[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-keras-team--keras-io":3,"tool-keras-team--keras-io":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",159267,2,"2026-04-17T11:29:14",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":32,"env_os":112,"env_gpu":113,"env_ram":114,"env_deps":115,"category_tags":120,"github_topics":77,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":121,"updated_at":122,"faqs":123,"releases":158},8592,"keras-team\u002Fkeras-io","keras-io","Keras documentation, hosted live at keras.io","keras-io 是官方 Keras 文档网站（keras.io）的开源生成器与内容仓库。它不仅仅是一个静态网页托管项目，更是一套自动化文档构建系统，能够将 Python 脚本、Jupyter 笔记本和 Markdown 文件统一转化为格式精美、可交互的技术教程。\n\n这一工具主要解决了深度学习文档维护中常见的“多格式不一致”难题。通过其独特的\"Tutobook\"机制，开发者只需维护一份 Python 源代码（其中文本说明以特定格式的注释块存储），系统即可自动同步生成对应的网页文档、可执行笔记本和源码文件。这种“单一事实来源”的工作流极大地降低了文档更新成本，确保了代码示例在不同展示形式下的准确性与一致性。\n\nkeras-io 非常适合 Keras 框架的开发者、研究人员以及技术文档撰写者使用。对于希望贡献高质量代码示例的社区成员，它提供了清晰的贡献指南和自动化转换脚本（如 `nb2py`），支持从现有的 Jupyter 笔记本快速迁移或从头编写新教程。此外，项目还支持基于 Docker 的本地部署，让用户能轻松在本地搭建完整的文档预览环境，便于在提交前验证效果。无论是修复拼写错误还是添","keras-io 是官方 Keras 文档网站（keras.io）的开源生成器与内容仓库。它不仅仅是一个静态网页托管项目，更是一套自动化文档构建系统，能够将 Python 脚本、Jupyter 笔记本和 Markdown 文件统一转化为格式精美、可交互的技术教程。\n\n这一工具主要解决了深度学习文档维护中常见的“多格式不一致”难题。通过其独特的\"Tutobook\"机制，开发者只需维护一份 Python 源代码（其中文本说明以特定格式的注释块存储），系统即可自动同步生成对应的网页文档、可执行笔记本和源码文件。这种“单一事实来源”的工作流极大地降低了文档更新成本，确保了代码示例在不同展示形式下的准确性与一致性。\n\nkeras-io 非常适合 Keras 框架的开发者、研究人员以及技术文档撰写者使用。对于希望贡献高质量代码示例的社区成员，它提供了清晰的贡献指南和自动化转换脚本（如 `nb2py`），支持从现有的 Jupyter 笔记本快速迁移或从头编写新教程。此外，项目还支持基于 Docker 的本地部署，让用户能轻松在本地搭建完整的文档预览环境，便于在提交前验证效果。无论是修复拼写错误还是添加复杂的深度学习案例，keras-io 都提供了一套规范且高效的协作流程。","# Keras.io documentation generator\n\nThis repository hosts the code used to generate the [keras.io](https:\u002F\u002Fkeras.io) website.\n\n## Generating a local copy of the website\n\n```\npip install -r requirements.txt\n# Update Keras version\npip install -U keras\ncd scripts\npython autogen.py make\npython autogen.py serve\n```\n\nIf you have Docker (you don't need the gpu version of Docker), you can run instead:\n\n```\ndocker build -t keras-io . && docker run --rm -p 8000:8000 keras-io\n```\n\nIt will take a while the first time because it's going to pull the\nimage and the dependencies, but on the next times it'll be much faster.\n\nAnother way of testing using Docker is via our Makefile:\n\n```\nmake container-test\n```\n\nThis command will build a Docker image with a documentation server and run it.\n\n\n## Call for examples\n\nAre you interested in submitting new examples for publication on keras.io?\nWe welcome your contributions!\nPlease read the information below about adding new code examples.\n\nWe are currently interested in [the following examples](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fblob\u002Fmaster\u002Fcall_for_contributions.md).\n\n\n## Fixing something in an existing code example\n\n### Fixing typos\n\nIf your fix is very simple, please send out a PR simultaneously updating\nthe `.py`, the `.md`, and the `.ipynb` files for the example.