[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-nosuggest--deep_learning":3,"tool-nosuggest--deep_learning":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":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":10,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":103,"github_topics":79,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":104,"updated_at":105,"faqs":106,"releases":107},3244,"nosuggest\u002Fdeep_learning","deep_learning","基础的深度学习实验研究结果汇总笔记","deep_learning 是一个面向实践者的深度学习实验笔记与代码合集，旨在帮助非科班出身的工程师快速上手并落地深度学习应用。它解决了初学者在面对复杂理论时难以入门，以及开发者在工程中缺乏规范、可复用代码模板的痛点。\n\n该项目特别适合希望快速实现功能的 TensorFlow 开发者、转行进入 AI 领域的工程师，以及需要寻找经典模型基线（Baseline）的研究人员。内容涵盖自然语言处理（如 TextCNN、BERT）、图像识别（如 SSD、RCNN）及推荐系统（如 Wide & Deep、DeepFM、YouTube DNN）等主流方向。\n\n其独特亮点在于“工程导向”的实战风格：不仅提供了从多层感知机到复杂推荐架构的完整代码实现，还特别整理了规范的 Estimator 框架模板，有效解决了团队开发中代码风格混乱、逻辑不清晰的问题。此外，项目修复了部分网络开源代码无法运行的缺陷，并针对 Linux 环境下的版本兼容性问题给出了具体解决方案。通过浅入浅出的思路梳理和可直接复用的代码模块，deep_learning 帮助用户打破思维禁锢，将学术思路高效转化为工程成果。","# 介绍\n非专业的nlp、图像工程师，tensorflow调包工程师，注重快速实现，那么，让我们一起做点有趣的事情吧！\n这个工程的目的是将自己在工程和学术研究中，一些应用到深度学习的思路和方法整理汇总出来：\n\n- 帮助深度学习入门同学快速上手\n- 提供一些在现有的机器学习方向上的新的方向和思路的整理\n- 解锁思维的禁锢\n\n关于深度学习相关的浅入浅出的介绍，可以快速入门一下[浅入浅出深度学习理论实践](http:\u002F\u002Fshataowei.com\u002F2018\u002F02\u002F07\u002F浅入浅出深度学习理论实践\u002F)。\n\n关于深度学习相关的点击预估的介绍，可以快速入门一下[yoho注册概率预估](http:\u002F\u002Fshataowei.com\u002F2018\u002F03\u002F04\u002Fyoho!buy注册概率预估\u002F)。\n\n关于深度学习相关的图像识别的介绍，可以快速入门一下[基于SSD下的图像内容识别（一）](http:\u002F\u002Fshataowei.com\u002F2017\u002F12\u002F01\u002F基于SSD下的图像内容识别（一）\u002F)，[基于SSD下的图像内容识别（二）](http:\u002F\u002Fshataowei.com\u002F2017\u002F12\u002F01\u002F基于SSD下的图像内容识别（二）\u002F)。\n\n关于深度学习相关的目标向量化的介绍，可以快速入门一下[深度学习下的电商商品推荐](http:\u002F\u002Fshataowei.com\u002F2017\u002F08\u002F19\u002F深度学习下的电商商品推荐\u002F)。\n\n关于深度学习相关的多层感知机的介绍，可以快速入门一下[基于Tensorflow实现多层感知机网络MLPs](http:\u002F\u002Fshataowei.com\u002F2018\u002F07\u002F25\u002F基于Tensorflow实现多层感知机网络MLPs\u002F)。\n\n关于深度学习相关的deepfm的介绍，可以快速入门一下[基于Tensorflow实现DeepFM](http:\u002F\u002Fshataowei.com\u002F2018\u002F07\u002F30\u002F基于Tensorflow实现DeepFM\u002F)。\n\n关于深度学习相关的Deep Neural Networks for YouTube Recommendations的介绍，可以快速入门一下[利用DNN做推荐的实现过程总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38638747)。