[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-kevin369ml--My-TensorFlow-tutorials":3,"tool-kevin369ml--My-TensorFlow-tutorials":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",158594,2,"2026-04-16T23:34:05",[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":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":76,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":76,"difficulty_score":86,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":94,"github_topics":95,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":101},8160,"kevin369ml\u002FMy-TensorFlow-tutorials","My-TensorFlow-tutorials","This repo contains all of my TensorFlow tutorials","My-TensorFlow-tutorials 是一个汇集了 TensorFlow 与深度学习实战项目的开源代码库，旨在通过具体案例帮助学习者掌握人工智能开发技能。该资源库涵盖了从传统机器学习、数据挖掘到现代深度学习的广泛内容，并提供了基于 TensorFlow 及 Keras 框架的完整实现代码。\n\n它主要解决了初学者在理论向实践转化过程中遇到的痛点：面对复杂的算法公式不知如何下手，或缺乏完整的工程代码参考。通过提供如“猫狗图像分类”等经典项目的源码，它将抽象的神经网络概念转化为可运行、可修改的具体程序，让用户能直观理解模型构建、训练及优化的全过程。\n\n这套教程非常适合刚入门的 AI 开发者、计算机专业学生以及希望巩固基础的研究人员使用。对于想要快速上手 TensorFlow 生态的技术爱好者而言，这里提供了极佳的练手机会。需要特别注意的是，该项目最后更新于 2018 年 7 月，所使用的 TensorFlow 版本较旧，部分代码可能不兼容当前的最新框架。因此，它更适合作为学习算法逻辑和编程思路的教学参考，建议用户在理解核心原理后，结合新版文档进行适配和迁移，而非直接用于生产环境。","## (Note that this repo is NOT going to be updated anymore, tensorflow version used in this repo was very old. -- July 19th, 2018)\n\n# My-TensorFlow-tutorials\nThis repo contains Tensorflow & deep learning projects.\n1. Deep Learning (as well as traditional Machine Learning, Data Mining).\n2. Tensorflow, Keras\n\n\n\n\n# Have fun!\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevin369ml_My-TensorFlow-tutorials_readme_80184773a697.jpg)\n\n","## （请注意，此仓库将不再更新，本仓库使用的 TensorFlow 版本非常旧。——2018年7月19日）\n\n# 我的TensorFlow教程\n本仓库包含 TensorFlow 和深度学习相关的项目。\n1. 深度学习（以及传统机器学习、数据挖掘）。\n2. TensorFlow、Keras\n\n\n\n\n# 尽情享受吧！\n![alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevin369ml_My-TensorFlow-tutorials_readme_80184773a697.jpg)","# My-TensorFlow-tutorials 快速上手指南\n\n> **⚠️ 重要提示**：本仓库自 2018 年 7 月 19 日起已停止更新。其中使用的 TensorFlow 版本非常陈旧，仅适用于学习历史代码或研究早期深度学习实现，**不建议用于新的生产环境**。\n\n## 环境准备\n\n由于本项目基于旧版 TensorFlow，建议创建独立的虚拟环境以避免依赖冲突。\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：推荐 Python 3.5 或 3.6（新版 Python 可能不兼容旧版 TF）\n- **前置依赖**：\n  - `pip`\n  - `virtualenv` (可选但推荐)\n  - `git`\n\n## 安装步骤\n\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fkevin28520\u002FMy-TensorFlow-tutorials.git\n   cd My-TensorFlow-tutorials\n   ```\n\n2. **创建并激活虚拟环境**\n   ```bash\n   python -m venv tf_old_env\n   # Linux\u002FmacOS\n   source tf_old_env\u002Fbin\u002Factivate\n   # Windows\n   tf_old_env\\Scripts\\activate\n   ```\n\n3. **安装依赖**\n   \n   由于原仓库可能缺乏完整的 `requirements.txt` 或依赖过旧，建议手动安装兼容版本的 TensorFlow 和 Keras。