\n\n## More extensive fixes\n\nFor larger fixes, please send a PR that only includes the `.py` file,\nso we only update the other two files once the code has been reviewed\nand approved.\n\n\n## Adding a new code example\n\nKeras code examples are implemented as **tutobooks**.\n\nA tutobook is a script available simultaneously as a notebook,\nas a Python file, and as a nicely-rendered webpage.\n\nIts source-of-truth (for manual edition and version control) is\nits Python script form, but you can also create one by starting\nfrom a notebook and converting it with the command `nb2py`.\n\nText cells are stored in markdown-formatted comment blocks.\nthe first line (starting with `\"\"\"`) may optionally contain a special\nannotation, one of:\n\n- `shell`: execute this block while prefixing each line with `!`.\n- `invisible`: do not render this block.\n\nThe script form should start with a header with the following fields:\n\n```\nTitle: (title)\nAuthor: (could be `Authors`: as well, and may contain markdown links)\nDate created: (date in yyyy\u002Fmm\u002Fdd format)\nLast modified: (date in yyyy\u002Fmm\u002Fdd format)\nDescription: (one-line text description)\nAccelerator: (could be GPU, TPU, or None)\n```\n\nTo see examples of tutobooks, you can check out any `.py` file in `examples\u002F` or `guides\u002F`.\n\n\n### Creating a new example starting from a `ipynb` file\n\n1. Save the `ipynb` file to local disk.\n2. Convert the file to a tutobook by running:\n(assuming you are in the `scripts\u002F` directory)\n\n\n```\npython tutobooks.py nb2py path_to_your_nb.ipynb ..\u002Fexamples\u002Fvision\u002Fscript_name.py\n```\n\nThis will create the file `examples\u002Fvision\u002Fscript_name.py`.\n\n3. Open it, fill in the headers, and generally edit it so that it looks nice.\n\nNOTE THAT THE CONVERSION SCRIPT MAY MAKE MISTAKES IN ITS ATTEMPTS\nTO SHORTEN LINES. MAKE SURE TO PROOFREAD THE GENERATED .py IN FULL.\nOr alternatively, make sure to keep your lines reasonably-sized (\u003C90 char)\nto start with, so that the script won't have to shorten them.\n\n4. Run `python autogen.py add_example vision\u002Fscript_name`. This will generate an ipynb and markdown\nrendering of your example, creating files in `examples\u002Fvision\u002Fipynb`,\n`examples\u002Fvision\u002Fmd`, and `examples\u002Fvision\u002Fimg`. Do not modify any of these files by hand; only the\noriginal Python script should ever be edited manually.\n5. Submit a PR adding `examples\u002Fvision\u002Fscript_name.py` (only the `.py`, not the generated files). Get a review and approval.\n6. Once the PR is approved, add to the PR the files created by the `add_example` command. Then we will merge the PR.\n\n\n### Creating a new example starting from a Python script\n\n1. Format the script with `black`: `black script_name.py`\n2. Add tutobook header\n3. Put the script in the relevant subfolder of `examples\u002F` (e.g. `examples\u002Fvision\u002Fscript_name`)\n4. Run `python autogen.py add_example vision\u002Fscript_name`. This will generate an ipynb and markdown\nrendering of your example, creating files in `examples\u002Fvision\u002Fipynb`,\n`examples\u002Fvision\u002Fmd`, and `examples\u002Fvision\u002Fimg`. Do not modify any of these files by hand; only the\noriginal Python script should ever be edited manually.