\n\n关于深度学习相关的RCNN_GRU的介绍，实在没空写博客了，sorry\n\n关于深度学习相关的TextCNN的介绍，实在没空写博客了，sorry\n\n关于深度学习相关的Bert做fine-tune的代码(类似接口，具体实现按照时间项目去改)，我每次做nlp的baseline的时候，都是在这个代码上进行更改，主要是ner和classify两个问题的模版，可以快速入门一下[Bert你需要知道的一些细节](https:\u002F\u002Fgithub.com\u002Fsladesha\u002FReflection_Summary\u002Ftree\u002Fmaster\u002F对外技术分享)\n\n关于深度学习相关的XDeepFM的介绍，可以快速入门一下[xDeepFM架构理解及实现](http:\u002F\u002Fwww.shataowei.com\u002F2019\u002F12\u002F17\u002FxDeepFM架构理解及实现\u002F)。\n\n关于深度学习相关的DeepInterestNetwork的介绍，实在没空写博客了，sorry\n\n关于深度学习相关的Estimator框架模版的介绍，原因有三：\n\n- 组内同学开发不规范，tf代码风格包括：slim,keras,contrib,graph各式各样的写法，混乱不好管理\n- 代码逻辑不清晰，随处定义变量，随处定义函数\n- 由tornado服务迁往serving服务，需要更新的更频繁，接受的代码更加简单易上手，不需要高频去查各种tf接口\n\n关于深度学习相关的Doc2Vec的介绍，可以快速入门一下[Distributed Representations of Sentences and Documents](https:\u002F\u002Fcs.stanford.edu\u002F~quocle\u002Fparagraph_vector.pdf)\n\n****\n\n# 项目\n## RNN_applied_classification\n利用GRU，提取用户的行为时序稀疏特征，并产出stack初始层的思路\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_ae4db710af5c.jpeg)\n\n## CNN_applied_classification\n利用全连接+CNN，提取稀疏特征，并产出stack初始层的思路\n\n**网络结构**\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_8832048ae308.jpeg)\n\n## Wide & Deep\nGoogle 推荐算法的代码修正，原始代码来源于网络但是不能执行及流程不完整，修复代码demo，现可以直接复制后使用\n\n**网络结构**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_193d16c50bca.jpeg)\n\n**注意**\n\n在Linux环境下，tensorflow==1.0.0会有如下的报错，而MacBook环境下，tensorflow=1.0.0就不会报错：\n\n```python\ndouble free or corruption (!prev): 0x0000000001f03dd0 ***\n```\n解决方法是更新版本到1.6.0（其他版本我没试），官方之前有人提过[issue](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002F15848)，大家注意一哈！\n\n## SSD_object_recognition\n利用ssd直接实现物体区域识别\n\n**图片版效果：**\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_5e283a139710.png)\n\n**视频版本地址：**\n\n[行人识别场景](https:\u002F\u002Fv.qq.com\u002Fx\u002Fpage\u002Fj05679xhryx.html)\n\n[车辆识别场景](https:\u002F\u002Fv.qq.com\u002Fx\u002Fpage\u002Fa0567wd27jz.html)\n\n## Word2vec_recommend\n利用样本频率+Huffman树路径最大概率的方法，实现特征向量化的思路\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_a6b7f3053704.png)\n\n## MLPs\n最简单的入门级神经网络算法\n![多层感知机网络](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_4a1cff588087.png)\n\n## DeepFm\n入门级别的CTR Prediction的神经网络算法\n![DeepFM的网络结构图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_8edb1b904dc0.jpg)\n\n可能感兴趣的其他相关内容：**[FM部分](https:\u002F\u002Fgithub.com\u002Fsladesha\u002Fmachine_learning\u002Ftree\u002Fmaster\u002FFM)**||**[FFM部分](https:\u002F\u002Fgithub.com\u002Fsladesha\u002Fmachine_learning\u002Ftree\u002Fmaster\u002FFFM)**\n\n## Deep Neural Networks for YouTube Recommendations\n最近在利用来自google的YouTube团队发表在16年9月的RecSys会议的论文Deep Neural Networks for YouTube Recommendations做用户个性化商品推荐，看到不少论文上的理论总结分析，都很精彩，我手动实现了一遍，总结了一些实际工程中的体会，给大家也给自己一个总结交代。