[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-khuangaf--CryptocurrencyPrediction":3,"tool-khuangaf--CryptocurrencyPrediction":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",140436,2,"2026-04-05T23:32:43",[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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":83,"owner_website":84,"owner_url":85,"languages":86,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":99,"env_os":100,"env_gpu":101,"env_ram":102,"env_deps":103,"category_tags":114,"github_topics":115,"view_count":23,"oss_zip_url":125,"oss_zip_packed_at":125,"status":16,"created_at":126,"updated_at":127,"faqs":128,"releases":129},3907,"khuangaf\u002FCryptocurrencyPrediction","CryptocurrencyPrediction","Predict Cryptocurrency Price with Deep Learning","CryptocurrencyPrediction 是一个基于深度学习技术的开源项目，旨在预测比特币等加密货币的未来价格走势。它通过利用历史交易数据，帮助投资者和分析师在波动剧烈的加密市场中识别潜在的价格趋势，从而辅助决策。\n\n该项目主要面向具备一定编程基础的开发者、数据科学家及量化交易研究人员。用户需要配置 Python 环境，并掌握 TensorFlow 和 Keras 框架的基本操作，以便运行模型或进行二次开发。对于普通非技术用户而言，直接使用门槛较高，更适合作为学习算法原理的参考案例。\n\n其核心技术亮点在于灵活集成了多种前沿深度学习架构，包括长短期记忆网络（LSTM）、门控循环单元（GRU）以及一维卷积神经网络（CNN）。项目不仅提供了完整的数据采集与预处理流程，还通过对比实验发现，结合 tanh 与 Leaky ReLU 激活函数的 LSTM 模型在预测精度上表现优异，而 CNN 模型则在捕捉局部时间依赖关系上具有独特优势且训练速度极快。此外，代码库中包含了详细的验证脚本和可视化图表，方便用户直观评估不同模型在不同层数和激活函数下的表现差异，是探索金融时序预测算法的优质实践资源","CryptocurrencyPrediction 是一个基于深度学习技术的开源项目，旨在预测比特币等加密货币的未来价格走势。它通过利用历史交易数据，帮助投资者和分析师在波动剧烈的加密市场中识别潜在的价格趋势，从而辅助决策。\n\n该项目主要面向具备一定编程基础的开发者、数据科学家及量化交易研究人员。用户需要配置 Python 环境，并掌握 TensorFlow 和 Keras 框架的基本操作，以便运行模型或进行二次开发。对于普通非技术用户而言，直接使用门槛较高，更适合作为学习算法原理的参考案例。\n\n其核心技术亮点在于灵活集成了多种前沿深度学习架构，包括长短期记忆网络（LSTM）、门控循环单元（GRU）以及一维卷积神经网络（CNN）。项目不仅提供了完整的数据采集与预处理流程，还通过对比实验发现，结合 tanh 与 Leaky ReLU 激活函数的 LSTM 模型在预测精度上表现优异，而 CNN 模型则在捕捉局部时间依赖关系上具有独特优势且训练速度极快。此外，代码库中包含了详细的验证脚本和可视化图表，方便用户直观评估不同模型在不同层数和激活函数下的表现差异，是探索金融时序预测算法的优质实践资源。","# Deep Learning for Cryptocurrency Price Prediction\n\u003Cdiv float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_443cd930ce5d.png\" height=\"120\" >\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_c309c4c6a7bb.png\" height=\"120\">\n\u003C\u002Fdiv>\n\u003Cdiv float=\"right\">\n\n\u003C\u002Fdiv>\n\n## \n\n### Introduction\nThis repo makes use of the state-of-art Deep Learning algorithm to predict the price of Bitcoin, which has the potential to generalize to other cryptocurrency. It leverages models such as CNN and RNN implemented by [Keras](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras) running on top of [Tensorflow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow). You can find more detailed illustration in this [blog post](https:\u002F\u002Fblog.goodaudience.com\u002Fpredicting-cryptocurrency-price-with-tensorflow-and-keras-e1674b0dc58a).