[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-keplr-io--quiver":3,"tool-keplr-io--quiver":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",146793,2,"2026-04-08T23:32:35",[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。",108111,"2026-04-08T11:23:26",[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},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],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"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":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":32,"env_os":100,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":106,"github_topics":107,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},5720,"keplr-io\u002Fquiver","quiver","Interactive convnet features visualization for Keras","Quiver 是一款专为 Keras 框架设计的交互式卷积神经网络可视化工具。它旨在解决深度学习模型“黑盒”难题，让开发者能够直观地观察网络内部各层对输入图像的特征提取过程，从而轻松理解模型为何做出特定预测。\n\n通过简单的单行代码启动，Quiver 即可在本地浏览器中生成一个动态仪表盘。用户不仅可以查看模型对图像的顶层预测结果，还能逐层浏览激活图，深入分析不同神经元对图像细节的响应情况。其独特亮点在于极低的接入门槛与高度的交互性：支持自定义输入图像文件夹、调整数据预处理参数（如均值和标准差），并实时展示可视化结果，无需复杂的配置或额外的数据标注工作。\n\n这款工具非常适合使用 Keras 进行开发的深度学习工程师、算法研究人员以及计算机视觉领域的学生。对于需要调试模型结构、验证特征提取有效性或向他人演示模型工作原理的用户而言，Quiver 提供了一个高效且直观的探索窗口，让复杂的神经网络内部机制变得清晰可见。","# Quiver\n[![Gitter chat](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeplr-io_quiver_readme_ec39039bf0d7.png)](https:\u002F\u002Fgitter.im\u002FquiverEngine\u002FLobby)\n\nInteractive convnet features visualization for Keras\n\n\n![gzqll3](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeplr-io_quiver_readme_6e6ce5b73200.gif)\n\n\n\n\n**The quiver workflow**\n\n[Video Demo](https:\u002F\u002Fwww.youtube.com\u002Fwatch?edit=vd&v=tgRW3BRi_FA)\n\n1. Build your model in keras\n\n    ```python\n    model = Model(...)\n    ```\n2. Launch the visualization dashboard with 1 line of code\n\n    ```python\n    quiver_engine.server.launch(model, classes=['cat','dog'], input_folder='.\u002Fimgs')\n    ```\n3. Explore layer activations on all the different images in your input folder.\n\n\n## Quickstart\n\n**Installation**\n\n```bash\n    pip install quiver_engine\n```\n\nIf you want the latest version from the repo\n\n```bash\n    pip install git+git:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver.git\n```\n\n\n**Usage**\n\nTake your keras `model`, launching Quiver is a one-liner.\n\n```python\n    from quiver_engine import server\n    server.launch(model)\n```\n\nThis will launch the visualization at `localhost:5000`\n\n**Options**\n\n```python\n    server.launch(\n        model, # a Keras Model\n\n        classes, # list of output classes from the model to present (if not specified 1000 ImageNet classes will be used)\n\n        top, # number of top predictions to show in the gui (default 5)\n\n        # where to store temporary files generatedby quiver (e.g. image files of layers)\n        temp_folder='.\u002Ftmp',\n\n        # a folder where input images are stored\n        input_folder='.