutional.ipynb)_\n\n## Week 4\n\n### Assignment\n\n- Writing Shakespeare with LSTMs _(C3W4_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. NLP with Irish Music _(C3_W4_Lab_1.ipynb)_\n2. Generating Poetry from Irish Lyrics _(C3_W4_Lab_2_irish_lyrics.ipynb)_\n\n## C4 - Sequences, Time Series and Prediction\n\n## Week 1\n\n### Assignment\n\n- Create and Predict Synthetic Data _(C4W1_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Time Series _(C4_W1_Lab_1_time_series.ipynb)_\n2. Forecasting _(C4_W1_Lab_2_forecasting.ipynb)_\n\n## Week 2\n\n### Assignment  \n\n- Predict with a DNN _(C4W2_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Preparing Features and Labels _(C4_W2_Lab_1_features_and_labels.ipynb)_\n2. Single Layer Neural Network _(C4_W2_Lab_2_single_layer_NN.ipynb)_\n3. Deep Neural Network _(C4_W2_Lab_3_deep_NN.ipynb)_\n\n## Week 3\n\n### Assignment\n\n- Using RNN's and LSTM's for time series _(C4W3_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Recurrent Neural Network (RNN) _(C4_W3_Lab_1_RNN.ipynb)_\n2. Long Short-Term Memory (LSTM) _(C4_W3_Lab_2_LSTM.ipynb)_\n\n## Week 4\n\n### Assignment\n\n- Daily Minimum Temperatures in Melbourne - Real Life Data _(C4W4_Assignment.ipynb)_\n\n### Ungraded Labs\n\n1. Long Short-Term Memory (LSTM) _(C4_W4_Lab_1_LSTM.ipynb)_\n2. Sunspots _(C4_W4_Lab_2_Sunspots.ipynb)_\n3. Sunspots - DNN Only _(C4_W4_Lab_3_DNN_only.ipynb)_\n","# DeepLearning.AI TensorFlow 开发者\n\n欢迎来到本课程的公共仓库。\n\n以下是按课程划分的作业和非评分实验列表。\n\n\n### 想要贡献吗？\n\n目前我们暂不接受 Pull Request，但如果您有任何建议或发现任何错别字，请提交一个问题。\n\n如果您遇到任何阻碍您学习的错误，请考虑加入我们的[社区](https:\u002F\u002Fcommunity.deeplearning.ai\u002F)，我们的导师和团队将为您提供帮助。您也可以在[Coursera](https:\u002F\u002Fwww.coursera.org\u002Flearn\u002Fintroduction-tensorflow\u002FungradedLti\u002F3L0GK\u002Fimportant-have-questions-issues-or-ideas-join-our-community)中的这篇阅读材料中找到更多关于社区的信息。\n\n-----\n\n## C1 - 人工智能、机器学习和深度学习中的 TensorFlow 入门\n\n## 第一周\n\n### 作业\n\n- 房价预测 _(C1W1_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 你好世界神经网络 _(C1_W1_Lab_1_hello_world_nn.ipynb)_\n\n## 第二周\n\n### 作业\n\n- 手写数字识别 _(C1W2_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 超越“你好世界”：一个计算机视觉示例 _(C1_W2_Lab_1_beyond_hello_world.ipynb)_\n2. 回调函数 _(C1_W2_Lab_2_callbacks.ipynb)_\n\n## 第三周\n\n### 作业\n\n- 使用卷积改进 MNIST 数据集 _(C1W3_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 通过卷积提高准确率 _(C1_W3_Lab_1_improving_accuracy_using_convolutions.ipynb)_\n2. 探索卷积 _(C1_W3_Lab_2_exploring_convolutions.ipynb)_\n\n## 第四周\n\n### 作业\n\n- 处理复杂图像 _(C1W4_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 图像预处理以训练神经网络 _(C1_W4_Lab_1_image_data_preprocessing_no_validation.ipynb)_\n2. 