[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-hunkim--DeepLearningZeroToAll":3,"similar-hunkim--DeepLearningZeroToAll":78},{"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":19,"owner_email":20,"owner_twitter":21,"owner_website":22,"owner_url":23,"languages":24,"stars":33,"forks":34,"last_commit_at":35,"license":21,"difficulty_score":36,"env_os":37,"env_gpu":38,"env_ram":38,"env_deps":39,"category_tags":41,"github_topics":44,"view_count":52,"oss_zip_url":21,"oss_zip_packed_at":21,"status":53,"created_at":54,"updated_at":55,"faqs":56,"releases":77},1207,"hunkim\u002FDeepLearningZeroToAll","DeepLearningZeroToAll","TensorFlow Basic Tutorial Labs","DeepLearningZeroToAll 是一个专为深度学习初学者设计的开源项目，提供清晰易懂的TensorFlow基础教程代码示例。它解决了新手在学习过程中常遇到的代码晦涩、过时或难以理解的问题，通过精心编写的实验室代码，让学习过程更直观、更高效。\n\n这个项目特别适合机器学习入门者和开发者，尤其是想从零开始掌握TensorFlow的人。代码严格遵循KISS原则（Keep It Simple Stupid），强调可读性与易懂性，而非性能优化，使用最新的TensorFlow API和Python风格，让核心概念一目了然。它还支持TensorFlow、Keras和MXNet的多框架示例，文件命名规范（如lab-XX-X-name.py）便于学习者快速定位内容。\n\n项目包含配套教程视频（韩语，计划添加英语版），安装只需简单命令：pip install -r requirements.txt。DeepLearningZeroToAll 以友好的社区氛围鼓励贡献，让深度学习学习之路更轻松。","# Lab code (WIP), but call for comments\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FDeepLearningZeroToAll.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FDeepLearningZeroToAll)\n\nThis is code for labs covered in TensorFlow basic tutorials (in Korean) at https:\u002F\u002Fyoutu.be\u002FBS6O0zOGX4E.\n(We also have a plan to record videos in English.)\n\nThis is work in progress, and may have bugs.\nHowever, we call for your comments and pull requests. Check out our style guide line:\n\n* More TF (1.0) style: use more recent and decent TF APIs.\n* More Pythonic: fully leverage the power of python\n* Readability (over efficiency): Since it's for instruction purposes, we prefer *readability* over others.\n* Understandability (over everything): Understanding TF key concepts is the main goal of this code.\n* KISS: Keep It Simple Stupid! https:\u002F\u002Fwww.techopedia.com\u002Fdefinition\u002F20262\u002Fkeep-it-simple-stupid-principle-kiss-principle\n\n## Lab slides:\n\n* https:\u002F\u002Fgoo.gl\u002FjPtWNt\n\nWe welcome your comments on slides.\n\n## File naming rule:\n\n* klab-XX-X-[name].py: Keras labs code\n* lab-XX-X-[name].py: TensorFlow lab code\n* mxlab-XX-X-[name].py: MXNet lab code\n\n## Install requirements\n```bash\npip install -r requirements.txt\n```\n\n## Run test and autopep8\nTODO: Need to add more test cases\n\n```bash\npython -m unittest discover -s tests;\n\n# http:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F14328406\u002F\npip install autopep8 # if you haven't install\nautopep8 . --recursive --in-place --pep8-passes 2000 --verbose\n```\n## Automatically create requirements.txt\n\n```bash\npip install pipreqs\n\npipreqs \u002Fpath\u002Fto\u002Fproject\n```\nhttp:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F31684375\n\n## Contributions\u002FComments\nWe always welcome your comments and pull requests.\n\n## Reference Implementations\n* https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002F\n* https:\u002F\u002Fgithub.com\u002Fgolbin\u002FTensorFlow-ML-Exercises\n* https:\u002F\u002Fgithub.com\u002FFuZer\u002FStudy_TensorFlow\n* https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras\u002Ftree\u002Fmaster\u002Fexamples\n","# 实验代码（开发中），诚邀大家提出意见\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FDeepLearningZeroToAll.