\u002F',\n\n        # the localhost port the dashboard is to be served on\n        port=5000,\n        # custom data mean\n        mean=[123.568, 124.89, 111.56],\n        # custom data standard deviation\n        std=[52.85, 48.65, 51.56]\n    )\n```\n\n## Development\n\n**Building from master**\n\nCheck out this repository and run\n\n```bash\ncd quiver_engine\npython setup.py develop\n```\n\n**Building the Client**\n\n```bash\n    cd quiverboard\n    npm install\n    export QUIVER_URL=localhost:5000 # or whatever you set your port to be\n    npm start\n```\n\nNote this will run your web application with webpack and hot reloading. If you don't care about that, or are only in this section because pip install somehow failed for you, you should tell it to simply build the javascript files instead\n\n```\n    npm run deploy:prod\n```\n\n\n## Credits\n\n- This is essentially an implementation of some ideas of [deepvis](https:\u002F\u002Fgithub.com\u002Fyosinski\u002Fdeep-visualization-toolbox) and related works.\n- A lot of the pre\u002Fpos\u002Fde processing code was taken from [here](https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fdeep-learning-models) and other writings of [fchollet](https:\u002F\u002Fgithub.com\u002Ffchollet).\n- The dashboard makes use of [react-redux-starter-kit](https:\u002F\u002Fgithub.com\u002Fdavezuko\u002Freact-redux-starter-kit)\n\n## Citing Quiver\n\n```\nmisc{bianquiver,\n  title={Quiver},\n  author={Bian, Jake},\n  year={2016},\n  publisher={GitHub},\n  howpublished={\\url{https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver}},\n}\n```\n\n\n","# Quiver\n[![Gitter 聊天](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeplr-io_quiver_readme_ec39039bf0d7.png)](https:\u002F\u002Fgitter.im\u002FquiverEngine\u002FLobby)\n\n交互式卷积神经网络特征可视化工具，专为 Keras 设计\n\n\n![gzqll3](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeplr-io_quiver_readme_6e6ce5b73200.gif)\n\n\n\n\n**Quiver 工作流程**\n\n[视频演示](https:\u002F\u002Fwww.youtube.com\u002Fwatch?edit=vd&v=tgRW3BRi_FA)\n\n1. 在 Keras 中构建你的模型\n\n    ```python\n    model = Model(...)\n    ```\n2. 使用一行代码启动可视化仪表板\n\n    ```python\n    quiver_engine.server.launch(model, classes=['cat','dog'], input_folder='.\u002Fimgs')\n    ```\n3. 探索输入文件夹中所有不同图像的各层激活情况。\n\n\n## 快速入门\n\n**安装**\n\n```bash\n    pip install quiver_engine\n```\n\n如果你想使用仓库中的最新版本：\n\n```bash\n    pip install git+git:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver.git\n```\n\n\n**使用方法**\n\n只需传入你的 Keras `model`，即可通过一行代码启动 Quiver。\n\n```python\n    from quiver_engine import server\n    server.launch(model)\n```\n\n这将会在 `localhost:5000` 启动可视化界面。\n\n**可选参数**\n\n```python\n    server.launch(\n        model, # 一个 Keras 模型\n\n        classes, # 模型输出类别的列表（如果不指定，则会使用 ImageNet 的 1000 类）\n\n        top, # 在 GUI 中显示的前几名预测结果数量（默认为 5）\n\n        # 存储 Quiver 生成的临时文件的目录（例如各层的图像文件）\n        temp_folder='.\u002Ftmp',\n\n        # 存放输入图像的文件夹\n        input_folder='.\u002F',\n\n        # 仪表板将要服务的本地端口\n        port=5000,\n\n        # 自定义数据均值\n        mean=[123.568, 124.89, 111.56],\n\n        # 自定义数据标准差\n        std=[52.85, 48.65, 51.56]\n    )\n```\n\n## 开发\n\n**从 master 分支构建**\n\n克隆本仓库并运行以下命令：\n\n```bash\ncd quiver_engine\npython setup.py develop\n```\n\n**构建客户端**\n\n```bash\n    cd quiverboard\n    npm install\n    export QUIVER_URL=localhost:5000 # 或你设置的端口号\n    npm start\n```\n\n请注意，这将以 Webpack 和热重载的方式运行你的 Web 应用程序。