带验证集的图像数据预处理 _(C1_W4_Lab_2_image_data_preprocessing_with_validation.ipynb)_\n3. 图像压缩 _(C1_W4_Lab_3_compacted_images.ipynb)_\n\n## C2 - TensorFlow 中的卷积神经网络\n\n## 第一周\n\n### 作业\n\n- 猫 vs. 狗 _(C2W1_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 使用更复杂的图像进行卷积神经网络训练 _(C2_W1_Lab_1_cats_vs_dogs.ipynb)_\n\n## 第二周\n\n### 作业\n\n- 使用数据增强的猫 vs. 狗 _(C2W2_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 数据增强下的猫 vs. 狗 _(C2_W2_Lab_1_cats_v_dogs_augmentation.ipynb)_\n2. 数据增强下的马 vs. 人类 _(C2_W2_Lab_2_horses_v_humans_augmentation.ipynb)_\n\n## 第三周\n\n### 作业\n\n- 使用迁移学习的马 vs. 人类 _(C2W3_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 探索迁移学习 _(C2_W3_Lab_1_transfer_learning.ipynb)_\n\n## 第四周\n\n### 作业\n\n- 多分类器 _(C2W4_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 分类石头、剪刀、布 _(C2_W4_Lab_1_multi_class_classifier.ipynb)_\n\n## C3 - TensorFlow 中的自然语言处理\n\n## 第一周\n\n### 作业\n\n- 探索 BBC 新闻档案 _(C3W1_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 构建词汇表 _(C3_W1_Lab_1_building_a_vocabulary.ipynb)_\n2. 简单序列 _(C3_W1_Lab_2_sequences_basic.ipynb)_\n3. 讽刺语句 _(C3_W1_Lab_3_sarcasm.ipynb)_\n\n## 第二周\n\n### 作业\n\n- 对 BBC 新闻档案进行分类 _(C3W2_Assignment.ipynb)_\n\n### 非评分实验\n\n1. IMDB 评论的情感分析：正面或负面 _(C3_W2_Lab_1_imdb.ipynb)_\n2. 讽刺语句分类器 _(C3_W2_Lab_2_sarcasm_classifier.ipynb)_\n3. IMDB 评论的子词分割 _(C3_W2_Lab_3_imdb_subwords.ipynb)_\n\n## 第三周\n\n### 作业\n\n- 探讨 NLP 中的过拟合问题 _(C3W3_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 单层 LSTM 的 IMDB 子词分割 _(C3_W3_Lab_1_single_layer_LSTM.ipynb)_\n2. 多层 LSTM 的 IMDB 子词分割 _(C3_W3_Lab_2_multiple_layer_LSTM.ipynb)_\n3. 带一维卷积层的 IMDB 子词分割 _(C3_W3_Lab_3_Conv1D.ipynb)_\n4. 带 GRU（可选 LSTM 和 Conv1D）的 IMDB 评论 _(C3_W3_Lab_4_imdb_reviews_with_GRU_LSTM_Conv1D.ipynb)_\n5. 双向 LSTM 的讽刺语句分类 _(C3_W3_Lab_5_sarcasm_with_bi_LSTM.ipynb)_\n6. 带一维卷积层的讽刺语句分类 _(C3_W3_Lab_6_sarcasm_with_1D_convolutional.ipynb)_\n\n## 第四周\n\n### 作业\n\n- 使用 LSTM 创作莎士比亚风格的文本 _(C3W4_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 爱尔兰音乐与 NLP _(C3_W4_Lab_1.ipynb)_\n2. 从爱尔兰歌词生成诗歌 _(C3_W4_Lab_2_irish_lyrics.ipynb)_\n\n## C4 - 序列、时间序列与预测\n\n## 第一周\n\n### 作业\n\n- 创建并预测合成数据 _(C4W1_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 时间序列 _(C4_W1_Lab_1_time_series.ipynb)_\n2. 预测 _(C4_W1_Lab_2_forecasting.ipynb)_\n\n## 第二周\n\n### 作业\n\n- 使用 DNN 进行预测 _(C4W2_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 准备特征和标签 _(C4_W2_Lab_1_features_and_labels.ipynb)_\n2. 单层神经网络 _(C4_W2_Lab_2_single_layer_NN.ipynb)_\n3. 