\n5. Submit a PR adding `examples\u002Fvision\u002Fscript_name.py` (only the `.py`, not the generated files). Get a review and approval.\n6. Once the PR is approved, add to the PR the files created by the `add_example` command. Then we will merge the PR.\n\n\n### Previewing a new example\n\nYou can locally preview what the example looks like by running:\n\n```\ncd scripts\npython autogen.py add_example vision\u002Fscript_name\n```\n\n(Assuming the tutobook file is `examples\u002Fvision\u002Fscript_name.py`.)\n\nNOTE THAT THIS COMMAND WILL ERROR OUT IF ANY CELLS TAKES TOO LONG\nTO EXECUTE. In that case, make your code lighter\u002Ffaster.\nRemember that examples are meant to demonstrate workflows, not\ntrain state-of-the-art models. They should\nstay very lightweight.\n\nThen serving the website:\n\n```\npython autogen.py make\npython autogen.py serve\n```\n\nAnd navigating to `0.0.0.0:8000\u002Fexamples`.\n\n\n## Read-only autogenerated files\n\nThe contents of the following folders should **not** be modified by hand:\n\n- `site\u002F*`\n- `sources\u002F*`\n- `templates\u002Fexamples\u002F*`\n- `templates\u002Fguides\u002F*`\n- `examples\u002F*\u002Fmd\u002F*`, `examples\u002F*\u002Fipynb\u002F*`, `examples\u002F*\u002Fimg\u002F*`\n- `guides\u002Fmd\u002F*`, `guides\u002Fipynb\u002F*`, `guides\u002Fimg\u002F*`\n\n\n## Modifiable files\n\nThese are the only files that should be edited by hand:\n\n- `templates\u002F*.md`, with the exception of `templates\u002Fexamples\u002F*` and `templates\u002Fguides\u002F*`\n- `examples\u002F*\u002F*.py`\n- `guides\u002F*.py`\n- `theme\u002F*`\n- `scripts\u002F*.py`\n","# Keras.io 文档生成器\n\n此仓库托管用于生成 [keras.io](https:\u002F\u002Fkeras.io) 网站的代码。\n\n## 生成网站的本地副本\n\n```\npip install -r requirements.txt\n# 更新 Keras 版本\npip install -U keras\ncd scripts\npython autogen.py make\npython autogen.py serve\n```\n\n如果您有 Docker（不需要 GPU 版本的 Docker），也可以运行以下命令：\n\n```\ndocker build -t keras-io . && docker run --rm -p 8000:8000 keras-io\n```\n\n首次运行时会花费一些时间，因为需要拉取镜像和依赖项，但后续运行会快得多。\n\n另一种使用 Docker 测试的方法是通过我们的 Makefile：\n\n```\nmake container-test\n```\n\n该命令将构建一个包含文档服务器的 Docker 镜像并运行它。\n\n## 征集示例\n\n您是否有兴趣提交新的示例以在 keras.io 上发布？我们非常欢迎您的贡献！请阅读下方关于添加新代码示例的信息。\n\n我们目前对 [以下示例] 感兴趣：[链接](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fblob\u002Fmaster\u002Fcall_for_contributions.md)。\n\n## 修复现有代码示例中的问题\n\n### 修正拼写错误\n\n如果您的修复非常简单，请同时更新示例的 `.py`、`.md` 和 `.ipynb` 文件，并提交一个 PR。\n\n## 更复杂的修复\n\n对于较大的修复，请仅提交包含 `.py` 文件的 PR，以便在代码经过审查并批准后，再更新另外两个文件。\n\n## 添加新的代码示例\n\nKeras 代码示例以 **教程书** 的形式实现。\n\n教程书是一种脚本，可以同时以笔记本、Python 文件以及美观渲染的网页形式呈现。\n\n其真实来源（用于手动编辑和版本控制）是 Python 脚本形式，但您也可以从笔记本开始，使用 `nb2py` 命令将其转换为教程书。\n\n文本单元存储在 Markdown 格式的注释块中。第一行（以 `\"\"\"` 开头）可以选择性地包含特殊标注，例如：\n\n- `shell`: 在每行前加上 `!` 后执行该块。\n- `invisible`: 不渲染该块。