[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nlintz--TensorFlow-Tutorials":3,"tool-nlintz--TensorFlow-Tutorials":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",138956,2,"2026-04-05T11:33:21",[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":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":93,"forks":94,"last_commit_at":95,"license":78,"difficulty_score":23,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":104,"github_topics":78,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":105,"updated_at":106,"faqs":107,"releases":147},1984,"nlintz\u002FTensorFlow-Tutorials","TensorFlow-Tutorials","Simple tutorials using Google's TensorFlow Framework","TensorFlow-Tutorials 是一套基于 Google TensorFlow 框架的入门级深度学习教程，通过清晰的代码示例帮助初学者逐步理解神经网络的核心概念。从简单的乘法运算、线性回归，到多层感知机、卷积网络、LSTM、Word2vec，再到生成对抗网络（GAN）和 TensorBoard 可视化，覆盖了深度学习的主要应用场景。它解决了新手面对复杂框架时无从下手的问题，用循序渐进的方式降低学习门槛，避免了理论堆砌，直接通过可运行的代码展示原理。适合刚接触机器学习的开发者、学生和研究人员，尤其适合希望动手实践而非只看理论的人群。教程直接移植自广受好评的 Theano 教程，结构清晰、注释详尽，且全部基于 TensorFlow 1.0 编写，便于在主流环境中运行。无需复杂配置，只需 NumPy 和 matplotlib 即可运行，是入门 TensorFlow 的优质实践资源。","# TensorFlow-Tutorials\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fnlintz\u002FTensorFlow-Tutorials.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fnlintz\u002FTensorFlow-Tutorials)\n[![Codacy Badge](https:\u002F\u002Fapi.codacy.com\u002Fproject\u002Fbadge\u002Fgrade\u002F2d3ed69cdbec4249ab5c2f7e4286bb8f)](https:\u002F\u002Fwww.codacy.com\u002Fapp\u002Fhunkim\u002FTensorFlow-Tutorials)\n\nIntroduction to deep learning based on Google's TensorFlow framework. These tutorials are direct ports of\nNewmu's [Theano Tutorials](https:\u002F\u002Fgithub.com\u002FNewmu\u002FTheano-Tutorials).\n\n***Topics***\n* [Simple Multiplication](00_multiply.py)\n* [Linear Regression](01_linear_regression.py)\n* [Logistic Regression](02_logistic_regression.py)\n* [Feedforward Neural Network (Multilayer Perceptron)](03_net.py)\n* [Deep Feedforward Neural Network (Multilayer Perceptron with 2 Hidden Layers O.o)](04_modern_net.py)\n* [Convolutional Neural Network](05_convolutional_net.py)\n* [Denoising Autoencoder](06_autoencoder.py)\n* [Recurrent Neural Network (LSTM)](07_lstm.py)\n* [Word2vec](08_word2vec.py)\n* [TensorBoard](09_tensorboard.py)\n* [Save and restore net](10_save_restore_net.py)\n* [Generative Adversarial Network](11_gan.py)\n\n***Dependencies***\n* TensorFlow 1.0 alpha\n* Numpy\n* matplotlib\n","# TensorFlow教程\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fnlintz\u002FTensorFlow-Tutorials.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fnlintz\u002FTensorFlow-Tutorials)\n[![Codacy徽章](https:\u002F\u002Fapi.codacy.com\u002Fproject\u002Fbadge\u002Fgrade\u002F2d3ed69cdbec4249ab5c2f7e4286bb8f)](https:\u002F\u002Fwww.codacy.com\u002Fapp\u002Fhunkim\u002FTensorFlow-Tutorials)\n\n基于谷歌TensorFlow框架的深度学习入门教程。