\n![Deep Neural Networks for YouTube Recommendations](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_893c162c1cbc.png)\n\n\nnormal_version：按照论文未修改的basemodel\n\nattention_version：在basemodel的基础上，加了attention机制（线性attention\u002Frnn attention）\n\nrecord_dataformat_version：在basemodel的基础上，利用record机制存储数据，加快训练速度\n\n## RCNN_GRU\n\n- RCNN_GRU\u002Fmodel: 初始化模型的脚本\n- RCNN_GRU\u002Fprocess: 数据预处理的脚本\n\n## TextCNN\n\n![TextCNN](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_eb9add9f730f.jpg)\n\n在做**黄反广告**文本的识别:\n\n- 初版本是朴素贝叶斯+LR(recall:72%，precision:88%)\n- 优化版是CBOW+LR(recall:77%，precision:88%)\n- 进阶版是CBOW\u002FGLOVE+MLR(recall:85%，precision:91%)\n- 当前版是\\[D2V,CBOW,GLOVE]+TextCNN(recall:90%，precision:92%)\n\n## Bert\nBert+BiLSTM+Crf\u002FFNN，关于Bert的更多可以参考我的[ppt分享](https:\u002F\u002Fgithub.com\u002Fsladesha\u002FReflection_Summary\u002Ftree\u002Fmaster\u002F对外技术分享)\n\n## XDeepFM\n\n**网络结构**\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_92594ae7b076.jpg)\n\n主要把网络架构梳理了一边，后面项目结束再把整体的工程代码开源出来。\n\n## DeepInterestNetwork\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_8aae5f69167a.jpg)\n\n和常见的网络上的版本不同的有两个地方的修改，我司实际使用上比[官方版本](https:\u002F\u002Fgithub.com\u002Fzhougr1993\u002FDeepInterestNetwork\u002Fblob\u002Fmaster\u002Fdin\u002Fmodel.py)要提升0.2pp的auc：\n\n- dice中的predict的bn过程采取了训练集的期望方差\n- 在fc的过程中用了tf.tanh替代tf.sigmoid\u002Fdice\u002Fprule\n\n## Estimator框架模版\n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_72d54f4dbbc9.jpg)\n\n- data\n    - 数据构造\n    - DataMake.py\n        - 常规构造方法\n    - DeepFmDataMake.py\n        - DeepFM的数据构造\n    - TextCNNDataMake.py\n        - TextCNN的数据构造\n- model\n    - 模型框架\n        - DeepFM\n        - TextCNN\n- serving\n    - docker部署\n    - serving_grpc_client.py\n        - 调用serving服务\n\nEstimator框架重新写了DeepFm和TextCNN，总的来说，代码量差不多只是更加规范化了，以后建议以Estimator框架为模版开发。\n\n## Doc2Vector\n\n来自于[Distributed Representations of Sentences and Documents](https:\u002F\u002Fcs.stanford.edu\u002F~quocle\u002Fparagraph_vector.pdf)\n\n# 工具\n\n请参考：[requirements.txt](https:\u002F\u002Fgithub.com\u002Fsladesha\u002Fdeep_learning\u002Fblob\u002Fmaster\u002Frequirements.txt)\n\n# 其他\n- E-mail:stw386@sina.com","# 介绍\n非专业的自然语言处理和图像工程师，以及只负责调用TensorFlow库的“调包工程师”，如果你注重快速实现，那么，让我们一起做点有趣的事情吧！  \n本项目旨在将我在工程实践和学术研究中积累的一些深度学习思路和方法整理汇总起来：\n\n- 帮助深度学习初学者快速上手；  \n- 提供现有机器学习领域中一些新的方向和思路的梳理；  \n- 打破思维定式，激发创新灵感。  \n\n关于深度学习的入门级浅显介绍，可以参考[浅入浅出深度学习理论实践](http:\u002F\u002Fshataowei.com\u002F2018\u002F02\u002F07\u002F浅入浅出深度学习理论实践\u002F)。  \n\n关于深度学习在点击率预估中的应用，可以参考[yoho!buy注册概率预估](http:\u002F\u002Fshataowei.com\u002F2018\u002F03\u002F04\u002Fyoho!buy注册概率预估\u002F)。  \n\n关于深度学习在图像识别中的应用，可以参考[基于SSD的图像内容识别（一）](http:\u002F\u002Fshataowei.com\u002F2017\u002F12\u002F01\u002F基于SSD下的图像内容识别（一）\u002F)和[基于SSD的图像内容识别（二）](http:\u002F\u002Fshataowei.com\u002F2017\u002F12\u002F01\u002F基于SSD下的图像内容识别（二）\u002F)。  \n\n关于深度学习中目标向量化的方法，可以参考[深度学习下的电商商品推荐](http:\u002F\u002Fshataowei.com\u002F2017\u002F08\u002F19\u002F深度学习下的电商商品推荐\u002F)。  \n\n关于深度学习中多层感知机的应用，可以参考[基于TensorFlow实现多层感知机网络MLPs](http:\u002F\u002Fshataowei.com\u002F2018\u002F07\u002F25\u002F基于TensorFlow实现多层感知机网络MLPs\u002F)。  \n\n关于深度学习中DeepFM的应用，可以参考[基于TensorFlow实现DeepFM](http:\u002F\u002Fshataowei.com\u002F2018\u002F07\u002F30\u002F基于TensorFlow实现DeepFM\u002F)。  \n\n关于深度学习中用于YouTube推荐的深度神经网络，可以参考[利用DNN做推荐的实现过程总结](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F38638747)。  \n\n关于深度学习中RCNN_GRU的应用，由于时间原因未能撰写相关博客，深感抱歉。  \n\n关于深度学习中TextCNN的应用，同样因时间不足未能撰写相关博客，敬请谅解。  \n\n关于深度学习中Bert进行微调的代码（类似接口，具体实现会根据项目需求调整），我每次构建NLP基准模型时都会在此基础上修改，主要用于命名实体识别和分类任务。可以通过[Bert你需要知道的一些细节](https:\u002F\u002Fgithub.com\u002Fsladesha\u002FReflection_Summary\u002Ftree\u002Fmaster\u002F对外技术分享)快速了解相关内容。  \n\n关于深度学习中xDeepFM的应用，可以参考[xDeepFM架构理解及实现](http:\u002F\u002Fwww.shataowei.com\u002F2019\u002F12\u002F17\u002FxDeepFM架构理解及实现\u002F)。  \n\n关于深度学习中DeepInterestNetwork的应用，由于时间原因未能撰写相关博客，深表歉意。  \n\n关于深度学习中Estimator框架模板的介绍，主要有以下三点原因：  \n- 团队内部开发规范性较差，TensorFlow代码风格混乱，包括slim、Keras、contrib、graph等多种写法，难以维护；  \n- 代码逻辑不够清晰，变量和函数定义随意；  \n- 从Tornado服务迁移到Serving服务后，需要更频繁地更新代码，且要求代码结构简单易懂，无需频繁查阅各种TensorFlow接口。  \n\n关于深度学习中Doc2Vec的应用，可以参考[Distributed Representations of Sentences and Documents](https:\u002F\u002Fcs.stanford.edu\u002F~quocle\u002Fparagraph_vector.pdf)。  \n\n****\n\n# 项目\n## RNN_applied_classification  \n利用GRU提取用户行为的时序稀疏特征，并生成堆叠网络的初始层。  \n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_ae4db710af5c.jpeg)  \n\n## CNN_applied_classification  \n利用全连接层与CNN结合提取稀疏特征，生成堆叠网络的初始层。  \n\n**网络结构**  \n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_8832048ae308.jpeg)  \n\n## Wide & Deep  \n对Google推荐算法代码进行了修正。原始代码来自网络，但存在无法运行或流程不完整的问题。现提供修复后的代码示例，可直接复制使用。  \n\n**网络结构**  \n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_193d16c50bca.jpeg)  \n\n**注意**  \n在Linux环境下，使用tensorflow==1.0.0时会出现如下错误，而在MacBook环境下则不会出现此问题：  \n```python  \ndouble free or corruption (!prev): 0x0000000001f03dd0 ***  \n```  \n解决方法是将TensorFlow版本升级至1.6.0（其他版本未测试）。