[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-merantix--picasso":3,"tool-merantix--picasso":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",159636,2,"2026-04-17T23:33:34",[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":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":32,"env_os":104,"env_gpu":104,"env_ram":104,"env_deps":105,"category_tags":112,"github_topics":113,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":145},8754,"merantix\u002Fpicasso","picasso",":art: A CNN visualizer","Picasso 是一款专为卷积神经网络（CNN）打造的可视化分析工具，旨在帮助开发者与研究人员直观地“看见”模型内部的学习过程。在深度学习领域，神经网络常被视为难以理解的“黑盒”，而 Picasso 通过图形化界面清晰展示图像分类器如何处理数据、提取特征以及做出决策，有效解决了模型可解释性差的痛点。\n\n该工具特别适合从事计算机视觉研究的科研人员、算法工程师以及需要调试和优化 CNN 模型的开发者使用。其核心技术亮点在于采用了模块化框架设计，不仅支持主流的 Keras（TensorFlow 后端）模型，如 VGG16 和 MNIST，还允许用户灵活接入自定义模型并构建专属的可视化方案。只需简单的几步配置，用户即可启动本地服务，在浏览器中实时观察网络各层的激活状态与权重变化。作为一款开源免费的软件，Picasso 让复杂的神经网络训练过程变得透明可控，是深入理解 AI 模型行为、验证算法有效性的得力助手。","===============================\nPicasso\n===============================\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpicasso-viz.svg\n        :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fpicasso-viz\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Ftravis\u002Fmerantix\u002Fpicasso.svg\n        :target: https:\u002F\u002Ftravis-ci.org\u002Fmerantix\u002Fpicasso\n\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fpicasso\u002Fbadge\u002F?version=latest\n        :target: https:\u002F\u002Fpicasso.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n        :alt: Documentation Status\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fcodecov\u002Fc\u002Fgithub\u002Fmerantix\u002Fpicasso\u002Fmaster.svg   \n        :target: https:\u002F\u002Fcodecov.io\u002Fgithub\u002Fmerantix\u002Fpicasso?branch=master\n\n\nA CNN model visualizer\n\nSee the `Medium post`_ for an introduction to Picasso.\n\n* Free software: Eclipse Public License\n* Documentation: https:\u002F\u002Fpicasso.readthedocs.io.\n\nIf you use Picasso in your research, `please cite our paper`_:\n\n.. code::\n\n        Henderson, R. & Rothe, R., (2017). Picasso: A Modular Framework for Visualizing the Learning Process of Neural Network Image Classifiers. Journal of Open Research Software. 5(1), p.22. \n\nQuickstart\n----------\n\nPicasso uses **Python 3.5+** so use a virtual environment if necessary (e.g. ``virtualenv env --python=python3``) and **activate it!**\n\n#. Install with pip or from source.\n\n   With pip:\n\n   .. code::\n\n        pip install picasso-viz\n\n   From the repository:\n\n   .. code::\n\n        git clone git@github.com:merantix\u002Fpicasso.git\n        cd picasso\n        pip install -e .\n\n   Note: you'll need the Tensorflow backend for Keras for these examples to work.  