这些教程直接移植自Newmu的[Theano教程](https:\u002F\u002Fgithub.com\u002FNewmu\u002FTheano-Tutorials)。\n\n***主题***\n* [简单乘法](00_multiply.py)\n* [线性回归](01_linear_regression.py)\n* [逻辑回归](02_logistic_regression.py)\n* [前馈神经网络（多层感知机）](03_net.py)\n* [深度前馈神经网络（带两层隐藏层的多层感知机 O.o）](04_modern_net.py)\n* [卷积神经网络](05_convolutional_net.py)\n* [去噪自编码器](06_autoencoder.py)\n* [循环神经网络（LSTM）](07_lstm.py)\n* [Word2vec](08_word2vec.py)\n* [TensorBoard](09_tensorboard.py)\n* [保存与恢复网络](10_save_restore_net.py)\n* [生成对抗网络](11_gan.py)\n\n***依赖***\n* TensorFlow 1.0 alpha\n* NumPy\n* Matplotlib","# TensorFlow-Tutorials 快速上手指南\n\n## 环境准备\n\n- **系统要求**：Windows \u002F macOS \u002F Linux（推荐 Python 3.6+）\n- **前置依赖**：\n  - TensorFlow 1.0 alpha\n  - NumPy\n  - matplotlib\n\n> 推荐使用国内镜像加速安装：`-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.0.0a0 numpy matplotlib\n```\n\n克隆项目仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials.git\ncd TensorFlow-Tutorials\n```\n\n## 基本使用\n\n运行最简单的示例：乘法运算\n\n```bash\npython 00_multiply.py\n```\n\n输出将显示 TensorFlow 执行的张量乘法结果，验证环境配置成功。\n\n后续教程可依次运行 `01_linear_regression.py`、`02_logistic_regression.py` 等文件，逐步学习深度学习模型实现。","某高校人工智能实验室的研究生小李，正在为毕业课题开发一个基于深度学习的文本情感分析模型，但缺乏实战经验，对TensorFlow的API和网络搭建流程完全陌生。\n\n### 没有 TensorFlow-Tutorials 时\n- 不知道如何从零搭建一个简单的神经网络，尝试直接阅读官方文档，被复杂的术语和抽象示例劝退。\n- 在实现LSTM时反复报错，无法理解序列输入的维度匹配问题，调试耗时超过一周。\n- 对模型保存与恢复机制毫无概念，训练中途断电后只能重头再来，浪费了三天的GPU算力。\n- 无法可视化训练过程，不知道损失函数是否收敛，只能靠猜测调整超参数。\n- 对Word2vec这类词嵌入技术完全不了解，手动构造词向量效率低下且效果差。\n\n### 使用 TensorFlow-Tutorials 后\n- 直接参考 `07_lstm.py` 示例，快速理解了输入形状、时间步长和隐藏层的正确配置，三天内跑通了第一个可用模型。\n- 借助 `10_save_restore_net.py` 的代码，实现了训练断点续训功能，避免了算力浪费，效率提升70%。\n- 通过 `09_tensorboard.py` 实时监控损失曲线和准确率，精准定位过拟合问题，及时加入Dropout层。\n- 用 `08_word2vec.py` 快速训练出领域适配的词向量，替代了原始的One-Hot编码，模型准确率提升18%。\n- 从 `03_net.py` 到 `04_modern_net.py` 的渐进式示例，帮助他理解网络深度与性能的关系，顺利优化了网络结构。\n\nTensorFlow-Tutorials 让一个深度学习新手在两周内从零搭建出可部署的情感分析模型，真正实现了“学得会、跑得通、调得准”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnlintz_TensorFlow-Tutorials_21222d68.png","nlintz","Nathan Lintz","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnlintz_79c107cc.png",null,"https:\u002F\u002Fgithub.com\u002Fnlintz",[81,85,89],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",94,{"name":86,"color":87,"percentage":88},"Python","#3572A5",5.9,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0.1,6023,1486,"2026-04-03T04:04:26","Linux, macOS, Windows","未说明",{"notes":99,"python":97,"dependencies":100},"本项目为 TensorFlow 1.0 alpha 版本的教程，建议使用兼容的旧版 TensorFlow 环境运行，部分示例可能不适用于 TensorFlow 2.x 及以上版本。",[101,102,103],"tensorflow>=1.0.0a","numpy","matplotlib",[13,14],"2026-03-27T02:49:30.150509","2026-04-06T05:15:20.579736",[108,113,118,123,127,132,137,142],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},8954,"如何解决 TensorFlow 0.9 中 'This module is deprecated. Use tf.nn.rnn_* instead.' 