[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ldeecke--gmm-torch":3,"tool-ldeecke--gmm-torch":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":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":79,"owner_twitter":79,"owner_website":79,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":141},3192,"ldeecke\u002Fgmm-torch","gmm-torch","Gaussian mixture models in PyTorch.","gmm-torch 是一个基于 PyTorch 框架实现的高斯混合模型（GMM）开源库。它主要利用期望最大化（EM）算法对数据进行概率建模与聚类分析，旨在解决复杂数据分布的拟合问题。对于习惯使用 scikit-learn 的用户来说，gmm-torch 提供了高度相似的接口设计，使得从传统机器学习流程迁移到深度学习环境变得非常顺畅。\n\n该工具特别适合需要在 PyTorch 生态中进行统计建模的开发者与研究人员。无论是处理高维数据聚类，还是作为生成模型的基础组件，gmm-torch 都能提供灵活的支持。其独特的技术亮点在于完美融合了 PyTorch 的动态计算图特性，不仅支持常规的 CPU 运算，还能通过简单的 `model.cuda()` 调用将训练过程加速至 GPU 环境，显著提升大规模数据的处理效率。此外，它要求输入数据为展平的张量格式，这与深度学习常见的数据处理方式天然契合。如果你正在寻找一个轻量级、易上手且具备硬件加速能力的 GMM 实现，gmm-torch 是一个非常务实的选择。","This repository contains an implementation of a simple **Gaussian mixture model** (GMM) fitted with Expectation-Maximization in [pytorch](http:\u002F\u002Fwww.pytorch.org). The interface closely follows that of [sklearn](http:\u002F\u002Fscikit-learn.org).\n\n![Example of a fit via a Gaussian Mixture model.](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fldeecke_gmm-torch_readme_755bfe4429ff.png)\n\n---\n\nA new model is instantiated by calling `gmm.GaussianMixture(..)` and providing as arguments the number of components, as well as the tensor dimension. Note that once instantiated, the model expects tensors in a flattened shape `(n, d)`.\n\nThe first step would usually be to fit the model via `model.fit(data)`, then predict with `model.predict(data)`. To reproduce the above figure, just run the provided `example.py`.\n\nSome sanity checks can be executed by calling `python test.py`. To fit data on GPUs, ensure that you first call `model.cuda()`.","本仓库包含一个使用 [PyTorch](http:\u002F\u002Fwww.pytorch.org) 实现的、基于期望-最大化算法训练的简单 **高斯混合模型**（GMM）。其接口设计与 [scikit-learn](http:\u002F\u002Fscikit-learn.org) 非常相似。\n\n![通过高斯混合模型拟合的示例。](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fldeecke_gmm-torch_readme_755bfe4429ff.png)\n\n---\n\n可以通过调用 `gmm.GaussianMixture(..)` 并传入组件数量及张量维度来实例化一个新的模型。请注意，模型实例化后，输入的张量应为展平后的形状 `(n, d)`。\n\n通常，第一步是通过 `model.fit(data)` 来拟合模型，随后使用 `model.predict(data)` 进行预测。若想复现上述图表，直接运行提供的 `example.py` 即可。\n\n可以通过运行 `python test.py` 执行一些基本的正确性检查。