[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-lisa-lab--DeepLearningTutorials":3,"similar-lisa-lab--DeepLearningTutorials":82},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":18,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":34,"forks":35,"last_commit_at":36,"license":37,"difficulty_score":38,"env_os":39,"env_gpu":40,"env_ram":40,"env_deps":41,"category_tags":46,"github_topics":18,"view_count":38,"oss_zip_url":18,"oss_zip_packed_at":18,"status":48,"created_at":49,"updated_at":50,"faqs":51,"releases":81},1166,"lisa-lab\u002FDeepLearningTutorials","DeepLearningTutorials","Deep Learning Tutorial notes and code. See the wiki for more info.","DeepLearningTutorials 是一个专注于深度学习的教程集合，旨在帮助用户理解和实现常见的深度学习算法。它通过详细的笔记和代码示例，介绍了如何使用 Theano 这个 Python 库来构建和训练深度学习模型，同时支持 GPU 加速，提升计算效率。该工具解决了初学者在学习深度学习时缺乏系统指导的问题，提供了从理论到实践的完整路径。适合对机器学习和人工智能感兴趣的开发者和研究人员使用。其技术亮点在于结合了理论讲解与实际代码，便于用户快速上手并深入理解深度学习的核心概念。","Deep Learning Tutorials\n=======================\n\nDeep Learning is a new area of Machine Learning research, which has been\nintroduced with the objective of moving Machine Learning closer to one of its\noriginal goals: Artificial Intelligence.  Deep Learning is about learning\nmultiple levels of representation and abstraction that help to make sense of\ndata such as images, sound, and text.  The tutorials presented here will\nintroduce you to some of the most important deep learning algorithms and will\nalso show you how to run them using Theano.  Theano is a python library that\nmakes writing deep learning models easy, and gives the option of training them\non a GPU.\n\nThe easiest way to follow the tutorials is to `browse them online\n\u003Chttp:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002F>`_.\n\n`Main development \u003Chttp:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials>`_\nof this project.\n\n.. image:: https:\u002F\u002Fsecure.travis-ci.org\u002Flisa-lab\u002FDeepLearningTutorials.png\n   :target: http:\u002F\u002Ftravis-ci.org\u002Flisa-lab\u002FDeepLearningTutorials\n\nProject Layout\n--------------\n\nSubdirectories:\n\n- code - Python files corresponding to each tutorial\n- data - data and scripts to download data that is used by the tutorials\n- doc  - restructured text used by Sphinx to build the tutorial website\n- html - built automatically by doc\u002FMakefile, contains tutorial website\n- issues_closed - issue tracking\n- issues_open - issue tracking\n- misc - administrative scripts\n\n\nBuild instructions\n------------------\n\nTo build the html version of the tutorials, run python doc\u002Fscripts\u002Fdocgen.py\n","深度学习教程\n=======================\n\n深度学习是机器学习研究的一个新兴领域，它的提出旨在使机器学习更接近其最初目标之一：人工智能。深度学习的核心在于学习多层的表示和抽象，这些表示和抽象有助于理解图像、声音和文本等数据。此处提供的教程将向您介绍一些最重要的深度学习算法，并展示如何使用 Theano 运行它们。Theano 是一个 Python 库，它使得编写深度学习模型变得简单，并且可以选择在 GPU 上进行训练。\n\n跟随这些教程最简单的方式是`在线浏览 \u003Chttp:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002F>`_。\n\n该项目的主要开发`地址 \u003Chttp:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials>`_。\n\n.. image:: https:\u002F\u002Fsecure.travis-ci.org\u002Flisa-lab\u002FDeepLearningTutorials.png\n   :target: http:\u002F\u002Ftravis-ci.org\u002Flisa-lab\u002FDeepLearningTutorials\n\n项目结构\n--------------\n\n子目录：\n\n- code - 与每个教程对应的 Python 文件\n- data - 用于下载教程中所用数据的脚本和数据文件\n- doc  - 由 Sphinx 使用的 reStructuredText 文档，用于构建教程网站\n- html - 由 doc\u002FMakefile 自动构建，包含教程网站\n- issues_closed - 已关闭的问题跟踪\n- issues_open - 未关闭的问题跟踪\n- misc - 管理脚本\n\n\n构建说明\n------------------\n\n要构建教程的 HTML 版本，请运行 python doc\u002Fscripts\u002Fdocgen.py","# DeepLearningTutorials 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS \u002F Windows（建议使用 Linux 或 macOS）\n- Python 版本：Python 2.7 或 Python 3.x（推荐 Python 3.6+）\n\n### 前置依赖\n- [Theano](http:\u002F\u002Fdeeplearning.net\u002Fsoftware\u002Ftheano\u002F)：深度学习库\n- [NumPy](https:\u002F\u002Fnumpy.org\u002F)：数值计算库\n- [Sphinx](http:\u002F\u002Fwww.sphinx-doc.org\u002F)：文档生成工具（用于构建 HTML 文档）\n\n> 国内用户可使用国内镜像源加速安装，例如：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n1. 克隆项目仓库：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials.git\n   ```\n\n2. 安装依赖库（建议使用虚拟环境）：\n   ```bash\n   pip install -r requirements.txt\n   ```\n\n   > 如果 `requirements.txt` 中包含 Theano，可单独安装：\n   ```bash\n   pip install theano\n   ```\n\n## 基本使用\n\n1. 构建 HTML 文档（可选）：\n   ```bash\n   python doc\u002Fscripts\u002Fdocgen.py\n   ```\n\n2. 查看在线教程（推荐）：\n   访问 [Deep Learning Tutorials 官方网页](http:\u002F\u002Fdeeplearning.net\u002Ftutorial\u002F)，无需本地安装即可浏览。