官方此前曾有人提出过[issue](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002F15848)，请大家留意！  \n\n## SSD_object_recognition  \n利用SSD直接实现物体区域检测。  \n\n**图片效果**  \n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_5e283a139710.png)  \n\n**视频链接**  \n[行人识别场景](https:\u002F\u002Fv.qq.com\u002Fx\u002Fpage\u002Fj05679xhryx.html)  \n[车辆识别场景](https:\u002F\u002Fv.qq.com\u002Fx\u002Fpage\u002Fa0567wd27jz.html)  \n\n## Word2vec_recommend  \n利用样本频率与Huffman树路径最大概率相结合的方法，实现特征向量化。  \n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_a6b7f3053704.png)  \n\n## MLPs  \n最简单的入门级神经网络算法。  \n![多层感知机网络](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_4a1cff588087.png)  \n\n## DeepFm  \n入门级别的CTR预测神经网络算法。  \n![DeepFM的网络结构图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_8edb1b904dc0.jpg)  \n\n可能感兴趣的其他相关内容：**[FM部分](https:\u002F\u002Fgithub.com\u002Fsladesha\u002Fmachine_learning\u002Ftree\u002Fmaster\u002FFM)**||**[FFM部分](https:\u002F\u002Fgithub.com\u002Fsladesha\u002Fmachine_learning\u002Ftree\u002Fmaster\u002FFFM)**  \n\n## Deep Neural Networks for YouTube Recommendations  \n最近在尝试实现Google YouTube团队于2016年9月发表在RecSys会议上的论文《Deep Neural Networks for YouTube Recommendations》中的用户个性化商品推荐。阅读了大量论文中的理论总结与分析，受益匪浅。我手动实现了一遍，并总结了一些实际工程中的经验，与大家分享。  \n![Deep Neural Networks for YouTube Recommendations](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_893c162c1cbc.png)  \n\nnormal_version：按照论文未修改的基线模型。  \nattention_version：在基线模型基础上增加了注意力机制（线性注意力\u002FRNN注意力）。  \nrecord_dataformat_version：在基线模型基础上利用record机制存储数据，以加快训练速度。  \n\n## RCNN_GRU  \n\n- RCNN_GRU\u002Fmodel：初始化模型的脚本。  \n- RCNN_GRU\u002Fprocess：数据预处理的脚本。  \n\n## TextCNN  \n\n![TextCNN](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_eb9add9f730f.jpg)  \n\n在进行**黄反广告**文本的识别时：  \n- 初版采用朴素贝叶斯+LR（召回率：72%，精确率：88%）；  \n- 优化版采用CBOW+LR（召回率：77%，精确率：88%）；  \n- 进阶版采用CBOW\u002FGLOVE+MLR（召回率：85%，精确率：91%）；  \n- 当前版本为\\[D2V,CBOW,GLOVE]+TextCNN（召回率：90%，精确率：92%）。  \n\n## Bert  \nBert+BiLSTM+Crf\u002FFNN，更多关于Bert的内容可以参考我的[ppt分享](https:\u002F\u002Fgithub.com\u002Fsladesha\u002FReflection_Summary\u002Ftree\u002Fmaster\u002F对外技术分享)。  \n\n## XDeepFM  \n\n**网络结构**  \n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_92594ae7b076.jpg)  \n\n主要对网络架构进行了梳理，后续项目结束后会将完整的工程代码开源。  \n\n## DeepInterestNetwork  \n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_8aae5f69167a.jpg)  \n\n与常见网络上的版本相比，有两个地方的修改，使得我们在实际使用中比[官方版本](https:\u002F\u002Fgithub.com\u002Fzhougr1993\u002FDeepInterestNetwork\u002Fblob\u002Fmaster\u002Fdin\u002Fmodel.py)的AUC提升了0.2个百分点：  \n- 在dice中的predict步骤中，采用了训练集的期望方差进行归一化；  \n- 在fc层中使用了tf.tanh替代tf.sigmoid\u002Fdice\u002Fprule。  \n\n## Estimator框架模版  \n\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_readme_72d54f4dbbc9.jpg)  \n\n- data  \n    - 数据构造  \n    - DataMake.py  \n        - 常规构造方法  \n    - DeepFmDataMake.py  \n        - DeepFM的数据构造  \n    - TextCNNDataMake.py  \n        - TextCNN的数据构造  \n- model  \n    - 模型框架  \n        - DeepFM  \n        - TextCNN  \n- serving  \n    - docker部署  \n    - serving_grpc_client.py  \n        - 调用Serving服务  \n\nEstimator框架重新实现了DeepFM和TextCNN，整体代码量变化不大，但更加规范化。今后建议以Estimator框架作为开发模板。  \n\n## Doc2Vector  \n\n源自[Distributed Representations of Sentences and Documents](https:\u002F\u002Fcs.stanford.edu\u002F~quocle\u002Fparagraph_vector.pdf)。  \n\n# 工具  \n\n请参考：[requirements.txt](https:\u002F\u002Fgithub.com\u002Fsladesha\u002Fdeep_learning\u002Fblob\u002Fmaster\u002Frequirements.txt)。  \n\n# 其他  \n- 邮箱：stw386@sina.com","# deep_learning 快速上手指南\n\n本指南旨在帮助非专业 NLP\u002F图像工程师及 TensorFlow 开发者快速上手，提供从入门到进阶的深度学习工程化实现思路与代码模版。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐) 或 macOS\n- **Python 版本**: 建议 Python 3.6+\n- **TensorFlow 版本**: \n  - 推荐 `tensorflow>=1.6.0`\n  - **注意**: 在 Linux 环境下，`tensorflow==1.0.0` 可能会报 `double free or corruption` 错误，请务必升级至 1.6.0 或更高版本。macOS 环境下 1.0.0 版本通常正常。\n\n### 前置依赖\n项目所需依赖包请参考官方 `requirements.txt`。国内用户建议使用清华源或阿里源加速安装。\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fsladesha\u002Fdeep_learning.git\n   cd deep_learning\n   ```\n\n2. **安装依赖**\n   推荐使用国内镜像源安装依赖：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   *若需单独指定 TensorFlow 版本（解决 Linux 报错问题）：*\n   ```bash\n   pip install tensorflow==1.6.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n本项目包含多个独立的算法模块，涵盖分类、推荐、识别等场景。以下是几个核心模块的快速启动示例：\n\n### 1. 运行基础神经网络 (MLPs \u002F DeepFM)\n适用于入门学习及 CTR 预估任务。\n```bash\n# 进入对应目录 (以 DeepFM 为例)\ncd DeepFm\n\n# 运行训练脚本 (具体脚本名请参考目录内文件，通常为 train.py 或 main.py)\npython train.py\n```\n*注：DeepFM 和 TextCNN 已重构为 Estimator 框架模版，代码更规范，适合生产环境参考。*\n\n### 2. 运行文本分类 (TextCNN)\n适用于黄反广告识别等文本分类任务。\n```bash\ncd TextCNN\n# 执行数据预处理\npython process_data.py\n# 启动训练\npython train.py\n```\n*效果参考：当前版本结合 [D2V, CBOW, GLOVE]+TextCNN 可实现 Recall 90%, Precision 92%。*\n\n### 3. 运行目标检测 (SSD)\n适用于图像内容识别。