错误？","将代码中从 tensorflow.models.rnn 导入的模块替换为 tf.nn.rnn_* 系列函数，例如将 'from tensorflow.models.rnn import rnn, rnn_cell' 改为 'from tensorflow.nn import dynamic_rnn' 或使用 tf.nn.rnn_cell.BasicLSTMCell 等新接口。具体修复可见 Issue #46 的提交。","https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002Fissues\u002F41",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},8955,"在使用 TensorFlow 进行单个预测时，如何解决形状不匹配错误 'ValueError: Cannot feed value of shape (784,) for Tensor with shape (?, 784)'？","将输入数据从一维数组 (784,) 扩展为二维数组 (1, 784)，使用 np.expand_dims(img, axis=0) 或包装为列表 [[x] for x in teX]。预测时无需传入 Y，只需 feed_dict={X: img_expanded} 即可。","https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002Fissues\u002F13",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},8956,"在 04_modern_net.py 中，w_h = init_weights([784, 625]) 的 625 是什么意思？","625 是隐藏层的神经元数量（即隐藏层单元数），属于超参数，可自由调整。784 是输入层（28x28 图像展平）的节点数，625 是第一层隐藏层的节点数，后续层如 w_h2 = init_weights([625, 625]) 表示第二层隐藏层也使用 625 个神经元。","https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002Fissues\u002F75",{"id":124,"question_zh":125,"answer_zh":126,"source_url":122},8957,"04_modern_net.py 中的循环 for start, end in zip(range(0, len(trX), 128), range(128, len(trX)+1, 128)): 是做什么的？","这是实现批量训练的分块逻辑，128 是批量大小（batch size）。它将训练数据 trX（共 55,000 条）按每批 128 个样本切分，依次取 [0:128], [128:256], ... 直到结束，实现分批输入模型训练。",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},8958,"运行 08_word2vec.ipynb 时出现 Tensor dtype float32 与 int32 不匹配的错误，如何解决？","该错误通常由 TensorFlow 版本不兼容导致。请升级到 TensorFlow 1.0.0rc1 或更高版本，使用命令：`export TF_BINARY_URL=https:\u002F\u002Fstorage.googleapis.com\u002Ftensorflow\u002Fmac\u002Fgpu\u002Ftensorflow_gpu-1.0.0rc1-py3-none-any.whl && sudo pip3 install --upgrade $TF_BINARY_URL`（Mac 用户）。确保输入标签数据类型为 int32，可通过 tf.cast(train_labels, tf.int32) 强制转换。","https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002Fissues\u002F76",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},8959,"autoencoder 示例的目标是什么？输出应该是什么？","autoencoder 的目标是学习将输入图像（如 MNIST 手写数字）压缩为低维表示，再重建回原始图像。输出是重建后的图像，与输入图像形状相同（28x28），训练目标是最小化输入与输出之间的重构误差（如均方误差）。","https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002Fissues\u002F51",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},8960,"如何将 .ipynb 文件转换为 .py 文件以便于版本控制？","建议编写一个脚本逐个转换 .ipynb 文件为 .py 文件，使用 jupyter nbconvert 命令：`jupyter nbconvert --to python your_file.ipynb`。也可批量转换：`for f in *.ipynb; do jupyter nbconvert --to python \"$f\"; done`，便于维护和协作。","https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002Fissues\u002F55",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},8961,"如何在 TensorFlow 中实现时间序列预测的 LSTM 输入数据预处理？","需将时间序列数据转换为监督学习格式：例如，给定序列 [1,2,3,4,5]，设置时间步长为 3，则输入为 [[1,2,3], [2,3,4]]，输出为 [4,5]。使用滑动窗口函数生成 (samples, timesteps, features) 形状的张量，作为 LSTM 的输入。","https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials\u002Fissues\u002F38",[]]