[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-onnx--onnx-tensorflow":3,"similar-onnx--onnx-tensorflow":127},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":9,"readme_en":10,"readme_zh":11,"quickstart_zh":12,"use_case_zh":13,"hero_image_url":14,"owner_login":15,"owner_name":16,"owner_avatar_url":17,"owner_bio":18,"owner_company":19,"owner_location":19,"owner_email":19,"owner_twitter":19,"owner_website":20,"owner_url":21,"languages":22,"stars":31,"forks":32,"last_commit_at":33,"license":34,"difficulty_score":35,"env_os":36,"env_gpu":37,"env_ram":38,"env_deps":39,"category_tags":46,"github_topics":48,"view_count":52,"oss_zip_url":19,"oss_zip_packed_at":19,"status":53,"created_at":54,"updated_at":55,"faqs":56,"releases":86},4776,"onnx\u002Fonnx-tensorflow","onnx-tensorflow","Tensorflow Backend for ONNX","onnx-tensorflow 是一个旨在打通 ONNX 与 TensorFlow 生态的开源桥梁。它的核心功能是将标准的 ONNX 机器学习模型转换为 TensorFlow 格式，或直接利用 TensorFlow 作为后端来运行 ONNX 模型，从而让用户能够在 TensorFlow 环境中无缝加载和执行由其他框架（如 PyTorch）导出的模型。\n\n这一工具主要解决了跨框架模型部署难、兼容性差的痛点。在异构开发场景中，研究人员往往需要在不同框架间迁移模型，onnx-tensorflow 通过“先转换后执行”或“直接后端推理”两种模式，消除了格式壁垒，简化了工作流。值得注意的是，该项目与 tf2onnx（负责将 TensorFlow 转为 ONNX）互为补充，共同构成了完整的双向转换方案。\n\n该工具特别适合需要在 TensorFlow 环境下复用现有 ONNX 模型的开发者、算法工程师及科研人员。其技术亮点在于提供了便捷的命令行接口（CLI）和 Python API，支持灵活的程序化调用；同时明确适配 TensorFlow 2.8.0 及以上版本，确保了与现代深度学习栈的兼容性。不过","onnx-tensorflow 是一个旨在打通 ONNX 与 TensorFlow 生态的开源桥梁。它的核心功能是将标准的 ONNX 机器学习模型转换为 TensorFlow 格式，或直接利用 TensorFlow 作为后端来运行 ONNX 模型，从而让用户能够在 TensorFlow 环境中无缝加载和执行由其他框架（如 PyTorch）导出的模型。\n\n这一工具主要解决了跨框架模型部署难、兼容性差的痛点。在异构开发场景中，研究人员往往需要在不同框架间迁移模型，onnx-tensorflow 通过“先转换后执行”或“直接后端推理”两种模式，消除了格式壁垒，简化了工作流。值得注意的是，该项目与 tf2onnx（负责将 TensorFlow 转为 ONNX）互为补充，共同构成了完整的双向转换方案。\n\n该工具特别适合需要在 TensorFlow 环境下复用现有 ONNX 模型的开发者、算法工程师及科研人员。其技术亮点在于提供了便捷的命令行接口（CLI）和 Python API，支持灵活的程序化调用；同时明确适配 TensorFlow 2.8.0 及以上版本，确保了与现代深度学习栈的兼容性。不过需要提醒的是，目前该仓库已不再积极维护并计划弃用，官方建议新用户关注并迁移至合并后的 tf-onnx 项目以获取持续支持。","# TensorFlow Backend for ONNX\n![Backend Test Status](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fworkflows\u002FBackend%20test\u002Fbadge.svg)\n![ModelZoo Test Status](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fworkflows\u002FModelZoo%20test\u002Fbadge.svg)\n\n### Note this repo is not actively maintained and will be deprecated. If you are interested in becoming the owner, please contact the ONNX Steering Committee (https:\u002F\u002Fgithub.com\u002Fonnx\u002Fsteering-committee).\n\n[Open Neural Network Exchange (ONNX)](https:\u002F\u002Fonnx.ai) is an open standard format for representing machine learning models. ONNX is supported by a community of partners who have implemented it in many frameworks and tools.\n\nTensorFlow Backend for ONNX makes it possible to use ONNX models as input for [TensorFlow](https:\u002F\u002Fwww.tensorflow.org). The ONNX model is first converted to a TensorFlow model and then delegated for execution on TensorFlow to produce the output.