\n\n### Getting Started\nTo run this repo, be sure to install the following environment and library:\n\n1. Python 2.7\n2. Tensorflow=1.2.0\n3. Keras=2.1.1\n4. Pandas=0.20.3\n5. Numpy=1.13.3\n6. h5py=2.7.0\n7. sklearn=0.19.1\n\n### File Illustration\n#### There are currently three different models:\n1. LSTM.py\n2. GRU.py\n3. CNN.py (1 dimensional CNN)\n\n#### The validation result is plotted in:\n1. Plot_LSTM.ipynb\n2. Plot_GRU.ipynb\n3. Plot_CNN.ipynb\n\n#### Data is collected from [poloniex](https:\u002F\u002Fpoloniex.com) and parse to h5py file:\n1. DataCollection.ipynb\n2. PastSampler.ipynb\n\n### Run\nTo run the prediction model, select one of the model. For instance, \n```\npython CNN.py\n```\nTo run iPython file, you need to run jupyter notebook\n```\njupyter notebook\n```\n__Be sure to run DataCollection.ipynb and PastSampler.ipynb first to create database for training models.__\n### Input & Output & Loss\nThe input consists of a list of past Bitcoin data with step size of 256.\nThe output is the predicted value of the future data with step size of 16. Note that since the data is ticked every five minutes, the input data spans over the past 1280 minutes, while the output cover the future 80 minutes. The datas are scaled with MinMaxScaler provided by sklearn over the entire dataset. The loss is defined as Mean Square Error (MSE).\n\n### Result\n|Model | #Layers  |  Activation    | Validation Loss   |Test Loss (Scale Inverted) |\n|----------| ------------- |------|-------| -----|\n|   CNN    | 2       | ReLU       |    0.00029     | 114308 |\n|   CNN    | 2       | Leaky ReLU       |    0.00029     | 115525 |\n|   CNN    | 3       | ReLU       |    0.00029     | 201718 |\n|   CNN    | 3       | Leaky ReLU       |    0.00028     | 108700 |\n|   CNN    | 4       | ReLU       |    0.00030     | 117947 |\n|   CNN    | 4       | Leaky ReLU       |    0.03217     | 12356304 |\n|   LSTM    | 1      | tanh + ReLU       |    0.00007     | 26649 |\n|   LSTM    | 1      | tanh + Leaky ReLU       |    0.00004     | 15364 |\n|   GRU    | 1      | tanh + ReLU       |    0.00004     | 17667 |\n|   GRU    | 1      | tanh + Leaky ReLU       |    0.00004     | 15474 |\n|   Baseline (Lag)    | -     | -       |    -     | 19122 |\n|   Linear Regression   | -     | -       |    -     | 19789 |\n\n\n\nEach row of the above table is the model that derives the best validation loss from the total 100 training epochs. From the above result, we can observe that LeakyReLU always seems to yield better loss compared to regular ReLU. However, 4-layered CNN with Leaky ReLU as activation function creates a large validation loss, this can due to wrong deployment of model which might require re-validation. CNN model can be trained very fast (2 seconds\u002F epoch with GPU), with slightly worse performance than LSTM and GRU. The best model seems to be LSTM with tanh and Leaky ReLU as activation function, though 3-layered CNN seems to be better in capturing local temporal dependency of data.