\n\n脚本应以包含以下字段的头部开始：\n\n```\nTitle: (标题)\nAuthor: (也可以是 `Authors`，并可包含 Markdown 链接)\nDate created: (日期格式为 yyyy\u002Fmm\u002Fdd)\nLast modified: (日期格式为 yyyy\u002Fmm\u002Fdd)\nDescription: (一行文本描述)\nAccelerator: (可以是 GPU、TPU 或 None)\n```\n\n要查看教程书的示例，您可以查看 `examples\u002F` 或 `guides\u002F` 中的任何 `.py` 文件。\n\n### 从 `ipynb` 文件创建新示例\n\n1. 将 `ipynb` 文件保存到本地磁盘。\n2. 运行以下命令将文件转换为教程书（假设您位于 `scripts\u002F` 目录下）：\n\n```\npython tutobooks.py nb2py path_to_your_nb.ipynb ..\u002Fexamples\u002Fvision\u002Fscript_name.py\n```\n\n这将创建文件 `examples\u002Fvision\u002Fscript_name.py`。\n\n3. 打开文件，填写头部信息，并进行整体编辑，使其看起来整洁美观。\n\n请注意，转换脚本在尝试缩短行时可能会出错。请务必完整校对生成的 `.py` 文件。或者，您也可以一开始就保持代码行长度合理（\u003C90 字符），这样脚本就不必对其进行缩短。\n\n4. 运行 `python autogen.py add_example vision\u002Fscript_name`。这将生成您示例的 IPython 笔记本和 Markdown 渲染版本，并在 `examples\u002Fvision\u002Fipynb`、`examples\u002Fvision\u002Fmd` 和 `examples\u002Fvision\u002Fimg` 中创建文件。请勿手动修改这些文件；只有原始 Python 脚本才应被手动编辑。\n5. 提交一个 PR，添加 `examples\u002Fvision\u002Fscript_name.py`（仅 `.py` 文件，不包括生成的文件）。等待审查和批准。\n6. 一旦 PR 被批准，将 `add_example` 命令生成的文件添加到 PR 中，然后我们将合并 PR。\n\n### 从 Python 脚本创建新示例\n\n1. 使用 `black` 格式化脚本：`black script_name.py`\n2. 添加教程书头部。\n3. 将脚本放入 `examples\u002F` 中的相关子文件夹（例如 `examples\u002Fvision\u002Fscript_name`）。\n4. 运行 `python autogen.py add_example vision\u002Fscript_name`。这将生成您示例的 IPython 笔记本和 Markdown 渲染版本，并在 `examples\u002Fvision\u002Fipynb`、`examples\u002Fvision\u002Fmd` 和 `examples\u002Fvision\u002Fimg` 中创建文件。请勿手动修改这些文件；只有原始 Python 脚本才应被手动编辑。\n5. 提交一个 PR，添加 `examples\u002Fvision\u002Fscript_name.py`（仅 `.py` 文件，不包括生成的文件）。等待审查和批准。\n6. 一旦 PR 被批准，将 `add_example` 命令生成的文件添加到 PR 中，然后我们将合并 PR。\n\n### 预览新示例\n\n您可以通过运行以下命令，在本地预览示例的外观：\n\n```\ncd scripts\npython autogen.py add_example vision\u002Fscript_name\n```\n\n（假设教程书文件是 `examples\u002Fvision\u002Fscript_name.py`。）\n\n请注意，如果任何单元格执行时间过长，该命令将会报错。在这种情况下，请简化或加快您的代码。请记住，示例旨在演示工作流程，而非训练最先进的模型，因此它们应保持非常轻量级。\n\n然后启动网站服务：\n\n```\npython autogen.py make\npython autogen.py serve\n```\n\n访问 `0.0.0.0:8000\u002Fexamples` 即可查看。\n\n## 只读自动生成文件\n\n以下文件夹的内容不应手动修改：\n\n- `site\u002F*`\n- `sources\u002F*`\n- `templates\u002Fexamples\u002F*`\n- `templates\u002Fguides\u002F*`\n- `examples\u002F*\u002Fmd\u002F*`、`examples\u002F*\u002Fipynb\u002F*`、`examples\u002F*\u002Fimg\u002F*`\n- `guides\u002Fmd\u002F*`、`guides\u002Fipynb\u002F*`、`guides\u002Fimg\u002F*`\n\n## 可编辑文件\n\n以下文件才是唯一应手动编辑的文件：\n\n- `templates\u002F*.md`，但 `templates\u002Fexamples\u002F*` 和 `templates\u002Fguides\u002F*` 除外。\n- `examples\u002F*\u002F*.py`\n- `guides\u002F*.py`\n- `theme\u002F*`\n- `scripts\u002F*.py`","# Keras.io 文档生成器快速上手指南\n\n本指南帮助中国开发者快速搭建 `keras-io` 本地环境，用于生成 Keras 官方文档网站或贡献代码示例。\n\n## 环境准备\n\n*   **操作系统**：Linux、macOS 或 Windows (需支持 Docker 或 Python 环境)\n*   **核心依赖**：\n    *   Python 3.x\n    *   Git\n*   **可选依赖**（推荐）：\n    *   **Docker**：无需 GPU 版本，使用 Docker 可避免本地环境配置冲突，一键启动服务。\n\n## 安装步骤\n\n你可以选择以下两种方式之一进行安装和运行：\n\n### 方式一：使用 Docker（推荐，最简便）\n\n如果你已安装 Docker，这是最快的方式。首次运行会拉取镜像和依赖，耗时稍长，后续运行将非常迅速。