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FDeepLearningZeroToAll)\n\n这是用于 TensorFlow 基础教程（韩语版）中实验的代码，相关视频请见：https:\u002F\u002Fyoutu.be\u002FBS6O0zOGX4E。\n（我们也有计划录制英文版视频。）\n\n本项目目前仍在开发中，可能存在一些 bug。不过，我们非常欢迎各位的反馈和 Pull Request。请参考我们的代码风格指南：\n\n* 更多使用 TF 1.0 风格：优先采用最新且更规范的 TensorFlow API。\n* 更加 Pythonic：充分利用 Python 的强大功能。\n* 可读性优先于效率：由于主要用于教学目的，我们更注重代码的可读性。\n* 易理解性高于一切：理解 TensorFlow 的核心概念是本代码的主要目标。\n* KISS 原则：保持简单！https:\u002F\u002Fwww.techopedia.com\u002Fdefinition\u002F20262\u002Fkeep-it-simple-stupid-principle-kiss-principle\n\n## 实验课件：\n\n* https:\u002F\u002Fgoo.gl\u002FjPtWNt\n\n我们欢迎大家对课件提出意见。\n\n## 文件命名规则：\n\n* klab-XX-X-[name].py：Keras 实验代码\n* lab-XX-X-[name].py：TensorFlow 实验代码\n* mxlab-XX-X-[name].py：MXNet 实验代码\n\n## 安装依赖\n```bash\npip install -r requirements.txt\n```\n\n## 运行测试与 autopep8 格式化\nTODO：需要添加更多测试用例\n\n```bash\npython -m unittest discover -s tests;\n\n# http:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F14328406\u002F\npip install autopep8 # 如果尚未安装\nautopep8 . --recursive --in-place --pep8-passes 2000 --verbose\n```\n## 自动生成 requirements.txt\n\n```bash\npip install pipreqs\n\npipreqs \u002Fpath\u002Fto\u002Fproject\n```\nhttp:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F31684375\n\n## 贡献\u002F评论\n我们始终欢迎各位的反馈和 Pull Request。\n\n## 参考实现\n* https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002F\n* https:\u002F\u002Fgithub.com\u002Fgolbin\u002FTensorFlow-ML-Exercises\n* https:\u002F\u002Fgithub.com\u002FFuZer\u002FStudy_TensorFlow\n* https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras\u002Ftree\u002Fmaster\u002Fexamples","# DeepLearningZeroToAll 快速上手指南\n\n## 环境准备\n- **系统要求**：支持 Linux\u002FmacOS\u002FWindows 的主流操作系统\n- **前置依赖**：Python 3.6+、pip（建议使用 Python 3.8+ 以获得最佳兼容性）\n\n## 安装步骤\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n运行一个基础 TensorFlow 示例脚本：\n```bash\npython lab-01-1-basic.py\n```\n> 说明：该脚本对应教程中的第一个基础示例（文件命名规则：`lab-XX-X-[name].py`）。实际运行时请根据项目目录中的具体文件名调整（如 `lab-02-1-linear-regression.py`）。","一位新入职的机器学习工程师小李，需要在两周内完成一个基于TensorFlow的图像分类项目，但缺乏实战经验，急需快速上手。\n\n### 没有 DeepLearningZeroToAll 时\n- 需从零整合零散教程资源，花费大量时间在环境配置和基础代码调试上，项目进度严重滞后。\n- 代码示例使用过时API（如TensorFlow 0.x），风格杂乱，导致理解计算图和变量管理等核心概念困难。\n- 缺乏系统化的练习路径，学习曲线陡峭，无法有效掌握从数据预处理到模型训练的全流程。\n\n### 使用 DeepLearningZeroToAll 后\n- 直接使用预置的结构化实验室代码（如`lab-01-1-image-classification.py`），环境配置时间减少50%，项目启动速度显著提升。\n- 代码采用现代TensorFlow 1.0风格和Pythonic规范，清晰展示关键API用法（如`tf.keras`），学习效率大幅提高。\n- 通过系统化的lab练习（如从数据加载到模型评估的递进任务），逐步掌握核心概念，避免了“学了就忘”的困境。\n\nDeepLearningZeroToAll让初学者能快速聚焦于理解TensorFlow核心逻辑，而非被基础问题拖累。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhunkim_DeepLearningZeroToAll_6fc5c61f.png","hunkim","Sung Kim","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhunkim_88662ad3.jpg","Teaches Computer Science at HKUST.","HKUST ","Hong Kong","hunkim@gmail.com",null,"http:\u002F\u002Fwww.cse.ust.hk\u002F~hunkim","https:\u002F\u002Fgithub.com\u002Fhunkim",[25,29],{"name":26,"color":27,"percentage":28},"Jupyter Notebook","#DA5B0B",63,{"name":30,"color":31,"percentage":32},"Python","#3572A5",37,4502,2627,"2026-04-02T08:34:58",1,"","未说明",{"notes":38,"python":38,"dependencies":40},[],[42,43],"开发框架","数据工具",[45,46,47,48,49,50,51],"tensorflow","keras","mxnet","pytorch","python","tutorial","lab",4,"ready","2026-03-27T02:49:30.150509","2026-04-06T05:15:26.018154",[57,62,67,72],{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},5501,"为什么 MNIST 分类任务使用 MSE 损失函数会导致训练失败？","MNIST 是分类问题，应使用交叉熵损失函数（如 `tf.nn.softmax_cross_entropy_with_logits`），而非均方误差（MSE）。