若要在 GPU 上拟合数据，请确保先调用 `model.cuda()`。","# gmm-torch 快速上手指南\n\n## 环境准备\n\n- **系统要求**：支持 Linux、macOS 或 Windows\n- **前置依赖**：\n  - Python 3.6+\n  - [PyTorch](http:\u002F\u002Fwww.pytorch.org)（建议安装最新稳定版）\n  - NumPy\n\n> 💡 **国内加速建议**：安装 PyTorch 时推荐使用清华或中科大镜像源，例如：\n> ```bash\n> pip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n克隆本仓库并进入目录：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002Fgmm-torch.git\ncd gmm-torch\n```\n\n确保已安装 PyTorch，若无则通过以下命令安装（使用国内镜像）：\n\n```bash\npip install torch --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n本项目无需额外安装，直接导入 `gmm` 模块即可使用。\n\n## 基本使用\n\n以下是一个最简单的使用示例，演示如何创建模型、拟合数据并进行预测：\n\n```python\nimport torch\nimport gmm\n\n# 生成示例数据 (n 个样本，d 维特征)\ndata = torch.randn(1000, 2)\n\n# 实例化模型：指定组件数量和特征维度\nmodel = gmm.GaussianMixture(n_components=2, dim=2)\n\n# 若使用 GPU，请先将模型移至 CUDA\n# model.cuda()\n# data = data.cuda()\n\n# 拟合模型\nmodel.fit(data)\n\n# 预测每个样本所属的混合成分\npredictions = model.predict(data)\n\nprint(predictions)\n```\n\n运行官方示例复现图示效果：\n\n```bash\npython example.py\n```\n\n执行测试验证安装是否正常：\n\n```bash\npython test.py\n```","某电商数据团队正在构建用户行为聚类系统，需要从海量点击流数据中自动识别出具有不同购买偏好的用户群体。\n\n### 没有 gmm-torch 时\n- 依赖传统 CPU 库（如 scikit-learn）处理千万级高维张量时，训练速度极慢，难以满足每日增量更新的需求。\n- 若强行使用原生 PyTorch 手写 EM 算法，需耗费数天推导公式并调试数值稳定性，开发周期长且易出错。\n- 现有深度学习流水线中的 GPU 资源无法被利用，导致数据预处理与模型训练环节割裂，工程架构复杂。\n- 缺乏与 PyTorch 生态的原生集成，无法直接将聚类结果作为可微分模块嵌入到端到端的推荐网络中。\n\n### 使用 gmm-torch 后\n- 直接调用 `model.cuda()` 即可将高斯混合模型迁移至 GPU，利用并行计算将亿级数据的拟合时间从小时级缩短至分钟级。\n- 复用其高度封装的 `fit` 和 `predict` 接口（风格对齐 sklearn），无需重复造轮子，半天内即可完成原型验证与部署。\n- 原生支持 Tensor 输入，无缝对接现有的 PyTorch DataLoader 和数据增强流程，实现了从数据加载到聚类分析的全链路 GPU 加速。\n- 模型参数完全可微，允许将 gmm-torch 作为网络层嵌入更复杂的深度生成模型中，实现了特征学习与聚类的联合优化。\n\ngmm-torch 的核心价值在于让研究人员能以极简的代码成本，在 PyTorch 生态中高效落地高性能的概率聚类模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fldeecke_gmm-torch_755bfe44.png","ldeecke","Lucas Deecke","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fldeecke_6e7b455a.png","Graduate researcher",null,"London, United Kingdom","https:\u002F\u002Fgithub.com\u002Fldeecke",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,587,89,"2026-04-01T12:46:35","MIT",1,"","非必需；若需使用 GPU，需调用 model.cuda()，具体显卡型号、显存大小及 CUDA 版本未说明","未说明",{"notes":96,"python":94,"dependencies":97},"该工具是一个基于 PyTorch 实现的高斯混合模型（GMM），接口风格模仿 sklearn。输入数据需为展平形状 (n, d) 的张量。若在 GPU 上运行，需在拟合前手动调用 model.cuda()。可通过运行 example.py 复现示例图，或运行 test.py 执行完整性检查。",[98,99],"pytorch","sklearn",[13],[98,102],"gaussian-mixture-models","2026-03-27T02:49:30.150509","2026-04-06T08:45:19.642778",[106,111,116,121,126,131,136],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},14710,"是否支持像 sklearn 中那样的 \"full\" 协方差类型？","是的，该功能已被添加。社区贡献者 @luyvlei 实现了完整协方差（full covariance）的支持。