\n\n```bash\ndocker build -t keras-io . && docker run --rm -p 8000:8000 keras-io\n```\n\n或者使用 Makefile 进行测试：\n\n```bash\nmake container-test\n```\n\n### 方式二：本地 Python 环境\n\n如果你希望在本地直接运行，请执行以下步骤：\n\n1.  **安装依赖**：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    > **国内加速建议**：如果下载缓慢，可使用清华源或阿里源：\n    > `pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n2.  **更新 Keras 版本**：\n    ```bash\n    pip install -U keras\n    ```\n    > **国内加速建议**：\n    > `pip install -U keras -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n3.  **进入脚本目录并生成\u002F启动服务**：\n    ```bash\n    cd scripts\n    python autogen.py make\n    python autogen.py serve\n    ```\n\n## 基本使用\n\n成功启动后，即可在浏览器中访问本地生成的文档网站。\n\n1.  **访问地址**：\n    打开浏览器访问 `http:\u002F\u002F0.0.0.0:8000` (或 `http:\u002F\u002Flocalhost:8000`)。\n\n2.  **查看示例**：\n    导航至 `http:\u002F\u002F0.0.0.0:8000\u002Fexamples` 查看代码示例页面。\n\n3.  **添加新示例预览（开发者专用）**：\n    如果你正在开发新的 Tutobook 示例（例如位于 `examples\u002Fvision\u002Fscript_name.py`），可运行以下命令生成对应的 `.ipynb` 和 Markdown 文件并进行本地预览：\n\n    ```bash\n    cd scripts\n    # 将 vision\u002Fscript_name 替换为你的实际路径\n    python autogen.py add_example vision\u002Fscript_name\n    \n    # 重新构建并启动服务\n    python autogen.py make\n    python autogen.py serve\n    ```\n\n    > **注意**：如果示例代码执行时间过长，上述命令会报错。请确保示例代码轻量级，仅用于演示工作流，而非训练大型模型。\n\n4.  **重要提示**：\n    *   **唯一源码**：所有示例的“事实来源”是 `.py` 文件。请勿手动修改自动生成的 `.md`、`.ipynb` 或 `site\u002F*` 目录下的文件。\n    *   **提交规范**：提交 PR 时，初期仅需提交 `.py` 文件；待代码审核通过后，再补充由 `add_example` 命令生成的其他文件。","某深度学习团队正在开发一套新的图像分割模型，急需将内部验证成功的实验代码转化为对外公开的技术教程，以便社区复现和反馈。\n\n### 没有 keras-io 时\n- **格式维护繁琐**：工程师需手动同步维护 Jupyter Notebook、Python 脚本和 Markdown 文档三种格式，极易出现内容不一致或版本冲突。\n- **渲染效果不可控**：缺乏统一的生成机制，导致代码示例在网页上的展示风格杂乱，数学公式和图表经常无法正常显示。\n- **协作流程混乱**：贡献者不清楚应提交哪种文件格式，审查人员需反复核对多个衍生文件，大幅拉长了新案例的上架周期。\n- **本地预览困难**：在没有完整构建环境的情况下，开发者难以在本地快速预览文档最终效果，只能依赖线上部署试错。\n\n### 使用 keras-io 后\n- **单一信源管理**：利用\"tutobook\"机制，团队仅需维护一个带特殊注释的 Python 脚本，keras-io 自动将其转换为 Notebook、Markdown 及精美网页。\n- **标准化输出**：通过内置的 `autogen.py` 脚本，所有代码示例自动获得一致的排版风格、语法高亮和交互式运行环境。\n- **高效贡献流程**：外部开发者只需提交 `.py` 源文件，keras-io 自动生成其余衍生文件，显著降低了 PR 审查难度和合并时间。\n- **便捷本地调试**：支持通过 Docker 或简单命令一键启动本地文档服务器，让作者在提交前即可实时预览并修正渲染问题。\n\nkeras-io 通过将文档编写简化为“编写单一 Python 脚本”，彻底解决了多格式同步难题，极大提升了深度学习知识分享的效率与质量。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeras-team_keras-io_f32166ec.png","keras-team","Keras","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkeras-team_dd76ba2a.jpg","Deep Learning for humans",null,"keras-users@googlegroups.com","https:\u002F\u002Fkeras.io\u002F","https:\u002F\u002Fgithub.com\u002Fkeras-team",[82,86,90,93,97,101,105],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",74.6,{"name":87,"color":88,"percentage":89},"Python","#3572A5",21.7,{"name":91,"color":92,"percentage":10},"HTML","#e34c26",{"name":94,"color":95,"percentage":96},"CSS","#663399",0.6,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",0.1,{"name":102,"color":103,"percentage":104},"Dockerfile","#384d54",0,{"name":106,"color":107,"percentage":104},"Makefile","#427819",2983,2114,"2026-04-13T17:52:46","Apache-2.0","Linux, macOS, Windows","非必需（文档明确说明不需要 GPU 版本的 Docker，示例代码可配置为无加速器或使用 GPU\u002FTPU）","未说明",{"notes":116,"python":114,"dependencies":117},"该工具用于生成 keras.io 网站文档。