Make sure your ``~\u002F.keras\u002Fkeras.json`` file looks like:\n\n   .. code::\n\n        {\n            \"backend\": \"tensorflow\",\n            \"image_dim_ordering\": \"tf\",\n            \"floatx\": \"float32\",\n            \"epsilon\": 1e-07\n        }\n\n#. Start the Flask server\n\n   .. code::\n\n        export FLASK_APP=picasso\n        flask run\n\n   Point your browser to ``127.0.0.1:5000`` and you should see the landing page!  When you're done, ``Ctrl+C`` in the terminal to kill your Flask server.\n\nBuilding the docs\n-----------------\n\nThe documentation is much more extensive than this README, and includes instructions on getting the Keras VGG16 and Tensorflow NMIST models working, as well as guides on building your own visualizations and using custom models. This assumes you've cloned the repository. First install the required packages:\n\n.. code::\n\n    pip install -e .[docs]\n\nThen build them:\n\n.. code::\n\n    cd docs\u002F\n    make html\n\nThen you can open ``_build\u002Fhtml\u002Findex.html`` in your browser of choice.\n\nNotes\n---------\n#. Models generated on Keras using the Theano backend should in principle be supported.  The only difference is the array ordering of convolutions.  I haven't tried this yet though, so an extra config parameter may be needed.\n\nCredits\n---------\n* Elias_ and Filippo_ for early code contributions and finding bugs and issues.\n* John_, Josh_, Rasmus_, and Stefan_ for their careful code review and feedback.\n* The favicon is a modification of this photograph_ of the painting \"`Les Demoiselles d'Avignon`_\", 1907 by Pablo Picasso. Photograph by Max Braun.\n* This package was created with Cookiecutter_ and the `audreyr\u002Fcookiecutter-pypackage`_ project template.\n\n.. _Cookiecutter: https:\u002F\u002Fgithub.com\u002Faudreyr\u002Fcookiecutter\n.. _`audreyr\u002Fcookiecutter-pypackage`: https:\u002F\u002Fgithub.com\u002Faudreyr\u002Fcookiecutter-pypackage\n.. _photograph: https:\u002F\u002Fwww.flickr.com\u002Fphotos\u002Fmaxbraun\u002F4045020694\n.. _`Les Demoiselles d'Avignon`: https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLes_Demoiselles_d%27Avignon\n.. _Elias: https:\u002F\u002Fgithub.com\u002FSylvus\n.. _Filippo: https:\u002F\u002Fgithub.com\u002Fscopelf\n.. _John: https:\u002F\u002Fgithub.com\u002FJohnMcSpedon\n.. _Josh: https:\u002F\u002Fgithub.com\u002Fjwayne\n.. _Rasmus: https:\u002F\u002Fgithub.com\u002Frrothe\n.. _Stefan: https:\u002F\u002Fgithub.com\u002Fknub\n.. _`Medium post`: https:\u002F\u002Fmedium.com\u002Fmerantix\u002Fpicasso-a-free-open-source-visualizer-for-cnns-d8ed3a35cfc5\n.. _`please cite our paper`: http:\u002F\u002Fdoi.org\u002F10.5334\u002Fjors.178\n","===============================\n毕加索\n===============================\n\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpicasso-viz.svg\n        :target: https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fpicasso-viz\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Ftravis\u002Fmerantix\u002Fpicasso.svg\n        :target: https:\u002F\u002Ftravis-ci.org\u002Fmerantix\u002Fpicasso\n\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fpicasso\u002Fbadge\u002F?version=latest\n        :target: https:\u002F\u002Fpicasso.