深度神经网络 _(C4_W2_Lab_3_deep_NN.ipynb)_\n\n## 第三周\n\n### 作业\n\n- 使用 RNN 和 LSTM 处理时间序列 _(C4W3_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 循环神经网络 (RNN) _(C4_W3_Lab_1_RNN.ipynb)_\n2. 长短期记忆网络 (LSTM) _(C4_W3_Lab_2_LSTM.ipynb)_\n\n## 第四周\n\n### 作业\n\n- 墨尔本每日最低气温——真实生活数据 _(C4W4_Assignment.ipynb)_\n\n### 非评分实验\n\n1. 长短期记忆网络 (LSTM) _(C4_W4_Lab_1_LSTM.ipynb)_\n2. 太阳黑子 _(C4_W4_Lab_2_Sunspots.ipynb)_\n3. 仅使用 DNN 处理太阳黑子 _(C4_W4_Lab_3_DNN_only.ipynb)","# TensorFlow Developer 课程开源项目快速上手指南\n\n本指南基于 DeepLearning.AI 的 TensorFlow 开发者课程开源仓库（`tensorflow-1-public`），旨在帮助中国开发者快速搭建环境并运行课程中的作业与实验代码。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Windows 10\u002F11, macOS (Intel 或 Apple Silicon), 或 Linux (Ubuntu 推荐)。\n*   **Python 版本**：建议安装 **Python 3.8 - 3.10**（TensorFlow 2.x 对这些版本支持最稳定）。\n*   **包管理器**：已安装 `pip` 或 `conda`。\n*   **开发工具**：推荐安装 **Jupyter Notebook** 或 **JupyterLab**，因为课程中的所有作业（Assignment）和实验（Lab）均为 `.ipynb` 格式。\n*   **网络环境**：部分数据集（如 MNIST, Cats vs Dogs）需要从 Google 服务器下载。国内用户建议配置科学上网环境，或在代码中修改数据加载路径为国内镜像源（如阿里云、腾讯云对象存储）。\n\n## 安装步骤\n\n推荐使用 `conda` 创建独立的虚拟环境以避免依赖冲突，也可以使用 `venv`。\n\n### 1. 创建并激活虚拟环境\n\n**使用 Conda:**\n```bash\nconda create -n tf-dev-course python=3.9\nconda activate tf-dev-course\n```\n\n**使用 Pip (venv):**\n```bash\npython -m venv tf-dev-course\n# Windows:\ntf-dev-course\\Scripts\\activate\n# macOS\u002FLinux:\nsource tf-dev-course\u002Fbin\u002Factivate\n```\n\n### 2. 安装核心依赖\n\n安装 TensorFlow 及课程所需的辅助库（如 matplotlib, numpy 等）。国内用户可使用清华源加速下载。\n\n```bash\npip install tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install jupyterlab matplotlib numpy pandas -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> **注意**：本课程主要基于 TensorFlow 2.x。如果您需要特定版本的 TensorFlow 以完全匹配旧版课程视频，可指定版本安装，例如：`pip install tensorflow==2.10.0`。\n\n### 3. 获取项目代码\n\n克隆仓库或下载源码到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fexamples.git\n# 注意：原 README 指向的是课程配套资源，通常位于 deeplearningai 组织下。\n# 若直接访问原课程仓库，请执行：\ngit clone https:\u002F\u002Fgithub.com\u002Fdeeplearning-ai\u002Ftensorflow-in-practice.git\ncd tensorflow-in-practice\n```\n\n### 4. 启动 Jupyter\n\n进入项目目录并启动笔记本服务：\n\n```bash\njupyter lab\n```\n\n## 基本使用\n\n项目内容按课程模块（C1-C4）和周次（Week 1-4）组织。每个文件夹包含“作业”（Assignment，需提交评分）和“未评分实验”（Ungraded Labs，供练习参考）。\n\n### 1. 运行第一个实验：Hello World Neural Network\n\n这是课程 C1 第 1 周的最简示例，用于验证环境是否正常。\n\n1.  在 Jupyter Lab 文件浏览器中，导航至 `Course 1 - Introduction to TensorFlow...` -> `Week 1`。\n2.  打开文件 `C1_W1_Lab_1_hello_world_nn.ipynb`。\n3.  点击菜单栏的 **Kernel** -> **Restart Kernel and Run All Cells**。\n\n**代码逻辑简析：**\n该脚本演示了如何定义一个简单的单层神经网络来拟合 $Y = 2X - 1$ 的规律。