\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_2839ff2e4b6a.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_LSTM with tanh and Leaky ReLu as activation function._\n\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_7f3a82cce387.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_3-layered CNN with Leaky ReLu as activation function._\n\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_30d6145e2e59.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_Baseline_\n\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_b080e3f6aac7.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_Linear Regression_\n\n## Update\nRegularization has been done, which can be viewed in PlotRegularization.ipynb.\n","# 深度学习在加密货币价格预测中的应用\n\u003Cdiv float=\"left\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_443cd930ce5d.png\" height=\"120\" >\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_c309c4c6a7bb.png\" height=\"120\">\n\u003C\u002Fdiv>\n\u003Cdiv float=\"right\">\n\n\u003C\u002Fdiv>\n\n## \n\n### 简介\n本仓库利用最先进的深度学习算法来预测比特币价格，并且该方法具有推广到其他加密货币的潜力。它基于[TensorFlow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow)框架，使用由[Keras](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fkeras)实现的CNN和RNN等模型。更多详细说明请参阅这篇[博客文章](https:\u002F\u002Fblog.goodaudience.com\u002Fpredicting-cryptocurrency-price-with-tensorflow-and-keras-e1674b0dc58a)。\n\n### 快速入门\n要运行此仓库，请确保安装以下环境和库：\n\n1. Python 2.7\n2. Tensorflow=1.2.0\n3. Keras=2.1.1\n4. Pandas=0.20.3\n5. Numpy=1.13.3\n6. h5py=2.7.0\n7. sklearn=0.19.1\n\n### 文件说明\n#### 目前共有三种不同的模型：\n1. LSTM.py\n2. GRU.py\n3. CNN.py（一维卷积神经网络）\n\n#### 验证结果绘制在：\n1. Plot_LSTM.ipynb\n2. Plot_GRU.ipynb\n3. Plot_CNN.ipynb\n\n#### 数据来自[poloniex](https:\u002F\u002Fpoloniex.com)，并被解析为h5py文件：\n1. DataCollection.ipynb\n2. PastSampler.ipynb\n\n### 运行\n要运行预测模型，选择其中一个模型即可。例如：\n```\npython CNN.py\n```\n如果要运行iPython文件，则需要启动Jupyter Notebook：\n```\njupyter notebook\n```\n__务必先运行DataCollection.ipynb和PastSampler.ipynb以创建用于训练模型的数据集。__\n\n### 输入、输出与损失\n输入是一组过去1280分钟内的比特币数据，步长为256。输出是未来80分钟内的预测值，步长为16。由于数据每5分钟更新一次，因此输入覆盖了过去1280分钟，而输出则预测未来80分钟的变化。所有数据均使用sklearn提供的MinMaxScaler在整个数据集上进行归一化处理。损失函数定义为均方误差（MSE）。