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n        :alt: Documentation Status\n\n.. image:: https:\u002F\u002Fimg.shields.io\u002Fcodecov\u002Fc\u002Fgithub\u002Fmerantix\u002Fpicasso\u002Fmaster.svg   \n        :target: https:\u002F\u002Fcodecov.io\u002Fgithub\u002Fmerantix\u002Fpicasso?branch=master\n\n\n一个卷积神经网络模型可视化工具\n\n请参阅 `Medium文章`_ 以了解关于毕加索的介绍。\n\n* 自由软件：Eclipse 公共许可证\n* 文档：https:\u002F\u002Fpicasso.readthedocs.io。\n\n如果您在研究中使用了毕加索，请 `引用我们的论文`_：\n\n.. code::\n\n        Henderson, R. & Rothe, R., (2017). Picasso: A Modular Framework for Visualizing the Learning Process of Neural Network Image Classifiers. Journal of Open Research Software. 5(1), p.22. \n\n快速入门\n----------\n\n毕加索使用 **Python 3.5+**，因此如有需要请使用虚拟环境（例如 ``virtualenv env --python=python3``），并 **激活它！**\n\n#. 使用 pip 安装或从源代码安装。\n\n   使用 pip：\n\n   .. code::\n\n        pip install picasso-viz\n\n   从仓库：\n\n   .. code::\n\n        git clone git@github.com:merantix\u002Fpicasso.git\n        cd picasso\n        pip install -e .\n\n   注意：您需要 Keras 的 TensorFlow 后端才能使这些示例正常工作。请确保您的 ``~\u002F.keras\u002Fkeras.json`` 文件如下所示：\n\n   .. code::\n\n        {\n            \"backend\": \"tensorflow\",\n            \"image_dim_ordering\": \"tf\",\n            \"floatx\": \"float32\",\n            \"epsilon\": 1e-07\n        }\n\n#. 启动 Flask 服务器\n\n   .. code::\n\n        export FLASK_APP=picasso\n        flask run\n\n   打开浏览器访问 ``127.0.0.1:5000``，您应该能看到欢迎页面！完成后，在终端中按 ``Ctrl+C`` 来停止 Flask 服务器。\n\n构建文档\n-----------------\n\n文档比这个 README 更加详尽，包括如何让 Keras VGG16 和 Tensorflow MNIST 模型正常运行的说明，以及如何构建自定义可视化和使用自定义模型的指南。这假设您已经克隆了仓库。首先安装所需的包：\n\n.. code::\n\n    pip install -e .[docs]\n\n然后构建文档：\n\n.. code::\n\n    cd docs\u002F\n    make html\n\n之后您可以在任意浏览器中打开 ``_build\u002Fhtml\u002Findex.html``。\n\n注意事项\n---------\n#. 原则上，使用 Theano 后端在 Keras 上生成的模型也应该支持。唯一的区别在于卷积操作中的数组顺序。不过我尚未尝试过，因此可能需要额外的配置参数。\n\n致谢\n---------\n* Elias_ 和 Filippo_ 对早期代码贡献及发现 bug 和问题表示感谢。\n* John_, Josh_, Rasmus_ 和 Stefan_ 提供了细致的代码审查和反馈。\n* 网站图标是对这张照片_的修改，该照片拍摄的是巴勃罗·毕加索于 1907 年创作的画作《亚维农的少女》。摄影：Max Braun。\n* 本包是通过 Cookiecutter_ 和 `audreyr\u002Fcookiecutter-pypackage`_ 项目模板创建的。\n\n.. _Cookiecutter: https:\u002F\u002Fgithub.com\u002Faudreyr\u002Fcookiecutter\n.. _`audreyr\u002Fcookiecutter-pypackage`: https:\u002F\u002Fgithub.com\u002Faudreyr\u002Fcookiecutter-pypackage\n.. _photograph: https:\u002F\u002Fwww.flickr.com\u002Fphotos\u002Fmaxbraun\u002F4045020694\n.. _`Les Demoiselles d'Avignon`: https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLes_Demoiselles_d%27Avignon\n.. _Elias: https:\u002F\u002Fgithub.com\u002FSylvus\n.. _Filippo: https:\u002F\u002Fgithub.com\u002Fscopelf\n.. _John: https:\u002F\u002Fgithub.com\u002FJohnMcSpedon\n.. _Josh: https:\u002F\u002Fgithub.com\u002Fjwayne\n.. _Rasmus: https:\u002F\u002Fgithub.com\u002Frrothe\n.. _Stefan: https:\u002F\u002Fgithub.com\u002Fknub\n.. _`Medium post`: https:\u002F\u002Fmedium.com\u002Fmerantix\u002Fpicasso-a-free-open-source-visualizer-for-cnns-d8ed3a35cfc5\n.. _`please cite our paper`: http:\u002F\u002Fdoi.org\u002F10.5334\u002Fjors.178","# Picasso 快速上手指南\n\nPicasso 是一个用于可视化卷积神经网络（CNN）学习过程的模块化框架。本指南将帮助您快速在本地部署并运行该工具。\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\n*   **Python 版本**：Python 3.5 或更高版本\n*   **前置依赖**：\n    *   推荐使用虚拟环境（如 `virtualenv` 或 `venv`）隔离依赖。\n    *   **后端要求**：本工具示例基于 **Keras** 框架，且必须配置为 **TensorFlow** 后端。\n\n**配置 Keras 后端：**\n请检查并确保您的 `~\u002F.keras\u002Fkeras.json` 配置文件内容如下（关键是将 backend 设置为 tensorflow）：\n\n```json\n{\n    \"backend\": \"tensorflow\",\n    \"image_dim_ordering\": \"tf\",\n    \"floatx\": \"float32\",\n    \"epsilon\": 1e-07\n}\n```\n\n## 安装步骤\n\n您可以选择通过 PyPI 直接安装，或从源代码安装。\n\n### 方式一：使用 pip 安装（推荐）\n\n```bash\npip install picasso-viz\n```\n\n### 方式二：从源码安装\n\n如果您需要最新功能或进行开发，可以克隆仓库进行安装：\n\n```bash\ngit clone git@github.com:merantix\u002Fpicasso.git\ncd picasso\npip install -e .\n```\n\n## 基本使用\n\n安装完成后，按照以下步骤启动可视化服务：\n\n1.  **设置环境变量并启动 Flask 服务器**\n\n    在终端中执行以下命令：\n\n    ```bash\n    export FLASK_APP=picasso\n    flask run\n    ```\n\n2.  **访问可视化界面**\n\n    打开浏览器，访问地址：\n    `http:\u002F\u002F127.0.0.1:5000`\n\n    您应该能看到 Picasso 的首页。\n\n3.  **停止服务**\n\n    使用完毕后，在终端中按下 `Ctrl+C` 即可关闭 Flask 服务器。\n\n> **提示**：如需更高级的功能（如加载 VGG16 模型、MNIST 数据集或自定义模型），请参考官方完整文档：https:\u002F\u002Fpicasso.readthedocs.io","某计算机视觉团队正在调试一个基于 Keras 和 TensorFlow 的图像分类模型，试图找出模型为何频繁将“哈士奇”误判为“狼”。\n\n### 没有 picasso 时\n- 开发者只能依赖最终的准确率数值判断模型好坏，无法直观看到卷积层具体提取了哪些图像特征。\n- 当模型出现误判时，团队需要手动编写大量 Matplotlib 代码来逐层提取并绘制激活图，调试效率极低。\n- 难以确定是数据标注错误还是网络结构缺陷导致问题，因为缺乏可视化的证据来定位具体的失效神经元。\n- 在向非技术背景的项目干系人汇报模型原理时，只能使用抽象的数学公式，沟通成本高昂且效果不佳。\n\n### 使用 picasso 后\n- 通过启动 Flask 服务并在浏览器访问，团队成员能实时交互式地查看每一层卷积核如何响应输入图像中的边缘、纹理等特征。\n- 发现模型过度关注背景中的雪地而非狗的形态，直接定位到“背景偏差”这一核心问题，无需再盲目调整超参数。\n- 利用内置的模块化框架快速生成不同类别的可视化对比图，迅速验证了重新清洗数据集（去除雪地背景）后的改进效果。\n- 直接展示动态的特征热力图和激活分布，让产品经理直观理解模型决策依据，大幅提升了跨部门协作的信任度。\n\npicasso 将黑盒般的神经网络学习过程转化为透明的视觉语言，让开发者从“猜错因”转变为“看本质”，显著加速了模型迭代与优化周期。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmerantix_picasso_80e3eb29.png","merantix","Merantix","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmerantix_cda79eac.jpg","",null,"www.merantix.com","https:\u002F\u002Fgithub.com\u002Fmerantix",[80,84,88,92,96],{"name":81,"color":82,"percentage":83},"Python","#3572A5",78.6,{"name":85,"color":86,"percentage":87},"HTML","#e34c26",13.2,{"name":89,"color":90,"percentage":91},"JavaScript","#f1e05a",5.8,{"name":93,"color":94,"percentage":95},"Makefile","#427819",2.3,{"name":97,"color":98,"percentage":99},"CSS","#663399",0.1,999,120,"2026-04-02T08:35:24","EPL-1.0","未说明",{"notes":106,"python":107,"dependencies":108},"该工具是一个 CNN 模型可视化器。