虽然最初未经过彻底测试，但您可以尝试使用以下分支版本：https:\u002F\u002Fgithub.com\u002Fluyvlei\u002Fgmm_torch_fullcovariance。维护者已确认此功能合并到主项目中。","https:\u002F\u002Fgithub.com\u002Fldeecke\u002Fgmm-torch\u002Fissues\u002F10",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},14711,"遇到错误 \"covariance is not positive-definite\"（协方差矩阵非正定）该怎么办？","这是一个已知问题，通常发生在输入数据导致协方差矩阵无法进行 Cholesky 分解时。维护者已在提交 b3a45cea3b6e1dd76bad4c09c9f0377e15f56e87 中修复了此问题。此外，用户 @breadli428 指出 `_estimate_log_prob` 函数中括号位置错误，建议将代码修正为：`return -.5 * (self.n_features * np.log(2. * pi) + log_p - log_det)`。请确保您使用的是包含此修复的最新版本。","https:\u002F\u002Fgithub.com\u002Fldeecke\u002Fgmm-torch\u002Fissues\u002F31",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},14712,"为什么模型训练后 mu（均值）和 var（方差）都变成了 0？","这是由于数值下溢导致的，特别是在高维数据或组件较多时。维护者已将 EM 算法移至对数空间（log-space）以解决此问题（提交 f5a737b）。如果您仍在使用旧版本，建议升级。另外，有用户发现当特征维度 `d` 设置为 10 或更大时，在旧代码中容易出现此现象，升级到修复后的版本即可解决。","https:\u002F\u002Fgithub.com\u002Fldeecke\u002Fgmm-torch\u002Fissues\u002F13",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},14713,"调用 score 方法时报错 \"'GaussianMixture' object has no attribute 'pi'\" 是怎么回事？","这是因为在未拟合（non-fitted）的模型实例上调用了评分方法。维护者已对此进行了改进：1. 将方法名从 `score` 重命名为 `score_samples` 以符合 sklearn 的接口规范；2. 现在对新实例化（未拟合）的 GMM 调用 `score_samples` 不再抛出异常。请更新到最新版本并使用 `score_samples` 方法。注意：sklearn 的行为是抛出 NonFittedException，但此库选择了更宽容的处理方式。","https:\u002F\u002Fgithub.com\u002Fldeecke\u002Fgmm-torch\u002Fissues\u002F8",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},14714,"是否支持贝叶斯信息准则（BIC）来选择最佳模型？","是的，已支持。维护者在提交 5e9f3073f90d0ba24672b13c5073205ddb38ac97 中添加了 BIC 支持。该函数返回一个 `torch.float` 类型的张量值，用法类似于 sklearn 中的 `bic` 方法，可用于无监督学习中评估模型优劣。","https:\u002F\u002Fgithub.com\u002Fldeecke\u002Fgmm-torch\u002Fissues\u002F11",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},14715,"是否支持批量维度（Batch dimension）输入或批量训练？","目前不支持，且短期内没有计划添加。原因有二：1. 这会显著偏离 sklearn 的接口规范（sklearn 也不支持批量维度）；2. GMM 的批量优化并非标准做法，关于如何在内部处理批量维度、如何存储和返回模型参数等存在很大的歧义。当前预期的输入形状为 (n, d)，其中 n 是数据点数量，d 是特征向量维度。对于超大数据集，建议寻找具有大内存的计算资源或使用其他支持分批训练的模型架构。","https:\u002F\u002Fgithub.com\u002Fldeecke\u002Fgmm-torch\u002Fissues\u002F6",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},14716,"是否支持类似 sklearn 的 partial_fit 方法进行增量或分批训练？","目前不支持 `partial_fit`。当前的 `fit` 方法每次调用都会重置参数，因此无法在不同数据集上对同一模型进行分批或轮次训练。这与 sklearn 的 GMM 实现一致，因为传统的 EM 算法本质上需要全量数据。对于无法一次性载入内存的海量数据集，用户反馈通常需要借助拥有大内存（如 256GB+）的超级计算机，或者考虑使用基于神经网络的其他模型架构，后者通常在处理大规模原始数据时表现更好且支持分批训练。","https:\u002F\u002Fgithub.com\u002Fldeecke\u002Fgmm-torch\u002Fissues\u002F7",[]]