如果你不关心这些功能，或者只是因为 `pip install` 失败才来到这一部分，那么你可以直接构建 JavaScript 文件：\n\n```bash\n    npm run deploy:prod\n```\n\n\n## 致谢\n\n- 本项目本质上是对 [deepvis](https:\u002F\u002Fgithub.com\u002Fyosinski\u002Fdeep-visualization-toolbox) 及相关工作的某些思想的实现。\n- 许多预处理和后处理代码来源于 [此处](https:\u002F\u002Fgithub.com\u002Ffchollet\u002Fdeep-learning-models) 以及 [fchollet](https:\u002F\u002Fgithub.com\u002Ffchollet) 的其他作品。\n- 仪表板使用了 [react-redux-starter-kit](https:\u002F\u002Fgithub.com\u002Fdavezuko\u002Freact-redux-starter-kit)。\n\n## 引用 Quiver\n\n```\nmisc{bianquiver,\n  title={Quiver},\n  author={Bian, Jake},\n  year={2016},\n  publisher={GitHub},\n  howpublished={\\url{https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver}},\n}\n```","# Quiver 快速上手指南\n\nQuiver 是一个用于 Keras 卷积神经网络的交互式特征可视化工具。它允许开发者通过简单的代码启动一个本地 Web 仪表盘，直观地探索模型在不同图像上的层级激活情况。\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**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.6+\n*   **核心依赖**：\n    *   `Keras` (已安装并配置好后端，如 TensorFlow)\n    *   `pip` (Python 包管理工具)\n*   **浏览器**：现代浏览器（Chrome, Firefox 等）用于访问可视化界面\n\n## 安装步骤\n\n您可以通过 PyPI 直接安装稳定版，或者从 GitHub 源码安装最新版本。\n\n### 方式一：安装稳定版（推荐）\n\n```bash\npip install quiver_engine\n```\n\n> **国内加速提示**：如果下载速度较慢，建议使用国内镜像源（如清华源）：\n> ```bash\n> pip install quiver_engine -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 方式二：安装最新开发版\n\n如果您需要体验仓库中的最新功能：\n\n```bash\npip install git+git:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver.git\n```\n\n## 基本使用\n\n启动 Quiver 非常简单，只需几行代码即可将您的 Keras 模型转化为可视化的 Web 应用。\n\n### 1. 准备模型\n\n首先，在您的 Python 脚本中构建或加载已有的 Keras 模型。\n\n```python\nfrom keras.models import Model\n# 假设您已经定义或加载了模型\nmodel = Model(...)\n```\n\n### 2. 启动可视化服务\n\n导入 `quiver_engine` 并调用 `launch` 方法。这是最简化的启动方式：\n\n```python\nfrom quiver_engine import server\n\n# 启动服务，默认监听 localhost:5000\nserver.launch(model)\n```\n\n执行上述代码后，终端会显示服务已启动。打开浏览器访问 `http:\u002F\u002Flocalhost:5000` 即可查看可视化仪表盘。\n\n### 3. 高级配置（可选）\n\n您可以根据需求自定义类别标签、输入图片文件夹、端口号以及数据预处理参数（均值和标准差）：\n\n```python\nfrom quiver_engine import server\n\nserver.launch(\n    model,                      # Keras 模型对象\n    classes=['cat', 'dog'],     # 模型输出的类别标签列表（若不指定，默认使用 ImageNet 的 1000 类）\n    top=5,                      # GUI 中显示的前 N 个预测结果数量，默认为 5\n    temp_folder='.\u002Ftmp',        # 存储临时生成文件（如层级图像）的目录\n    input_folder='.\u002Fimgs',      # 存放输入测试图像的文件夹路径\n    port=5000,                  # 仪表盘服务的端口号\n    mean=[123.568, 124.89, 111.56], # 自定义数据均值\n    std=[52.85, 48.65, 51.56]       # 自定义数据标准差\n)\n```\n\n启动后，您可以在网页界面上选择 `input_folder` 中的不同图片，实时观察模型各层的激活热力图和特征图。","某计算机视觉团队正在调试一个基于 Keras 构建的猫狗分类模型，试图找出模型为何频繁将特定品种的狗误判为猫。\n\n### 没有 quiver 时\n- 开发者只能依靠打印张量形状或保存静态特征图到本地磁盘来猜测网络内部状态，过程繁琐且滞后。\n- 难以直观定位具体是哪一层卷积核导致了特征提取失败，排查问题如同“盲人摸象”。\n- 调整超参数或修改网络结构后，必须重新运行完整的推理脚本并手动打开图片对比，迭代效率极低。\n- 团队成员间沟通模型缺陷时，缺乏统一的交互式界面，只能口头描述抽象的激活模式，容易产生歧义。\n\n### 使用 quiver 后\n- 只需一行代码启动本地服务，即可在浏览器中实时、交互式地查看任意输入图像在各层的激活热力图。\n- 能够逐层下钻观察，迅速锁定模型在浅层就丢失了关键纹理特征的具体位置，精准定位故障层。\n- 更换测试图片或微调模型后，页面自动热更新展示新结果，实现了“修改即见”的快速实验闭环。\n- 团队可直接在共享的可视化界面上讨论特定神经元的响应情况，基于直观的视觉证据高效协作优化模型。