\n\nThis is one of the two TensorFlow converter projects which serve different purposes in the ONNX community:\n- [onnx-tensorflow](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow) converts ONNX models to Tensorflow\n- [tf2onnx](https:\u002F\u002Fgithub.com\u002Fonnx\u002Ftensorflow-onnx) converts Tensorflow models to ONNX\n\n## Converting Models from ONNX to TensorFlow\n\n### Use CLI\n\n[Command Line Interface Documentation](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002FCLI.md)\n\nFrom ONNX to TensorFlow: `onnx-tf convert -i \u002Fpath\u002Fto\u002Finput.onnx -o \u002Fpath\u002Fto\u002Foutput`\n\n### Convert Programmatically\n\n[From ONNX to TensorFlow](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fexample\u002Fonnx_to_tf.py)\n\n### Migrating from `onnx-tf` to `tf-onnx`\nWe have joined force with Microsoft to co-develop ONNX TensorFlow frontend.\nFor current onnx-tf frontend users, please migrate to use tf-onnx (https:\u002F\u002Fgithub.com\u002Fonnx\u002Ftensorflow-onnx) where our code had been merged into.\n\n## ONNX Model Inference with TensorFlow Backend\n```\nimport onnx\nfrom onnx_tf.backend import prepare\n\nonnx_model = onnx.load(\"input_path\")  # load onnx model\noutput = prepare(onnx_model).run(input)  # run the loaded model\n```\n\n## More Tutorials\n[Running an ONNX model using TensorFlow](https:\u002F\u002Fgithub.com\u002Fonnx\u002Ftutorials\u002Fblob\u002Fmaster\u002Ftutorials\u002FOnnxTensorflowImport.ipynb)\n\n## Production Installation\nONNX-TF requires ONNX (Open Neural Network Exchange) as an external dependency, for any issues related to ONNX installation, we refer our users to [ONNX project repository](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx) for documentation and help. Notably, please ensure that `protoc` is available if you plan to install ONNX via pip.\n\nThe specific ONNX release version that we support in the master branch of ONNX-TF can be found [here](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002FONNX_VERSION_NUMBER). This information about ONNX version requirement is automatically encoded in `setup.py`, therefore users needn't worry about ONNX version requirement when installing ONNX-TF.\n\nTo install the latest version of ONNX-TF via pip, run `pip install onnx-tf`.\n\nBecause users often have their own preferences for which variant of TensorFlow to install (i.e., a GPU version instead of a CPU version), we do not explicitly require tensorflow in the installation script. It is therefore users' responsibility to ensure that the proper variant of TensorFlow is available to ONNX-TF. Moreover, we require TensorFlow version == 2.8.0.\n\n## Development\n\n### Coverage Status\n[ONNX-TensorFlow Op Coverage Status](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002Fsupport_status.md)\n\n### API\n[ONNX-TensorFlow API](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002FAPI.md)\n\n### Installation\n- Install ONNX master branch from source.\n- Install TensorFlow >= 2.8.0, tensorflow-probability and tensorflow-addons. (Note TensorFlow 1.x is no longer supported)\n- Run `git clone https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow.git && cd onnx-tensorflow`.