[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-llSourcell--Make_Money_with_Tensorflow_2.0":3,"tool-llSourcell--Make_Money_with_Tensorflow_2.0":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",156033,2,"2026-04-14T23:32:00",[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":77,"owner_url":78,"languages":79,"stars":104,"forks":105,"last_commit_at":106,"license":76,"difficulty_score":107,"env_os":108,"env_gpu":109,"env_ram":109,"env_deps":110,"category_tags":116,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":118,"updated_at":119,"faqs":120,"releases":136},7641,"llSourcell\u002FMake_Money_with_Tensorflow_2.0","Make_Money_with_Tensorflow_2.0","This is the code for \"Make Money with Tensorflow 2.0\" by Siraj Raval ","Make_Money_with_Tensorflow_2.0 是一个基于 TensorFlow 2.0 构建的开源项目，旨在演示如何利用深度学习技术辅助投资决策。该项目核心是一个名为\"NeuralFund\"的应用原型，它试图解决传统投资中依赖人工经验、难以实时处理海量市场数据的问题，通过算法自动分析股票走势并生成交易建议。\n\n该工具主要适合对人工智能金融应用感兴趣的开发者和技术研究人员使用。用户需要具备一定的 Python 编程基础，熟悉 Flask 框架及 TensorFlow Serving 部署流程，因为项目目前处于持续开发阶段，提供了详细的代码合并与功能扩展指南。\n\n其技术亮点在于构建了一套完整的端到端机器学习流水线：不仅整合了实时股票数据抓取与时间序列预测模型，还创新性地计划引入自然语言处理技术（如 BERT 模型）对新闻数据进行情感分析，将市场情绪量化为投资参考。此外，项目展望了利用深度强化学习将股市建模为马尔可夫决策过程，让智能体自主执行“买入、卖出或持有”操作。作为一个教学与实践并重的案例，它为探索 AI 在量化交易领域的落地提供了宝贵的代码骨架和思路启发。","# Make_Money_with_Tensorflow_2.0\n\n## Overview\n\nThis is the code for [this](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=WS9Nckd2kq0) video on Youtube by Siraj Raval on Making Money with Tensorflow 2.0. In the video, i demonstrated an app called NeuralFund that uses deep learning to make investment decisions. \n\n## Pull requests\n\nI encourage pull requests that make this code better\n\n## Dependencies \n\n* Tensorflow 2.0 \n* flask\n* Tensorflow serving\n\n## Instructions\n\nNeuralFund is a combination of 2 github repositories. This is a work in progress.\n\nFirst, I used [this](https:\u002F\u002Fgithub.com\u002Ftobegit3hub\u002Fsimple_tensorflow_serving) tensorflow serving web app skeleton code as my base project. In that app, the author integrates TF Servng with Flask to create a structure that allows for a continous training pipeline. Download that code and run it locally. \n\nSecond, I used the [flask](https:\u002F\u002Fgithub.com\u002FllSourcell\u002FAI_Startup_Prototype) boilerplate code from my last video for the user authentication + MySQL database integration it had implemented. Thats the code in the folder in this repository. \n\nTODO: \nStep 1 - Merge the two repositories by starting with the simple TF serving demo. Copy and paste the user auth + SQL code from the boilerplate demo into the simple TF serving demo.