\n\n### 结果\n|模型 | 层数  | 激活函数    | 验证集损失   | 测试集损失（反归一化后） |\n|----------| ------------- |------|-------| -----|\n|   CNN    | 2       | ReLU       |    0.00029     | 114308 |\n|   CNN    | 2       | Leaky ReLU       |    0.00029     | 115525 |\n|   CNN    | 3       | ReLU       |    0.00029     | 201718 |\n|   CNN    | 3       | Leaky ReLU       |    0.00028     | 108700 |\n|   CNN    | 4       | ReLU       |    0.00030     | 117947 |\n|   CNN    | 4       | Leaky ReLU       |    0.03217     | 12356304 |\n|   LSTM    | 1      | tanh + ReLU       |    0.00007     | 26649 |\n|   LSTM    | 1      | tanh + Leaky ReLU       |    0.00004     | 15364 |\n|   GRU    | 1      | tanh + ReLU       |    0.00004     | 17667 |\n|   GRU    | 1      | tanh + Leaky ReLU       |    0.00004     | 15474 |\n|   基线（滞后法）    | -     | -       |    -     | 19122 |\n|   线性回归   | -     | -       |    -     | 19789 |\n\n\n\n上表每一行代表在总共100个训练轮次中取得最佳验证损失的模型。从结果可以看出，LeakyReLU似乎总是比普通的ReLU表现更好。然而，采用Leaky ReLU作为激活函数的四层CNN却产生了较大的验证损失，这可能是由于模型部署不当所致，可能需要重新验证。CNN模型可以非常快速地训练（使用GPU时每轮仅需2秒），但其性能略逊于LSTM和GRU。最好的模型似乎是使用tanh和Leaky ReLU作为激活函数的LSTM，尽管三层CNN在捕捉数据的局部时间依赖性方面表现更佳。\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_2839ff2e4b6a.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_LSTM模型，使用tanh和Leaky ReLU作为激活函数。_\n\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_7f3a82cce387.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_三层CNN模型，使用Leaky ReLU作为激活函数。_\n\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_30d6145e2e59.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_基线模型_\n\n\u003Cdiv align=\"center\">\n\t\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_readme_b080e3f6aac7.png\" width=\"80%\" \u002F>\n\u003C\u002Fdiv>\n\n_线性回归模型_\n\n## 更新\n已进行了正则化处理，详情请参见PlotRegularization.ipynb。","# CryptocurrencyPrediction 快速上手指南\n\n本项目利用深度学习算法（CNN、LSTM、GRU）预测比特币及其他加密货币的价格走势。基于 TensorFlow 和 Keras 构建。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求。注意：本项目基于较旧版本的库开发，建议创建独立的虚拟环境以避免冲突。\n\n*   **操作系统**: Linux \u002F macOS \u002F Windows\n*   **Python 版本**: Python 2.7 (必须)\n*   **核心依赖**:\n    *   Tensorflow == 1.2.0\n    *   Keras == 2.1.1\n    *   Pandas == 0.20.3\n    *   Numpy == 1.13.3\n    *   h5py == 2.7.0\n    *   sklearn == 0.19.1\n    *   Jupyter Notebook (用于运行数据收集和可视化脚本)\n\n> **提示**：由于项目依赖 Python 2.7 及特定旧版库，直接安装可能遇到兼容性问题。若在国内网络环境下安装缓慢，可配置 pip 使用清华或阿里镜像源：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n1.  **克隆项目代码**\n    ```bash\n    git clone \u003Crepository_url>\n    cd CryptocurrencyPrediction\n    ```\n\n2.  **安装依赖库**\n    由于版本锁定严格，建议逐个安装或使用 `requirements.txt`（如果存在），以下是手动安装指定版本的命令：\n    ```bash\n    pip install tensorflow==1.2.0\n    pip install keras==2.1.1\n    pip install pandas==0.20.3\n    pip install numpy==1.13.3\n    pip install h5py==2.7.0\n    pip install scikit-learn==0.19.1\n    pip install jupyter\n    ```\n\n## 基本使用\n\n使用前必须先准备数据，然后才能运行预测模型。\n\n### 第一步：数据收集与预处理\n项目需要从 Poloniex 获取数据并转换为 HDF5 格式。**务必先执行此步骤**，否则模型无法运行。\n\n启动 Jupyter Notebook：\n```bash\njupyter notebook\n```\n\n在浏览器打开的界面中，依次运行以下两个文件以生成训练数据库：\n1.  `DataCollection.ipynb` (采集数据)\n2.  `PastSampler.ipynb` (处理数据采样)\n\n### 第二步：运行预测模型\n数据准备完成后，您可以选择三种模型之一进行训练和预测。\n\n**示例：运行一维 CNN 模型**\n```bash\npython CNN.py\n```\n\n**其他可用模型：**\n*   运行 LSTM 模型：`python LSTM.py`\n*   运行 GRU 模型：`python GRU.py`\n\n### 第三步：查看结果\n训练完成后，可通过对应的 Jupyter Notebook 文件查看验证结果图表：\n*   `Plot_CNN.ipynb`\n*   `Plot_LSTM.ipynb`\n*   `Plot_GRU.ipynb`\n*   `PlotRegularization.ipynb` (查看正则化效果)\n\n**输入输出说明：**\n*   **输入**: 过去 256 个时间步的数据（每步 5 分钟，共覆盖过去 1280 分钟）。\n*   **输出**: 未来 16 个时间步的预测值（覆盖未来 80 分钟）。\n*   **损失函数**: 均方误差 (MSE)。","某量化交易团队正在开发针对比特币的短线自动交易策略，需要基于历史分钟级数据精准预测未来 80 分钟的价格走势以捕捉波动利润。\n\n### 没有 CryptocurrencyPrediction 时\n- 团队仅能依赖线性回归或简单的滞后基线模型，无法有效捕捉加密货币市场中复杂的非线性波动特征，导致预测偏差较大。\n- 缺乏对长短期时间依赖关系的建模能力，难以利用过去 1280 分钟的历史数据规律来推断未来趋势，错失关键交易信号。\n- 手动尝试不同神经网络架构（如 CNN、LSTM、GRU）及其激活函数组合耗时费力，且缺乏统一的评估框架来对比均方误差（MSE）等关键指标。\n- 数据预处理流程分散，从 Poloniex 交易所采集原始数据到转换为模型可用的 h5py 格式需编写大量重复代码，效率低下。\n\n### 使用 CryptocurrencyPrediction 后\n- 直接调用内置的 LSTM 与 GRU 模型（特别是结合 tanh 和 Leaky ReLU 激活函数的配置），将测试损失从基线的 19000+ 显著降低至 15000 左右，大幅提升预测精度。\n- 利用模型强大的序列处理能力，成功挖掘出过去 256 个时间步长中的深层时序依赖关系，使未来 16 个步长的价格预测更贴合实际市场走势。\n- 通过一键运行 `CNN.py` 或 `LSTM.py` 脚本，快速完成多种架构的训练与验证，并直接生成可视化对比图表，迅速锁定最优模型组合。\n- 复用项目提供的 `DataCollection.ipynb` 和 `PastSampler.ipynb`，自动化完成数据清洗、归一化及数据库构建，将原本数天的数据准备工作缩短至小时级。\n\nCryptocurrencyPrediction 通过集成先进的深度学习算法与标准化数据处理流，帮助团队以最低成本实现了从“盲目猜测”到“数据驱动决策”的跨越。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkhuangaf_CryptocurrencyPrediction_2839ff2e.png","khuangaf","Kung-Hsiang Steeve Huang ","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkhuangaf_b10a3dfd.jpg","Research Scientist @ Salesforce Research | Formerly: PhD @ UIUC, PhD Fellow @ Amazon, MSc @ USC, BEng @ HKUST | He\u002Fhim\u002Fhis 🇹🇼 ","Salesforce","Los Angeles, California","kh.huang@salesforce.com","steeve__huang","http:\u002F\u002Fkhuangaf.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fkhuangaf",[87,91],{"name":88,"color":89,"percentage":90},"Jupyter Notebook","#DA5B0B",98.3,{"name":92,"color":93,"percentage":94},"Python","#3572A5",1.7,1036,364,"2026-04-05T10:11:43","MIT",4,"","非必需，但文中提到使用 GPU 训练 CNN 模型速度极快（2 秒\u002Fepoch），未指定具体型号、显存或 CUDA 版本。鉴于 TensorFlow 1.2.0 的年代，通常对应较旧的 CUDA 版本（如 CUDA 8.0\u002F9.0）。","未说明",{"notes":104,"python":105,"dependencies":106},"该项目基于较旧的技术栈（Python 2.7, TensorFlow 1.x），在现代环境中运行可能需要配置兼容的旧版环境或进行代码迁移。运行预测模型前，必须先执行 DataCollection.ipynb 和 PastSampler.ipynb 以创建训练数据库。输入数据为过去 1280 分钟（步长 256）的比特币数据，输出为未来 80 分钟（步长 16）的预测值。","2.7",[107,108,109,110,111,112,113],"tensorflow==1.2.0","keras==2.1.1","pandas==0.20.3","numpy==1.13.3","h5py==2.7.0","scikit-learn==0.19.1","jupyter",[13],[116,117,118,119,120,121,122,123,124],"deep-learning","machine-learning","cryptocurrency","bitcoin","cnn","lstm","gru","sklearn","final-year-project",null,"2026-03-27T02:49:30.150509","2026-04-06T08:42:06.818706",[],[]]