\n- Run `pip install -e .`.\n\n### Folder Structure\n- __onnx_tf__: main source code file.\n- __test__: test files.\n\n### Code Standard\n- Format code\n```\npip install yapf\nyapf -rip --style=\"{based_on_style: google, indent_width: 2}\" $FilePath$\n```\n- Install pylint\n```\npip install pylint\nwget -O \u002Ftmp\u002Fpylintrc https:\u002F\u002Fraw.githubusercontent.com\u002Ftensorflow\u002Ftensorflow\u002Fmaster\u002Ftensorflow\u002Ftools\u002Fci_build\u002Fpylintrc\n```\n- Check format\n```\npylint --rcfile=\u002Ftmp\u002Fpylintrc myfile.py\n```\n\n### Documentation Standard\n[Google Style Python Docstrings](http:\u002F\u002Fsphinxcontrib-napoleon.readthedocs.io\u002Fen\u002Flatest\u002Fexample_google.html)\n\n## Testing\n\n### Unit Tests\n\nTo perfom [unit tests](https:\u002F\u002Fdocs.python.org\u002F3\u002Flibrary\u002Funittest.html):\n\n```\npip install pytest tabulate\npython -m unittest discover test\n```\n\nNote: Only the ONNX backend tests found in [`test_onnx_backend.py`](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Ftest\u002Fbackend\u002Ftest_onnx_backend.py) require the `pytest` and `tabulate` packages.\n\nTesting requires significant hardware resources, but nonetheless, we highly recommend that users run through the complete test suite before deploying onnx-tf. The complete test suite typically takes between 15 and 45 minutes to complete, depending on hardware configurations.\n\n### Model Zoo Tests\n\nThe tests in [`test_modelzoo.py`](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Ftest\u002Ftest_modelzoo.py) verify whether the [ONNX Model Zoo](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels) models can be successfully validated against the ONNX specification and converted to a TensorFlow representation. Model inferencing on the converted model is not tested currently.\n\n#### Prerequisites\n\nThe model zoo uses [Git LFS (Large File Storage)](https:\u002F\u002Fgit-lfs.github.com\u002F) to store ONNX model files. Make sure that Git LFS is installed on your operating system.\n\n#### Running\n\nBy default, the tests assume that the model zoo repository has been cloned into this project directory. The model zoo directory is scanned for ONNX models. For each model found: download the model, convert the model to TensorFlow, generate a test status, and delete the model. By default, the generated test report is created in the system temporary directory. Run `python test\u002Ftest_modelzoo.py -h` for help on command line options.\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels\npython test\u002Ftest_modelzoo.py\n```\n\nTesting all models can take at least an hour to complete, depending on hardware configuration and model download times. If you expect to test some models frequently, we recommend using Git LFS to download those models before running the tests so the large files are cached locally.\n\n#### Reports\n\nWhen making code contributions, the model zoo tests are run when a commit is merged. Generated test reports are published on the [onnx-tensorflow wiki](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fwiki\u002FModelZoo-Status-(branch=master)).