\n\nStep 2 - In the 'train.py' file in the simple TF serving demo, under main(): add [this](https:\u002F\u002Fgist.github.com\u002Fsanand0\u002F7243974) code snippet to pull real-time stock data from the web. It will do that dynamically as per the continous training pipeline. \n\nStep 3 - Add [this](https:\u002F\u002Fwww.tradingview.com\u002Fwidget\u002Fadvanced-chart\u002F) trading view widget anywhere on the front end for a nice stock visualization.\n\nStep 4 - The model will be able to make time series predictions, but what if it could also predict which stock to buy? Have 3 seperate models train on 3 different stock prices simulatenously. When done training, have them perform inference to predict the next price. Use the prediction that offers the highest increase from the previous price. \n\nStep 5 - Have 3 more models train on 3 news datasets via the google news API for each of the stocks. perform sentiment analysis using a pretrained model like [BERT](https:\u002F\u002Fgithub.com\u002Fcedrickchee\u002Fpytorch-pretrained-BERT) to do this. Pick the stock that has the highest sentiment and price prediction. \n\nStep 6 - Figure out a way to implement Deep Reinforcement Learning in tensorflow serving, i haven't yet seen an example of this done on GitHub. I might just do this in my next video. Treat the market as a markov decision process, the agents actions are buy sell or hold. \n\n\n## Credits\n\ntoebit3hub, tensorflow team, cedrickchee, my parents, my Wizards, all humans who came before me, thank you i am but a temporary vessel of knowledge \n","# 使用TensorFlow 2.0赚钱\n\n## 概述\n\n这是Siraj Raval在YouTube上发布的关于使用TensorFlow 2.0赚钱的视频[链接](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=WS9Nckd2kq0)所对应的代码。在视频中，我演示了一个名为NeuralFund的应用程序，该程序利用深度学习来进行投资决策。\n\n## 拉取请求\n\n我鼓励大家提交拉取请求，以改进这段代码。\n\n## 依赖项\n\n* TensorFlow 2.0\n* Flask\n* TensorFlow Serving\n\n## 使用说明\n\nNeuralFund是由两个GitHub仓库组合而成的项目，目前仍在开发中。\n\n首先，我以[这个](https:\u002F\u002Fgithub.com\u002Ftobegit3hub\u002Fsimple_tensorflow_serving)TensorFlow Serving Web应用的骨架代码作为基础项目。在这个应用中，作者将TF Serving与Flask集成，构建了一个支持持续训练流水线的架构。请下载该代码并在本地运行。\n\n其次，我使用了我在上一个视频中提供的[Flask](https:\u002F\u002Fgithub.com\u002FllSourcell\u002FAI_Startup_Prototype)样板代码，因为它已经实现了用户认证和MySQL数据库的集成。这部分代码位于本仓库的相应文件夹中。\n\n待办事项：\n步骤1 - 将这两个仓库合并：从简单的TF Serving演示开始，将样板演示中的用户认证和SQL代码复制并粘贴到简单的TF Serving演示中。\n\n步骤2 - 在简单TF Serving演示中的`train.py`文件的`main()`函数下，添加[这个](https:\u002F\u002Fgist.github.com\u002Fsanand0\u002F7243974)代码片段，用于从网上实时获取股票数据。它将根据持续训练流水线动态地执行此操作。\n\n步骤3 - 在前端的任意位置添加[这个](https:\u002F\u002Fwww.tradingview.com\u002Fwidget\u002Fadvanced-chart\u002F)TradingView图表小部件，以便更好地展示股票信息。\n\n步骤4 - 模型目前可以进行时间序列预测，但如果它还能预测应该买入哪只股票呢？可以同时训练三个独立的模型，分别针对三种不同的股票价格进行训练。训练完成后，让它们进行推理以预测下一次的价格，并选择预测中较前一次价格上涨幅度最大的那只股票。\n\n步骤5 - 再训练三个模型，分别基于每只股票的谷歌新闻API提供的三个新闻数据集。使用像[BERT](https:\u002F\u002Fgithub.com\u002Fcedrickchee\u002Fpytorch-pretrained-BERT)这样的预训练模型进行情感分析。最终选择情感和价格预测都最优的那只股票。\n\n步骤6 - 探索如何在TensorFlow Serving中实现深度强化学习。目前我尚未在GitHub上看到相关的示例。也许我会在我的下一个视频中尝试实现这一点。