\n\nquiver 通过将黑盒般的卷积神经网络转化为透明的交互式可视化界面，极大地降低了深度学习模型的调试门槛与时间成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeplr-io_quiver_6e6ce5b7.gif","keplr-io","Keplr","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkeplr-io_9ea1998d.png","",null,"http:\u002F\u002Fkeplr.io","https:\u002F\u002Fgithub.com\u002Fkeplr-io",[80,84,88,92],{"name":81,"color":82,"percentage":83},"JavaScript","#f1e05a",75.1,{"name":85,"color":86,"percentage":87},"Python","#3572A5",18.3,{"name":89,"color":90,"percentage":91},"CSS","#663399",6.2,{"name":93,"color":94,"percentage":95},"HTML","#e34c26",0.3,1794,223,"2026-04-07T06:20:49","MIT","未说明",{"notes":102,"python":100,"dependencies":103},"该工具专为 Keras 框架设计，用于交互式可视化卷积神经网络特征。前端开发需要 Node.js 和 npm 环境。若需自定义输入图像类别或数据预处理参数（如均值和标准差），需在启动时配置相应选项。默认使用 ImageNet 的 1000 个类别。",[104,105],"keras","quiver_engine",[14],[108,109,110],"deep-learning","convolutional-neural-networks","visualization","2026-03-27T02:49:30.150509","2026-04-09T09:33:19.646228",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},25940,"如何在没有 TensorFlow 依赖的情况下安装 Quiver（例如使用 Theano 后端或在 Windows 上）？","虽然官方设置中 TensorFlow 是可选的，但在某些系统（如 Windows）上 pip 安装仍可能强制要求。如果需要无 TF 版本，可以使用社区维护的版本，例如：https:\u002F\u002Fgithub.com\u002Fvfdev-5\u002Fquiver。此外，维护者建议将相关讨论移至 Gitter 频道，因为 TF 依赖现已设为可选。","https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver\u002Fissues\u002F1",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},25941,"启动服务器后访问 localhost 出现 404 错误怎么办？","这通常是因为前端仪表盘未编译。如果通过 setup.py 本地运行，需要执行以下步骤之一：\n1. 编译生产版本：运行 `npm run deploy:prod`\n2. 或以开发模式运行：运行 `npm start`\n请确保在 quiverboard 目录下执行这些命令，否则服务器无法找到前端资源导致 404。","https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver\u002Fissues\u002F2",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},25942,"Quiverboard 左侧面板不显示模型或报错 'map is not a function' 如何解决？","这通常发生在加载自定义 Keras 模型（特别是 Sequential 模型）时。解决方法是修改源码并重新编译：\n1. 编辑 `quiverboard\u002Fsrc\u002FModelGraph\u002Futil.js` 文件。\n2. 针对 Sequential 模型支持问题，可能需要调整判断逻辑，确保包含 'Sequential' 和 'Functional' 类型。\n3. 在 `quiverboard` 目录下运行 `npm run deploy:prod` 重新生成 JS 文件（忽略 UglifyJs 的错误）。\n注意：部分自定义模型可能因缺少 `inbound_nodes` 属性而报错，需检查模型结构。","https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver\u002Fissues\u002F73",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},25943,"遇到 'TypeError: can't pickle _thread.RLock objects' 错误如何处理？","该错误通常由模型中的 `Lambda` 层引起，特别是当传递了不可序列化的参数（如 `tf.Tensor`）时。解决方案如下：\n1. 检查并移除模型中所有的 `Lambda` 层，将其替换为标准的 Keras 层或独立的函数。\n2. 尝试使用 `model.to_json()` 保存模型架构，并单独使用 `model.save_weights()` 保存权重，而不是直接使用 `save_model`。\n3. 确保传递给 Lambda 层的参数不包含线程锁或其他不可 pickle 的对象。","https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver\u002Fissues\u002F66",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},25944,"如何处理非 RGB 图像（如单通道灰度图）导致的输入形状不匹配错误？","默认情况下，预测端点可能期望 ImageNet 格式的 3 通道输入。如果模型是为单通道图像训练的（例如形状为 (1, 128, 128, 1)），直接运行会报错。\n目前官方正在修复此问题以支持非 ImageNet 模型。临时解决方法是确保输入图像被正确预处理为模型预期的通道数，或者等待合并修复该问题的 PR。对于单通道模型，可能需要自定义 `preprocess_input` 逻辑以适应单通道输入。","https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver\u002Fissues\u002F14",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},25945,"右侧面板无法显示图像文件，但模型加载正常，可能的原因是什么？","如果左侧模型可见但右侧图像列表为空，请检查以下几点：\n1. 确认 `input_folder` 路径设置正确且包含有效的图像文件。\n2. 检查浏览器控制台是否有 CORS 或权限错误。\n3. 尝试更换浏览器（如 Chrome）或清除缓存。\n4. 确保安装的 Quiver 版本与 Keras 版本兼容（例如 Keras 1.1.1 可能存在兼容性问题）。\n如果问题依旧，可能是特定操作系统（如 Mac）下的文件读取权限或路径解析问题。","https:\u002F\u002Fgithub.com\u002Fkeplr-io\u002Fquiver\u002Fissues\u002F26",[]]