\n```bash\ncd SSD_object_recognition\n# 运行识别脚本\npython detect.py --input image.jpg\n```\n*支持图片及视频流输入，可参考项目中的行人及车辆识别演示。*\n\n### 4. 使用 Estimator 框架模版 (推荐)\n为了统一代码风格并便于部署，建议使用 `Estimator` 目录下的规范化代码。\n```bash\ncd Estimator框架模版\n\n# 数据构造示例\npython data\u002FDeepFmDataMake.py\n\n# 模型训练 (以 DeepFM 为例)\npython model\u002FDeepFM\u002Ftrain.py\n\n# 服务部署 (Docker\u002FgRPC)\npython serving\u002Fserving_grpc_client.py\n```\n\n### 5. Bert 微调 (NLP 基线)\n适用于 NER 和文本分类任务的快速基线构建。\n```bash\ncd Bert\n# 修改配置后直接运行，代码结构类似接口，可根据具体项目调整\npython run_classifier.py\n```\n\n> **提示**: 各子目录下通常包含 `model` (模型定义), `process` (数据处理) 等子文件夹，请根据具体算法文档调整输入数据路径。","某电商初创公司的算法团队急需构建一个商品点击率（CTR）预估系统，但团队成员多为非科班出身的工程师，缺乏深厚的深度学习理论背景。\n\n### 没有 deep_learning 时\n- **代码风格混乱难维护**：组内成员各自为战，TensorFlow 代码混杂了 Slim、Keras、Contrib 等多种写法，变量与函数定义随意，导致项目难以协作和迭代。\n- **复现经典模型成本高**：想要尝试 Google 的 Wide & Deep 或 YouTube 推荐算法时，网上源码往往无法直接运行或流程缺失，需耗费数周时间调试修复。\n- **入门门槛高且无指引**：面对 RNN、CNN、DeepFM 等复杂网络结构，新手缺乏从理论到工程的清晰路径，容易陷入思维禁锢，不知如何提取稀疏特征或构建 Stack 初始层。\n\n### 使用 deep_learning 后\n- **统一工程规范提效率**：直接采用项目中提供的 Estimator 框架模版，统一了代码风格与逻辑结构，无需频繁查阅底层接口，大幅降低了从开发到 Serving 服务的迁移成本。\n- **开箱即用的基线模型**：直接复用已修复并验证过的 Wide & Deep、DeepFM 及 YouTube DNN 代码，将原本数周的模型复现周期缩短至几天，快速产出可落地的推荐基线。\n- **思路清晰快速上手**：借助项目中关于行为时序特征提取（RNN_applied_classification）和图像识别（SSD）的整理笔记，团队成员能迅速理解网络架构设计思路，轻松解锁新的算法方向。\n\ndeep_learning 通过提供标准化的工程模版与经过实战验证的算法思路，帮助非专家型工程师打破了理论与实践的壁垒，实现了深度学习模型的快速落地与迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fnosuggest_deep_learning_aeeb9b1f.png","nosuggest","Jimmy Lee","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fnosuggest_4bd4d764.png","Mobile phone industry",null,"Singapore","https:\u002F\u002Fgithub.com\u002Fnosuggest",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,509,255,"2026-01-30T23:59:10","MIT","Linux, macOS","未说明（基于 TensorFlow 1.x，通常支持 CUDA，但 README 未指定具体型号或版本）","未说明",{"notes":95,"python":96,"dependencies":97},"1. 核心框架为 TensorFlow 1.x。在 Linux 环境下，tensorflow==1.0.0 会出现 'double free or corruption' 错误，必须升级到 1.6.0 或更高版本；macOS 环境下 1.0.0 可正常运行。\n2. 项目包含 Estimator 框架模版，旨在规范代码风格并便于迁移到 Serving 服务。\n3. 部分模块（如 Bert）提供的是微调模版和接口，需根据具体项目修改实现。\n4. 具体依赖列表请参考项目中的 requirements.txt 文件。","未说明（兼容 TensorFlow 1.0.0 - 1.6.0 的 Python 版本，通常为 2.7 或 3.5-3.6）",[98,99,100,101,102],"tensorflow==1.6.0 (推荐，Linux 下 1.0.0 有报错)","torch (未明确提及，但项目名为 deep_learning 且含多种模型，主要依赖为 TF)","numpy","pandas","scikit-learn",[26,14,13],"2026-03-27T02:49:30.150509","2026-04-06T06:44:44.221732",[],[]]