将市场视为一个马尔可夫决策过程，智能体的动作包括买入、卖出或持有。\n\n## 致谢\n\ntoebit3hub、TensorFlow团队、cedrickchee、我的父母、我的巫师们、所有在我之前存在过的人类——感谢你们！我只是知识的一个暂时载体而已。","# Make_Money_with_Tensorflow_2.0 快速上手指南\n\n本项目是 Siraj Raval 关于利用 TensorFlow 2.0 构建投资决策应用（NeuralFund）的配套代码。该项目旨在结合深度学习、Flask 后端和实时股票数据，构建一个连续训练的投资预测原型。\n\n> **注意**：根据原作者说明，本项目目前处于“进行中”（Work in Progress）状态，核心逻辑需要开发者手动合并两个不同的仓库代码并完成后续功能开发。以下指南基于 README 提供的架构思路整理。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 Linux 环境以获得最佳兼容性)\n*   **Python 版本**：Python 3.6+\n*   **核心依赖**：\n    *   TensorFlow 2.0\n    *   Flask\n    *   TensorFlow Serving\n    *   MySQL (用于用户认证和数据存储)\n    *   Git\n\n建议在国内开发者使用国内镜像源加速依赖安装（如清华源或阿里源）。\n\n## 安装步骤\n\n由于项目由两部分组成，我们需要先获取基础骨架代码，再整合用户认证模块。\n\n### 1. 获取基础项目代码\n首先克隆作为基础的 TensorFlow Serving Web 应用骨架：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftobegit3hub\u002Fsimple_tensorflow_serving.git\ncd simple_tensorflow_serving\n```\n\n### 2. 安装 Python 依赖\n建议使用虚拟环境，并配置国内镜像源加速安装：\n\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n# 如果上述命令未包含所有依赖，请手动安装核心包：\npip install tensorflow==2.0.0 flask tensorflow-serving-api -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 整合用户认证与数据库模块\n原作者提到需将另一个仓库中的用户认证 + MySQL 代码复制到此项目中。\n您需要克隆或下载 [AI_Startup_Prototype](https:\u002F\u002Fgithub.com\u002FllSourcell\u002FAI_Startup_Prototype) 中的相关文件夹内容，并将其复制到当前的 `simple_tensorflow_serving` 目录中，以完善用户登录和数据库连接功能。\n\n### 4. 配置数据库\n确保本地已安装并运行 MySQL 服务，并根据整合后的代码配置数据库连接字符串（通常在配置文件或环境变量中）。\n\n## 基本使用\n\n完成代码合并与环境配置后，可按照以下步骤启动原型并进行初步的功能扩展开发。\n\n### 1. 启动本地服务\n在项目根目录下运行主程序（具体入口文件可能因合并后的结构调整而异，通常为 `main.py` 或通过 Flask 启动）：\n\n```bash\npython main.py\n# 或者如果是通过 gunicorn 等工具\ngunicorn main:app\n```\n\n### 2. 实现核心功能开发路线 (TODO)\n根据原作者规划，启动基础服务后，您需要按顺序实现以下逻辑以使 \"NeuralFund\" 完整运行：\n\n*   **步骤 1：代码合并**\n    将用户认证和 SQL 代码从样板演示复制到 `simple_tensorflow_serving` 演示中。\n\n*   **步骤 2：接入实时数据**\n    在 `train.py` 文件的 `main()` 函数下，添加以下代码片段以动态拉取实时股票数据：\n    ```python\n    # 参考链接: https:\u002F\u002Fgist.github.com\u002Fsanand0\u002F7243974\n    # 在此处插入拉取实时股票数据的逻辑\n    ```\n\n*   **步骤 3：前端可视化**\n    在前端页面任意位置嵌入 TradingView 高级图表组件：\n    ```html\n    \u003C!-- 参考链接: https:\u002F\u002Fwww.tradingview.com\u002Fwidget\u002Fadvanced-chart\u002F -->\n    \u003C!-- 嵌入 TradingView Widget 代码 -->\n    ```\n\n*   **步骤 4：多模型价格预测**\n    训练 3 个独立的模型分别处理 3 只不同股票的价格时间序列。推理时，选择预测涨幅最高的股票。\n\n*   **步骤 5：情感分析增强**\n    利用 Google News API 获取新闻数据，使用预训练模型（如 BERT）进行情感分析：\n    ```python\n    # 参考库: https:\u002F\u002Fgithub.com\u002Fcedrickchee\u002Fpytorch-pretrained-BERT\n    # 结合价格预测和情感得分，选出最优投资标的\n    ```\n\n*   **步骤 6：深度强化学习 (进阶)**\n    将市场建模为马尔可夫决策过程 (MDP)，代理动作包括买入、卖出或持有。此部分需自行探索在 TensorFlow Serving 中的实现方案。\n\n通过以上步骤，您将构建出一个具备实时数据获取、多模型预测及情感分析能力的智能投资原型系统。","一位独立开发者试图构建一个能自动分析股市行情并给出投资建议的 AI 应用，但面临技术整合的巨大挑战。\n\n### 没有 Make_Money_with_Tensorflow_2.0 时\n- 开发者需要手动拼接 Flask 用户认证、MySQL 数据库与 TensorFlow Serving 服务，架构搭建耗时且容易出错。