MSE 用于回归任务，会导致模型尝试匹配所有 10 个类别，而非专注于正确标签，尤其当批量大小增加时（如 128 以上），训练无法收敛。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FDeepLearningZeroToAll\u002Fissues\u002F25",{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},5502,"在手动实现 Back Propagation 时，为什么权重梯度需要平均？","权重梯度计算（如 `d_w1 = tf.matmul(tf.transpose(X), d_l1)`）未考虑样本大小，导致梯度与样本量成比例。应使用平均操作避免缩放，例如：`d_w1 = tf.reduce_mean(tf.matmul(tf.transpose(X), d_l1), axis=0)`。类似地，偏置梯度已使用 `tf.reduce_mean(d_b1, axis=[0])` 平均。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FDeepLearningZeroToAll\u002Fissues\u002F173",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},5503,"为什么时间序列预测中 minmax scaling 应仅基于训练数据？","为防止数据泄露，minmax scaling 必须仅使用训练数据计算最小值和最大值。修改 `MinMaxScaler` 函数：\ndef MinMaxScaler(data):\n    numerator = data - np.min(train, 0)\n    denominator = np.max(train, 0) - np.min(train, 0)\n    return numerator \u002F (denominator + 1e-7)","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FDeepLearningZeroToAll\u002Fissues\u002F187",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},5504,"运行 rnn_stock_prediction.py 时出现 ImportError: cannot import name 'NUMPY_MKL'，如何解决？","安装带有 MKL 的 numpy 版本。从 [http:\u002F\u002Fwww.lfd.uci.edu\u002F~gohlke\u002Fpythonlibs\u002F#numpy](http:\u002F\u002Fwww.lfd.uci.edu\u002F~gohlke\u002Fpythonlibs\u002F#numpy) 下载适合的文件（如 `numpy-1.16.4+mkl-cp37-cp37m-win_amd64.whl`），然后使用 pip 安装：`pip install numpy-1.16.4+mkl-cp37-cp37m-win_amd64.whl`。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FDeepLearningZeroToAll\u002Fissues\u002F47",[],[79,90,100,108,116,128],{"id":80,"name":81,"github_repo":82,"description_zh":83,"stars":84,"difficulty_score":85,"last_commit_at":86,"category_tags":87,"status":53},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",[42,88,89],"图像","Agent",{"id":91,"name":92,"github_repo":93,"description_zh":94,"stars":95,"difficulty_score":96,"last_commit_at":97,"category_tags":98,"status":53},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",[42,89,99],"语言模型",{"id":101,"name":102,"github_repo":103,"description_zh":104,"stars":105,"difficulty_score":96,"last_commit_at":106,"category_tags":107,"status":53},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",[42,88,89],{"id":109,"name":110,"github_repo":111,"description_zh":112,"stars":113,"difficulty_score":96,"last_commit_at":114,"category_tags":115,"status":53},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",[42,99],{"id":117,"name":118,"github_repo":119,"description_zh":120,"stars":121,"difficulty_score":96,"last_commit_at":122,"category_tags":123,"status":53},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",[88,43,124,125,89,126,99,42,127],"视频","插件","其他","音频",{"id":129,"name":130,"github_repo":131,"description_zh":132,"stars":133,"difficulty_score":85,"last_commit_at":134,"category_tags":135,"status":53},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",[89,88,42,99,126]]