支持通过原生 Python 环境或 Docker 运行。若使用 Docker，无需 GPU 版本。新增或修改示例时，仅需编辑 .py 源文件，其他格式（.md, .ipynb）由脚本自动生成。示例代码应保持轻量级以避免生成超时。",[118,119],"keras","requirements.txt 中列出的库（具体列表需查看文件，文中未展开）",[14],"2026-03-27T02:49:30.150509","2026-04-18T02:22:25.057677",[124,129,134,139,144,149,154],{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},38514,"遇到 'module 'tensorflow.keras.preprocessing' has no attribute 'image_dataset_from_directory'' 错误如何解决？","该问题通常由版本不兼容或调用路径错误引起。请尝试使用完整路径调用：`tf.keras.preprocessing.image_dataset_from_directory()`。确保您的 TensorFlow 版本较新（建议 2.4.0 及以上），因为旧版本（如 2.1.0 或 2.3.0）可能尚未包含此功能或存在模块路径差异。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fissues\u002F12",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},38515,"Transformer ASR 示例中训练完成后如何进行推理（Inference）？","官方示例为了节省时间仅训练了 1 个 epoch，因此未直接提供推理代码，但这不影响实际使用。您可以使用 `model.predict(ds.take(1))` 对单个批次数据进行预测以测试模型。在实际应用中，您需要训练更多轮次（epochs）直到达到满意的准确率，然后即可正常使用 predict 方法进行推理。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fissues\u002F537",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},38516,"在 Siamese Network（孪生网络）示例中，训练后如何保存模型以便后续评估？","虽然示例主要展示从头编写训练循环，但保存模型的方法与标准 Keras 流程一致。在调用 `siamese_model.fit()` 完成训练后，使用 `siamese_model.save('path_to_save')` 即可保存整个模型（包括架构、权重和配置）。后续可通过 `tf.keras.models.load_model('path_to_save')` 加载模型进行评估，无需重新训练。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fissues\u002F926",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},38517,"如何在 RetinaNet 教程中将自定义的 XML 标注数据集转换为所需格式？","官方教程主要演示流程，未详细涵盖自定义数据预处理。用户通常需要先将 XML 标注转换为 TFRecord 格式。可以参考第三方工具（如 detection_util_scripts 仓库）进行转换，但需注意输出格式需与教程中的解析逻辑匹配。如果转换后无法运行，建议检查生成的 TFRecord 结构是否与教程中 `parse_data` 函数定义的 feature description 一致。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fissues\u002F407",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},38518,"运行 RetinaNet 示例时在 Windows 或 MacOS 上报错 'resource module missing' 怎么办？","这是因为 `resource` 模块是 Unix\u002FLinux 特有的，在 Windows 和 MacOS 上不存在。如果在运行 `retina_net_overview.py` 时遇到此错误，说明代码中使用了该平台无关的模块。解决方案是修改代码，移除对 `resource` 模块的依赖，或使用跨平台的替代方案（如使用 `psutil` 库获取资源信息，或直接硬编码内存限制参数），以确保代码在所有操作系统上都能运行。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fissues\u002F1212",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},38519,"Keras IO 示例笔记本中引用的 TFRecord GCS 路径无法访问怎么办？","示例中使用的 Google Cloud Storage (GCS) 公共路径可能已过期或被删除。如果遇到 `GCS_PATH` 无法访问的问题，建议不要直接运行该路径。您可以选择：1. 自行下载相关数据集并本地生成 TFRecord 文件；2. 查找社区维护的更新版笔记本；3. 联系仓库维护者更新有效的公共数据存储桶地址。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras-io\u002Fissues\u002F223",{"id":155,"question_zh":156,"answer_zh":157,"source_url":138},38520,"在计算孪生网络的余弦相似度时，如何处理批量（Batch）数据以避免维度错误？","在推理阶段计算相似度时，如果直接传入整个批次可能会导致输出维度不符合预期（例如期望每个样本一个分数，却得到了聚合值）。正确的做法是遍历批次中的每个样本，单独计算锚点（anchor）与正\u002F负样本之间的相似度。代码示例：使用 `cosine_similarity(anchor_embedding[None, i, :], positive_embedding[None, i, :])` 对索引为 `i` 的单个样本进行计算，确保输出一一对应的相似度分数。",[]]