[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hunkim--PyTorchZeroToAll":3,"tool-hunkim--PyTorchZeroToAll":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":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":82,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":107,"updated_at":108,"faqs":109,"releases":150},3445,"hunkim\u002FPyTorchZeroToAll","PyTorchZeroToAll","Simple PyTorch Tutorials Zero to ALL!","PyTorchZeroToAll 是一套专为初学者设计的 PyTorch 快速入门教程，旨在帮助用户在短短三到四天内从零掌握深度学习核心技能。这套资料最初是为香港科技大学（HKUST）学生准备的集训课程，通过系统化的讲解，有效解决了新手在面对复杂深度学习框架时“不知从何下手”以及“理论难以落地”的痛点。\n\n它非常适合希望快速上手 PyTorch 的开发者、人工智能领域的研究人员，以及具备一定编程基础想要转型","[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FPythonZeroToAll.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FPythonZeroToAll)\n\n# PyTorchZeroToAll\nQuick 3~4 day lecture materials for HKUST students.\n\n## Video Lectures: (RNN TBA)\n* [Youtube](http:\u002F\u002Fbit.ly\u002FPyTorchVideo)\n* [Bilibili](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav15823922\u002F)\n\n## Slides\n* [Lecture Slides @GoogleDrive](http:\u002F\u002Fbit.ly\u002FPyTorchZeroAll)\n\nIf you cannot access the GoogleDoc for somehow, please check out pdf files in slides. However, slides in GoogleDrive are always latest. We really appreciate your comments.\n\n## Previous Lectures \n* cf., http:\u002F\u002Fbit.ly\u002FTF_HKUST (3 day crash course using TensorFlow)\n","[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FPythonZeroToAll.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fhunkim\u002FPythonZeroToAll)\n\n# PyTorchZeroToAll\n香港科技大学学生的快速3~4天讲座资料。\n\n## 视频讲座：（RNN待定）\n* [Youtube](http:\u002F\u002Fbit.ly\u002FPyTorchVideo)\n* [Bilibili](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav15823922\u002F)\n\n## 幻灯片\n* [讲座幻灯片 @GoogleDrive](http:\u002F\u002Fbit.ly\u002FPyTorchZeroAll)\n\n如果您因某种原因无法访问Google文档，请查看slides文件夹中的PDF文件。不过，GoogleDrive上的幻灯片始终是最新的。我们非常感谢您的反馈。\n\n## 往期讲座\n* 参阅：http:\u002F\u002Fbit.ly\u002FTF_HKUST（使用TensorFlow的3天速成课程）","# PyTorchZeroToAll 快速上手指南\n\nPyTorchZeroToAll 是专为初学者设计的 PyTorch 快速入门课程资料，源自香港科技大学（HKUST）的讲座内容。本指南将帮助你快速搭建环境并运行示例代码。\n\n## 环境准备\n\n在开始之前，请确保你的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.6 及以上版本\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `git` (用于克隆仓库)\n    *   建议安装 `conda` (可选，用于管理虚拟环境)\n\n> **注意**：本教程侧重于代码逻辑，大部分示例可在 CPU 上运行。若需使用 GPU 加速，请确保已安装对应的 NVIDIA 驱动和 CUDA 工具包。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n\n首先，将项目代码克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll.git\ncd PyTorchZeroToAll\n```\n\n### 2. 安装 PyTorch 及依赖\n\n推荐使用国内镜像源（如清华大学开源软件镜像站）以加快下载速度。\n\n**方案 A：使用 pip 安装（推荐）**\n\n访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取适合你环境的命令。以下是基于 CPU 版本的通用安装命令（使用清华源）：\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n若需安装 GPU 版本（以 CUDA 11.8 为例）：\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**方案 B：安装其他必要依赖**\n\n进入项目目录后，检查是否有 `requirements.txt` 文件并安装：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n*(注：如果项目中没有 requirements.txt，通常只需安装 torch 即可运行基础示例)*\n\n## 基本使用\n\n本项目包含多个按顺序排列的脚本（例如 `01_tensor_basics.py`, `02_linear_regression.py` 等），旨在通过由浅入深的代码示例讲解 PyTorch 核心概念。\n\n### 运行第一个示例\n\n假设我们要运行关于张量基础知识的第一个示例（具体文件名请以项目实际文件为准，通常为 `01_*.py`）：\n\n```bash\npython 01_tensor_basics.py\n```\n\n### 代码示例解析\n\n以下是一个典型的 PyTorchZeroToAll 风格的最小化示例（线性回归片段），展示了如何定义数据、模型并进行前向传播：\n\n```python\nimport torch\n\n# 1. 准备数据 (Data Preparation)\nx_train = torch.FloatTensor([[1], [2], [3]])\ny_train = torch.FloatTensor([[1], [2], [3]])\n\n# 2. 初始化模型参数 (Model Initialization)\nW = torch.zeros(1, requires_grad=True)\nb = torch.zeros(1, requires_grad=True)\n\n# 3. 前向传播 (Forward Propagation)\nhypothesis = x_train * W + b\n\n# 4. 计算损失 (Cost\u002FLoss Calculation)\ncost = torch.mean((hypothesis - y_train) ** 2)\n\nprint(f\"当前假设：{hypothesis}\")\nprint(f\"当前损失：{cost}\")\n```\n\n### 学习路径建议\n\n1.  **观看视频**：配合 [Bilibili 视频链接](https:\u002F\u002Fwww.bilibili.com\u002Fvideo\u002Fav15823922\u002F) 理解理论部分。\n2.  **阅读幻灯片**：参考 Google Drive 或项目 `slides` 文件夹中的 PDF 课件。\n3.  **逐行运行代码**：按数字顺序执行 `python xx_xxx.py`，尝试修改超参数（如学习率、迭代次数）观察结果变化。","某高校数据科学专业的研究生团队正试图在三天内从零掌握 PyTorch 框架，以完成一项基于循环神经网络（RNN）的股票价格预测课程项目。\n\n### 没有 PyTorchZeroToAll 时\n- 团队成员需要在碎片化的官方文档和过时的博客文章间反复跳转，难以构建系统的知识框架。\n- 面对复杂的张量运算和动态图机制，新手极易陷入环境配置报错和维度不匹配的泥潭，调试耗时极长。\n- 缺乏针对 RNN 等进阶模型的连贯代码示例，导致理论公式无法转化为可运行的实际代码。\n- 学习路径混乱，部分成员因前期挫折感过强而失去信心，严重影响团队整体进度。\n\n### 使用 PyTorchZeroToAll 后\n- 团队直接跟随配套的 YouTube 视频与幻灯片，在 3-4 天内完成了从基础语法到高级模型的结构化学习。\n- 借助清晰简洁的“零到全”教程代码，成员迅速理解了 PyTorch 的核心逻辑，大幅减少了基础语法错误。\n- 利用专门准备的 RNN 教学模块，团队快速复现了股票预测模型，将原本需要一周的建模过程压缩至一天。\n- 统一的学习资料消除了信息差，全员能基于相同的代码基准进行协作讨论，显著提升了开发效率。\n\nPyTorchZeroToAll 通过提供高度浓缩且实战导向的教学资源，将深度学习新手的入门门槛从数周降低至数天，真正实现了从理论到落地的快速跨越。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhunkim_PyTorchZeroToAll_6eb11627.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",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,3978,1196,"2026-04-03T20:17:16",1,"","未说明",{"notes":97,"python":95,"dependencies":98},"README 中未提供具体的运行环境配置、依赖版本或安装指南。该项目主要为 HKUST 学生提供的为期 3-4 天的 PyTorch 快速讲座材料，包含视频和幻灯片链接。由于基于 PyTorch，通常建议参考 PyTorch 官方文档配置相应的 Python 版本及 CUDA 环境。",[99],"PyTorch",[13],[102,103,104,105,106],"deeplearning","pytorch","python","tutorial","basic","2026-03-27T02:49:30.150509","2026-04-06T05:15:04.765709",[110,115,120,125,130,135,140,145],{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},15817,"在 GPU 上运行 RNN 代码时出现 TypeError 错误，如何解决？","错误原因是 `inputs.cuda()` 不是原地（in-place）操作。需要确保张量正确移动到 GPU。维护者已合并了相关的 Pull Request 来修复此问题。如果遇到类似问题，请检查代码中 `.cuda()` 的调用方式，或参考项目中的最新代码更新。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F5",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},15818,"训练时遇到 'Expected object of scalar type Long but got scalar type Float' 类型不匹配错误怎么办？","这通常是因为标签（target）数据类型不正确。解决方法是将张量转换为 Long 类型，例如使用 `Variable(\u003Cyour tensor data>).long()`。另外，如果是名义特征（nominal features），可以尝试将其转换为独热编码（one-hot encode）来解决类型冲突。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F38",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},15819,"运行代码时遇到 'invalid index of a 0-dim tensor' 索引错误，如何修复？","在新版 PyTorch 中，不能直接使用 `.data[0]` 获取 0 维张量的值。应将代码中的 `loss.data[0]` 修改为 `float(loss)` 或使用 `loss.item()` 来将张量转换为 Python 数字。此外，对于 `log_softmax` 的警告，建议显式添加 `dim` 参数，如 `F.log_softmax(x, dim=1)`。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F41",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},15820,"为什么在训练循环中数据似乎被加载了多次（每个 epoch 一次）？","这是正常行为。DataLoader 的 epoch 和神经网络的训练 epoch 概念不同。每个训练 epoch 都会遍历一次整个数据集，因此数据会在每个 epoch 开始时重新加载和迭代。这是深度学习训练的标准流程，确保模型在每个周期都能看到所有数据。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F40",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},15821,"如何在 seq2seq 示例中引入 mini-batch 训练以加速过程？","虽然示例代码未直接实现 batch 处理，但可以通过参考项目中“姓名 - 国家预测”（name-country prediction）部分的代码来实现。该部分展示了如何处理批量数据，您可以借鉴其逻辑将 batch 维度引入到 seq2seq 模型中。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F13",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},15822,"运行 softmax_mnist.py 时遇到 'unexpected keyword argument size_average' 错误？","这是因为较新版本的 PyTorch 中损失函数不再支持 `size_average` 参数。解决方法是移除该参数，直接将代码 `criterion(output, target, size_average=False)` 修改为 `criterion(output, target)`。维护者已在仓库中修复了此问题。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F11",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},15823,"Softmax Classifier 中改变类别标签（Label），为什么 Loss 值没有变化？","如果在更改 `Y` 的值（例如从 0 改为 1）后 Loss 仍然相同，通常是代码执行环境或变量未刷新的问题。经测试，代码逻辑本身是正确的：选择不同的类别（class）确实会计算出不同的 Loss 值。请确保在修改 `Y = Variable(torch.LongTensor([1])...)` 后重新运行了整个单元格或脚本。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F14",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},15824,"在哪里可以找到练习题的参考代码？","目前该项目尚未提供练习题的官方参考代码或答案。建议用户先尝试独立完成，或在社区中与其他学习者讨论解决方案。","https:\u002F\u002Fgithub.com\u002Fhunkim\u002FPyTorchZeroToAll\u002Fissues\u002F3",[]]