\n- 缺乏现成的持续训练管道，无法动态拉取实时股票数据来更新模型，导致预测基于过时的历史数据。\n- 若要结合新闻情绪分析（如 BERT 模型）和价格趋势预测，需从零编写多模型协同逻辑，开发门槛极高。\n- 前端缺少专业的金融可视化组件，难以直观展示复杂的时间序列预测结果，用户体验较差。\n- 尝试引入深度强化学习将市场视为马尔可夫决策过程时，找不到可用的参考实现，算法落地陷入停滞。\n\n### 使用 Make_Money_with_Tensorflow_2.0 后\n- 直接复用整合了用户认证、数据库与 TF Serving 的脚手架代码，快速搭建起名为\"NeuralFund\"的应用原型。\n- 内置持续训练流程，通过脚本自动抓取实时股价数据，确保模型始终基于最新市场动态进行推理。\n- 轻松扩展多模型架构，同时运行三个股价预测模型并结合 Google News API 进行情绪分析，智能优选最佳投资标的。\n- 集成 TradingView 高级图表组件，前端即刻拥有专业的股票走势可视化能力，大幅提升用户信任度。\n- 提供了清晰的演进路线，为后续实施基于深度强化学习的“买入\u002F卖出\u002F持有”智能代理奠定了坚实基础。\n\nMake_Money_with_Tensorflow_2.0 将分散的深度学习组件整合为一套可运行的金融投资系统，极大降低了从算法实验到商业原型的转化成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FllSourcell_Make_Money_with_Tensorflow_2.0_1a05bb28.png","llSourcell","Siraj Raval","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FllSourcell_e6efb465.jpg","Senior AI\u002FML Engineer | Specializing in production-ready, trustworthy AI systems (GenAI, RAG, CV, MLOps).",null,"www.youtube.com\u002Fc\u002Fsirajraval","https:\u002F\u002Fgithub.com\u002FllSourcell",[80,84,88,92,96,100],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",46.5,{"name":85,"color":86,"percentage":87},"Python","#3572A5",31.1,{"name":89,"color":90,"percentage":91},"HTML","#e34c26",20,{"name":93,"color":94,"percentage":95},"Dockerfile","#384d54",1.1,{"name":97,"color":98,"percentage":99},"CSS","#663399",0.8,{"name":101,"color":102,"percentage":103},"Makefile","#427819",0.5,545,220,"2026-04-02T16:30:08",5,"","未说明",{"notes":111,"python":109,"dependencies":112},"该项目是一个进行中的工作（Work in Progress），README 中主要描述了合并两个现有仓库及添加功能（如实时股票数据、情感分析、深度强化学习）的步骤，并未提供具体的安装指令或硬件配置要求。项目涉及使用 BERT 进行情感分析和训练多个时间序列模型，实际运行可能需要较高的计算资源，但文中未明确指定 GPU 型号或内存大小。",[113,114,115],"tensorflow==2.0","flask","tensorflow-serving",[14,117],"其他","2026-03-27T02:49:30.150509","2026-04-15T10:58:33.693709",[121,126,131],{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},34233,"运行 build_model 函数时提示'K is not defined'错误，如何解决？","需要在代码文件顶部添加以下导入语句来定义 K：\nfrom keras import backend as K","https:\u002F\u002Fgithub.com\u002FllSourcell\u002FMake_Money_with_Tensorflow_2.0\u002Fissues\u002F8",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},34234,"项目中没有看到 Python 文件，应该如何运行此项目？","该项目主要基于 Jupyter Notebook (MakeMoneywithTensorflow2_0.ipynb) 运行。用户需要下载该笔记本文件并在本地 Jupyter 环境或 Google Colab 中打开执行，而不是直接运行 .py 脚本。","https:\u002F\u002Fgithub.com\u002FllSourcell\u002FMake_Money_with_Tensorflow_2.0\u002Fissues\u002F13",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},34235,"无法访问项目中提供的 Colab 笔记本链接，显示加载错误怎么办？","如果链接显示'Could not fetch Drive notebook'或加载错误，通常是因为原文件权限受限或已被移动。建议检查链接是否公开，或者尝试在本地克隆仓库并手动上传 notebook 文件到自己的 Google Drive 中运行。","https:\u002F\u002Fgithub.com\u002FllSourcell\u002FMake_Money_with_Tensorflow_2.0\u002Fissues\u002F5",[]]