必须配置 Keras 使用 TensorFlow 后端，且图像维度顺序需设置为 'tf' (在 ~\u002F.keras\u002Fkeras.json 中配置)。虽然理论上支持 Theano 后端，但可能需要额外的配置参数。文档中包含关于运行 Keras VGG16 和 Tensorflow MNIST 模型的详细指南。","3.5+",[109,110,111],"tensorflow (作为 Keras 后端)","keras","flask",[14],[114,115,110,116],"convolutional-neural-networks","tensorflow","visualization","2026-03-27T02:49:30.150509","2026-04-18T09:20:54.681195",[120,125,130,135,140],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},39255,"安装时 setup.py 强制拉取 tensorflow 包，但我使用的是 tensorflow_gpu，如何解决依赖冲突？","可以通过修改依赖检查逻辑来解决。建议在 requirements 块之后添加以下代码，仅在未检测到 tensorflow 时才安装：\ntry:\n   import tensorflow\nexcept ModuleNotFoundError:\n   requirements.append('tensorflow>=1.0.0')\n或者移除对 tensorflow 的硬性依赖要求。","https:\u002F\u002Fgithub.com\u002Fmerantix\u002Fpicasso\u002Fissues\u002F11",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},39256,"加载 TensorFlow 模型时报错，提示找不到文件或恢复失败，原因是什么？","这是因为代码在查找最新的 .ckpt 文件时，错误地包含了 *.meta* 文件（例如 model.ckpt-17999.meta），导致截断文件名后无法匹配实际文件。\n解决方案是修改查找逻辑，过滤掉包含 \".meta\" 的文件。参考代码如下：\nlatest_ckpt_fn = max([i for i in glob.iglob(os.path.join(data_dir, '*.ckpt*')) if not \".meta\" in i], key=os.path.getctime)\n同时应删除后续强行截断文件名的代码行。","https:\u002F\u002Fgithub.com\u002Fmerantix\u002Fpicasso\u002Fissues\u002F7",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},39257,"如何加载自定义训练的 TensorFlow 模型？","加载自定义模型时需注意文件匹配问题。确保代码在扫描目录时排除 *.meta* 文件，只选择实际的 checkpoint 文件（如 .ckpt 或 .data\u002F.index 文件）。如果自动查找失败，需检查 picasso\u002Fpicasso\u002Fml_frameworks\u002Ftensorflow\u002Fmodel.py 中的 glob 匹配模式，确保其不会误选元数据文件导致路径解析错误。","https:\u002F\u002Fgithub.com\u002Fmerantix\u002Fpicasso\u002Fissues\u002F6",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},39258,"Web 应用前端如何更好地与后端 API 交互？","建议将前端重构为使用 JavaScript 库（如 jQuery）来调用 API 接口，而不是依赖服务端模板渲染。具体做法是使用 requests 库（后端）或 jQuery（前端）消费 API 路由，验证数据后动态更新可视化组件。参考 Flask 文档中关于 jQuery 的模式：http:\u002F\u002Fflask.pocoo.org\u002Fdocs\u002F0.12\u002Fpatterns\u002Fjquery\u002F","https:\u002F\u002Fgithub.com\u002Fmerantix\u002Fpicasso\u002Fissues\u002F24",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},39259,"项目代码结构过于耦合，如何重构 Web 应用和 API？","应将原本庞大的 picasso.py 文件拆分为独立的模块：views.py 用于处理 Web 视图逻辑，api.py 用于处理 API 路由逻辑。这种分离有助于简化测试和维护，该重构方案已在相关 Pull Request 中解决。","https:\u002F\u002Fgithub.com\u002Fmerantix\u002Fpicasso\u002Fissues\u002F23",[146,151,156],{"id":147,"version":148,"summary_zh":149,"released_at":150},315204,"v0.2.0","* 目前已提供一个简单的 REST API。我们尚未编写相关文档，但您可以通过[这个 PR](https:\u002F\u002Fgithub.com\u002Fmerantix\u002Fpicasso\u002Fpull\u002F18) 了解其工作方式（感谢 @jan-xyz）。\n\n* 我们大幅简化了模型配置，这不仅使代码库更加整洁，还带来了其他代码风格上的改进（感谢 @jwayne）。","2017-07-07T09:34:06",{"id":152,"version":153,"summary_zh":154,"released_at":155},315205,"v0.1.2","* 修复 Keras 加载问题\n\n* 在安装之前检查 TensorFlow 是否已正确安装\n\n","2017-06-07T09:35:54",{"id":157,"version":158,"summary_zh":76,"released_at":159},315206,"v0.1.1","2017-05-16T09:29:33"]