国内用户可使用清华镜像加速下载：\n\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.12.0 keras==2.2.4\n   ```\n   *(注：具体版本号需根据仓库内代码实际运行情况调整，1.12.0 为 2018 年左右的主流稳定版)*\n\n4. **安装其他潜在依赖**\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy pandas matplotlib opencv-python\n   ```\n\n## 基本使用\n\n本仓库包含多个独立的项目文件夹（如 `01 cats vs dogs`）。以下以经典的“猫狗分类”为例：\n\n1. **进入项目目录**\n   ```bash\n   cd \"01 cats vs dogs\"\n   ```\n\n2. **准备数据**\n   确保已下载对应的数据集（通常为 Kaggle 的 Dogs vs Cats 数据集），并按代码要求的目录结构存放（例如 `train\u002Fcat`, `train\u002Fdog` 等）。\n\n3. **运行训练脚本**\n   查看目录下的 `.py` 文件（通常为 `main.py` 或 `train.py`），直接运行：\n   ```bash\n   python main.py\n   ```\n\n4. **查看结果**\n   程序运行后将在终端输出训练日志，并在本地生成模型文件或预测结果图片（参考 README 中的星空图示例）。\n\n---\n*祝学习愉快！请注意甄别新旧技术差异。*","某高校计算机系研究生李明正尝试复现一篇 2017 年的经典图像分类论文，需要快速搭建基于旧版 TensorFlow 的猫狗识别模型以验证算法原理。\n\n### 没有 My-TensorFlow-tutorials 时\n- **环境配置困难**：由于官方文档已全面转向 TensorFlow 2.x，李明难以找到适配旧版本 API 的安装指南和依赖库，耗费数天解决兼容性报错。\n- **代码从零摸索**：缺乏完整的参考实现，他必须手动编写数据预处理、模型构建及训练循环的每一行代码，极易在维度变换等细节上出错。\n- **调试成本高昂**：遇到梯度消失或收敛失败时，没有基准代码（Baseline）进行对比排查，只能盲目调整超参数，实验进度严重滞后。\n- **概念理解割裂**：传统的机器学习理论与深度学习框架实践脱节，难以直观理解如何将数学公式转化为具体的 Tensor 操作。\n\n### 使用 My-TensorFlow-tutorials 后\n- **即拿即用环境**：直接复用仓库中针对旧版 TensorFlow 封装好的项目结构，瞬间绕过版本陷阱，将环境搭建时间从几天缩短至几小时。\n- **全流程代码参考**：依托仓库中“猫狗大战”等完整案例，李明直接借鉴了成熟的数据加载器和网络架构，仅需修改少量逻辑即可运行。\n- **高效定位问题**：以仓库代码为正确基准，通过对比差异迅速发现自身实现中的张量形状错误，大幅提升了调试效率和模型收敛速度。\n- **理论实践贯通**：通过阅读注释清晰的源码，他将抽象的反向传播算法与具体的 Keras\u002FTF 代码对应起来，深刻掌握了底层实现机制。\n\nMy-TensorFlow-tutorials 通过提供经过验证的遗留版本代码库，帮助开发者在特定历史技术栈下跨越了从理论到实践的巨大鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkevin369ml_My-TensorFlow-tutorials_8b6dce8a.png","kevin369ml","Kevin","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkevin369ml_3a59c281.png","machine learning, ai",null,"https:\u002F\u002Fgithub.com\u002Fkevin369ml",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,781,514,"2026-01-19T18:08:57",5,"","未说明",{"notes":90,"python":88,"dependencies":91},"该仓库自 2018 年 7 月 19 日起已停止更新，使用的 TensorFlow 版本非常陈旧，可能无法在现代环境中直接运行，仅适合作为历史代码参考。",[92,93],"tensorflow","keras",[14],[96,97],"tensorflow-tutorials","tensorflow-examples","2026-03-27T02:49:30.150509","2026-04-17T08:24:06.076751",[],[]]