\n","# ONNX 的 TensorFlow 后端\n![后端测试状态](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fworkflows\u002FBackend%20test\u002Fbadge.svg)\n![ModelZoo 测试状态](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fworkflows\u002FModelZoo%20test\u002Fbadge.svg)\n\n### 注意：此仓库目前不再积极维护，并将被弃用。如果您有意成为其所有者，请联系 ONNX 指导委员会（https:\u002F\u002Fgithub.com\u002Fonnx\u002Fsteering-committee）。\n\n[开放神经网络交换格式（ONNX）](https:\u002F\u002Fonnx.ai) 是一种用于表示机器学习模型的开放标准格式。ONNX 得到了众多合作伙伴社区的支持，这些伙伴已在许多框架和工具中实现了对 ONNX 的支持。\n\nONNX 的 TensorFlow 后端使得可以将 ONNX 模型作为 [TensorFlow](https:\u002F\u002Fwww.tensorflow.org) 的输入。首先将 ONNX 模型转换为 TensorFlow 模型，然后将其委托给 TensorFlow 执行以生成输出。\n\n这是 ONNX 社区中服务于不同目的的两个 TensorFlow 转换器项目之一：\n- [onnx-tensorflow](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow) 将 ONNX 模型转换为 TensorFlow 模型\n- [tf2onnx](https:\u002F\u002Fgithub.com\u002Fonnx\u002Ftensorflow-onnx) 将 TensorFlow 模型转换为 ONNX 模型\n\n## 从 ONNX 到 TensorFlow 的模型转换\n\n### 使用命令行界面\n\n[命令行界面文档](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002FCLI.md)\n\n从 ONNX 到 TensorFlow：`onnx-tf convert -i \u002Fpath\u002Fto\u002Finput.onnx -o \u002Fpath\u002Fto\u002Foutput`\n\n### 以编程方式转换\n\n[从 ONNX 到 TensorFlow](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fexample\u002Fonnx_to_tf.py)\n\n### 从 `onnx-tf` 迁移到 `tf-onnx`\n我们已与微软合作共同开发 ONNX 的 TensorFlow 前端。对于当前使用 onnx-tf 前端的用户，请迁移至使用 tf-onnx (https:\u002F\u002Fgithub.com\u002Fonnx\u002Ftensorflow-onnx)，我们的代码已合并到其中。\n\n## 使用 TensorFlow 后端进行 ONNX 模型推理\n```python\nimport onnx\nfrom onnx_tf.backend import prepare\n\nonnx_model = onnx.load(\"input_path\")  # 加载 ONNX 模型\noutput = prepare(onnx_model).run(input)  # 运行加载的模型\n```\n\n## 更多教程\n[使用 TensorFlow 运行 ONNX 模型](https:\u002F\u002Fgithub.com\u002Fonnx\u002Ftutorials\u002Fblob\u002Fmaster\u002Ftutorials\u002FOnnxTensorflowImport.ipynb)\n\n## 生产环境安装\nONNX-TF 需要将 ONNX（开放神经网络交换格式）作为外部依赖项。如遇到 ONNX 安装相关问题，我们建议用户参考 [ONNX 项目仓库](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx) 获取文档和帮助。值得注意的是，如果您计划通过 pip 安装 ONNX，请确保 `protoc` 已可用。\n\n我们在 ONNX-TF 主分支中支持的具体 ONNX 发布版本号可在 [此处](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002FONNX_VERSION_NUMBER) 查看。关于 ONNX 版本要求的信息会自动编码在 `setup.py` 中，因此用户在安装 ONNX-TF 时无需担心 ONNX 版本兼容性问题。\n\n要通过 pip 安装最新版本的 ONNX-TF，请运行 `pip install onnx-tf`。\n\n由于用户通常偏好安装不同版本的 TensorFlow（例如 GPU 版本而非 CPU 版本），我们在安装脚本中并未明确要求安装 TensorFlow。因此，确保 ONNX-TF 可以使用正确版本的 TensorFlow 是用户的责任。此外，我们要求 TensorFlow 版本必须为 2.8.0。\n\n## 开发\n\n### 覆盖率状态\n[ONNX-TensorFlow 操作覆盖率状态](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002Fsupport_status.md)\n\n### API\n[ONNX-TensorFlow API](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002FAPI.md)\n\n### 安装\n- 从源码安装 ONNX 主分支。\n- 安装 TensorFlow >= 2.8.0、tensorflow-probability 和 tensorflow-addons。（注意：TensorFlow 1.x 已不再支持）\n- 运行 `git clone https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow.git && cd onnx-tensorflow`。\n- 运行 `pip install -e .`。\n\n### 文件夹结构\n- __onnx_tf__：主源代码文件。\n- __test__：测试文件。