\n\n3. 运行示例代码（以 `code\u002Flogistic_regression.py` 为例）：\n   ```bash\n   python code\u002Flogistic_regression.py\n   ```\n\n   > 该示例演示了如何使用 Theano 实现逻辑回归模型。","一位机器学习工程师正在为一家电商公司开发一个商品图像分类系统，以提升推荐算法的准确性。他需要快速上手深度学习技术，并在有限的时间内完成模型训练和部署。\n\n### 没有 DeepLearningTutorials 时  \n- 需要从零开始学习深度学习理论，缺乏系统性指导  \n- 编写代码时频繁遇到 Theano 库的使用问题，调试耗时  \n- 缺乏现成的数据集和预处理脚本，手动准备数据效率低  \n- 对不同网络结构的实现方式不熟悉，难以快速实验  \n- 没有清晰的实践路径，容易迷失在理论与代码之间\n\n### 使用 DeepLearningTutorials 后  \n- 能够通过结构化的教程快速掌握深度学习核心概念  \n- 直接参考官方提供的代码示例，减少重复劳动和错误  \n- 利用内置的数据下载和预处理脚本，节省大量准备时间  \n- 熟悉多种网络结构的实现方式，便于进行模型对比和优化  \n- 有明确的学习路线图，提高开发效率和成功率\n\nDeepLearningTutorials 显著降低了深度学习的入门门槛，使开发者能更专注于实际问题的解决。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flisa-lab_DeepLearningTutorials_e9c84000.png","lisa-lab","Laboratoire d’Informatique des Systèmes Adaptatifs","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flisa-lab_cdfff396.png","",null,"http:\u002F\u002Fwww.iro.umontreal.ca\u002F~lisa\u002F","https:\u002F\u002Fgithub.com\u002Flisa-lab",[22,26,30],{"name":23,"color":24,"percentage":25},"Python","#3572A5",93.5,{"name":27,"color":28,"percentage":29},"Perl","#0298c3",3.9,{"name":31,"color":32,"percentage":33},"Shell","#89e051",2.6,4150,2120,"2026-03-30T15:48:29","NOASSERTION",3,"Linux, macOS, Windows","未说明",{"notes":42,"python":43,"dependencies":44},"需要安装 Theano 库，建议使用虚拟环境管理依赖","3.8+",[45],"Theano",[47],"开发框架","ready","2026-03-27T02:49:30.150509","2026-04-06T07:00:45.637387",[52,57,62,67,72,77],{"id":53,"question_zh":54,"answer_zh":55,"source_url":56},5288,"如何解决无法导入 logistic_sgd 或 mlp 等模块的问题？","请确保您在 DeepLearningTutorials 项目目录下运行 Python。例如，进入 $HOME\u002FDeepLearningTutorials\u002Fcode 目录后启动 ipython，再尝试导入相关模块。","https:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials\u002Fissues\u002F148",{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},5289,"如何解决 Pickle 保存模型时出现的 'Duplicate name' 警告？","建议为每个 Theano 张量变量使用不同的名称，避免重复命名（如 W 和 b）。这可以防止在保存和加载模型时出现问题。","https:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials\u002Fissues\u002F95",{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},5290,"如何解决 Python 3 兼容性问题？","项目目前不支持 Python 3，但可以通过修改代码实现兼容。例如，处理 struct.pack 返回类型差异，将 FILE_HEADER 和 TRACK_HEADER 的常量类型模拟为 Python 2 和 Python 3 中的行为。","https:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials\u002Fissues\u002F114",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},5291,"如何正确加载 CIFAR10 数据集？","需要确保正确读取所有数据批次，并将其合并到训练、验证和测试字典中。注意每个批次的格式是 pickle 序列化，需使用 encoding='latin1' 解码。","https:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials\u002Fissues\u002F143",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},5292,"如何解决 Pickle 保存卷积神经网络时的错误？","问题可能出在尝试序列化实例方法上。建议检查是否尝试了对 LogisticRegression 实例方法进行 Pickle 操作，而不是仅保存模型参数或结构。","https:\u002F\u002Fgithub.com\u002Flisa-lab\u002FDeepLearningTutorials\u002Fissues\u002F151",{"id":78,"question_zh":79,"answer_zh":80,"source_url":56},5293,"如何解决导入模块失败的问题？","请确认您已正确克隆项目并进入代码目录。如果使用 ipython，请在终端中先执行 `cd $HOME\u002FDeepLearningTutorials\u002Fcode` 再启动 ipython。",[],[83,93,103,111,119,132],{"id":84,"name":85,"github_repo":86,"description_zh":87,"stars":88,"difficulty_score":38,"last_commit_at":89,"category_tags":90,"status":48},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",[47,91,92],"图像","Agent",{"id":94,"name":95,"github_repo":96,"description_zh":97,"stars":98,"difficulty_score":99,"last_commit_at":100,"category_tags":101,"status":48},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",138956,2,"2026-04-05T11:33:21",[47,92,102],"语言模型",{"id":104,"name":105,"github_repo":106,"description_zh":107,"stars":108,"difficulty_score":99,"last_commit_at":109,"category_tags":110,"status":48},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",[47,91,92],{"id":112,"name":113,"github_repo":114,"description_zh":115,"stars":116,"difficulty_score":99,"last_commit_at":117,"category_tags":118,"status":48},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",[47,102],{"id":120,"name":121,"github_repo":122,"description_zh":123,"stars":124,"difficulty_score":99,"last_commit_at":125,"category_tags":126,"status":48},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",[91,127,128,129,92,130,102,47,131],"数据工具","视频","插件","其他","音频",{"id":133,"name":134,"github_repo":135,"description_zh":136,"stars":137,"difficulty_score":38,"last_commit_at":138,"category_tags":139,"status":48},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",[92,91,47,102,130]]