\n\n```python\nimport tensorflow as tf\nimport numpy as np\nfrom tensorflow import keras\n\n# 定义数据\nxs = np.array([-1.0, 0.0, 1.0, 2.0, 3.0, 4.0], dtype=float)\nys = np.array([-3.0, -1.0, 1.0, 3.0, 5.0, 7.0], dtype=float)\n\n# 构建模型\nmodel = tf.keras.Sequential([keras.layers.Dense(units=1, input_shape=[1])])\n\n# 编译模型\nmodel.compile(optimizer='sgd', loss='mean_squared_error')\n\n# 训练模型\nmodel.fit(xs, ys, epochs=500)\n\n# 预测\nprint(model.predict([10.0]))\n```\n\n### 2. 运行课程作业：房价预测 (Housing Prices)\n\n完成实验后，可尝试第一周的正式作业。\n\n1.  导航至 `Course 1` -> `Week 1`。\n2.  打开 `C1W1_Assignment.ipynb`。\n3.  按照单元格中的注释提示，补全缺失的代码段（通常涉及数据归一化、模型构建参数调整等）。\n4.  运行所有单元格，观察损失函数（Loss）的下降曲线及预测结果。\n\n### 3. 后续课程指引\n\n*   **C1 (基础)**: 涵盖密集网络、CNN 基础、图像预处理。\n*   **C2 (卷积神经网络)**: 深入 CNN、数据增强（Augmentation）、迁移学习（Transfer Learning）。\n*   **C3 (自然语言处理)**: 涵盖分词（Tokenization）、序列建模、LSTM、GRU 及文本生成。\n*   **C4 (时间序列)**: 涵盖时间序列特征工程、RNN\u002FLSTM 在预测中的应用。\n\n只需依次进入对应课程的文件夹，按照 `Week` -> `Lab\u002FAssignment` 的顺序执行即可。所有实验均设计为独立运行，无需额外配置即可上手。","某初创公司的算法工程师需要快速构建一个能识别用户上传图片中宠物种类（猫或狗）的原型系统，以验证产品可行性。\n\n### 没有 tensorflow-1-public 时\n- **从零摸索架构**：开发者需自行查阅分散的文档来搭建卷积神经网络（CNN），容易在数据预处理和模型层级设计上犯错，导致初期模型准确率极低。\n- **缺乏最佳实践**：面对过拟合问题，不知道如何正确使用数据增强（Data Augmentation）技术，只能盲目调整参数，浪费大量计算资源和时间。\n- **迁移学习门槛高**：想要利用预训练模型加速开发，却不清楚如何在 TensorFlow 中正确冻结层并替换分类头，代码调试周期长达数天。\n- **无标准参考基准**：无法确认自己的代码实现是否符合行业规范，缺乏权威的“猫狗分类”完整案例作为对照，难以排查逻辑漏洞。\n\n### 使用 tensorflow-1-public 后\n- **直接复用成熟方案**：通过 C2 课程中的\"Cats vs. Dogs\"作业代码，直接获得经过验证的 CNN 架构和数据加载流程，将环境搭建时间从 2 天缩短至 2 小时。\n- **掌握关键优化技巧**：参考“数据增强”实验笔记，迅速引入旋转、缩放等增强策略，有效解决了小样本下的过拟合问题，模型泛化能力显著提升。\n- **轻松实现迁移学习**：利用\"Horses vs. Humans using Transfer Learning\"案例，快速套用迁移学习模板，仅用少量数据即可训练出高精度的分类器。\n- **拥有权威调试标杆**：遇到报错时可对比官方未评分实验室（Ungraded Labs）的标准输出，快速定位是数据路径错误还是模型维度不匹配，极大降低试错成本。\n\ntensorflow-1-public 将复杂的深度学习工程路径转化为标准化的可执行步骤，让开发者能从重复造轮子中解放出来，专注于业务逻辑的创新与落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhttps-deeplearning-ai_tensorflow-1-public_0b984bd3.png","https-deeplearning-ai","deeplearning.ai","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhttps-deeplearning-ai_afb4d4ea.png","","https:\u002F\u002Fgithub.com\u002Fhttps-deeplearning-ai",[78],{"name":79,"color":80,"percentage":81},"Jupyter Notebook","#DA5B0B",100,2600,2709,"2026-04-20T02:39:36","Apache-2.0",1,"未说明",{"notes":89,"python":87,"dependencies":90},"该仓库为 DeepLearning.AI TensorFlow 开发者课程的配套代码，主要包含 Jupyter Notebook (.ipynb) 格式的作业和实验。由于基于 TensorFlow 1 课程，实际运行可能需要根据现代环境调整代码以兼容 TensorFlow 2.x。具体环境配置（如 Python 版本、CUDA 版本）需参考 Coursera 课程页面或社区指南，README 中未直接提供技术规格。",[91],"tensorflow",[36,15,14],"2026-03-27T02:49:30.150509","2026-04-20T19:23:39.267282",[],[]]