\n\n### 代码规范\n- 格式化代码\n```\npip install yapf\nyapf -rip --style=\"{based_on_style: google, indent_width: 2}\" $FilePath$\n```\n- 安装 pylint\n```\npip install pylint\nwget -O \u002Ftmp\u002Fpylintrc https:\u002F\u002Fraw.githubusercontent.com\u002Ftensorflow\u002Ftensorflow\u002Fmaster\u002Ftensorflow\u002Ftools\u002Fci_build\u002Fpylintrc\n```\n- 检查格式\n```\npylint --rcfile=\u002Ftmp\u002Fpylintrc myfile.py\n```\n\n### 文档规范\n[Google 风格的 Python 文档字符串](http:\u002F\u002Fsphinxcontrib-napoleon.readthedocs.io\u002Fen\u002Flatest\u002Fexample_google.html)\n\n## 测试\n\n### 单元测试\n\n要执行 [单元测试](https:\u002F\u002Fdocs.python.org\u002F3\u002Flibrary\u002Funittest.html)：\n\n```\npip install pytest tabulate\npython -m unittest discover test\n```\n\n注意：只有位于 [`test_onnx_backend.py`](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Ftest\u002Fbackend\u002Ftest_onnx_backend.py) 中的 ONNX 后端测试需要 `pytest` 和 `tabulate` 包。\n\n测试需要大量的硬件资源，但我们仍然强烈建议用户在部署 onnx-tf 之前先运行完整的测试套件。根据硬件配置的不同，完整测试套件通常需要 15 到 45 分钟才能完成。\n\n### Model Zoo 测试\n\n位于 [`test_modelzoo.py`](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Ftest\u002Ftest_modelzoo.py) 中的测试用于验证 [ONNX Model Zoo](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels) 中的模型是否能够成功通过 ONNX 规范的验证，并被转换为 TensorFlow 表示形式。目前尚未对转换后的模型进行推理测试。\n\n#### 先决条件\n\nModel Zoo 使用 [Git LFS（大文件存储）](https:\u002F\u002Fgit-lfs.github.com\u002F) 来存储 ONNX 模型文件。请确保您的操作系统上已安装 Git LFS。\n\n#### 运行\n\n默认情况下，测试假设 Model Zoo 仓库已被克隆到该项目目录中。系统会扫描 Model Zoo 目录以查找 ONNX 模型。对于每个找到的模型：下载该模型，将其转换为 TensorFlow 格式，生成测试状态，并删除该模型。默认情况下，生成的测试报告会保存在系统的临时目录中。运行 `python test\u002Ftest_modelzoo.py -h` 以获取命令行选项的帮助。\n\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fonnx\u002Fmodels\npython test\u002Ftest_modelzoo.py\n```\n\n测试所有模型可能需要至少一个小时，具体时间取决于硬件配置和模型下载速度。如果您预计会频繁测试某些模型，我们建议您在运行测试之前先使用 Git LFS 下载这些模型，以便将大文件缓存在本地。\n\n#### 报告\n\n在进行代码贡献时，每当有提交合并时，都会运行 Model Zoo 测试。生成的测试报告会发布在 [onnx-tensorflow wiki](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fwiki\u002FModelZoo-Status-(branch=master)) 上。","# onnx-tensorflow 快速上手指南\n\n> **⚠️ 重要提示**：该仓库目前**不再积极维护**，即将被弃用。如果您是新用户，建议优先考虑迁移至 [tf2onnx](https:\u002F\u002Fgithub.com\u002Fonnx\u002Ftensorflow-onnx) 或其他活跃项目。如需成为该项目维护者，请联系 ONNX 指导委员会。\n\n## 1. 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**：推荐 Python 3.x\n*   **核心依赖**：\n    *   **ONNX**：需预先安装。若通过 pip 安装 ONNX，请确保系统已安装 `protoc` 编译器。\n    *   **TensorFlow**：**必须严格等于 2.8.0 版本** (`tensorflow==2.8.0`)。不支持 TensorFlow 1.x 或其他 2.x 版本。\n    *   **其他库**：`tensorflow-probability`, `tensorflow-addons`。\n*   **可选工具**（用于开发或完整测试）：\n    *   `Git LFS`：运行 Model Zoo 测试时需要。\n    *   `pytest`, `tabulate`：运行部分单元测试时需要。\n\n> 💡 **国内加速建议**：安装依赖时推荐使用国内镜像源以提升下载速度。\n> 例如使用清华源：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 2. 安装步骤\n\n### 方式一：通过 Pip 安装（推荐生产环境）\n\n这是最简单的安装方式。请注意，安装脚本**不会自动安装 TensorFlow**，您需要手动确保环境中已存在正确版本的 TensorFlow。\n\n```bash\n# 1. 手动安装指定版本的 TensorFlow 及其他依赖\npip install tensorflow==2.8.0 tensorflow-probability tensorflow-addons\n\n# 2. 安装 onnx-tf\npip install onnx-tf\n```\n\n### 方式二：从源码安装（推荐开发环境）\n\n如果您需要修改代码或使用最新特性，可以从 GitHub 克隆源码进行安装。\n\n```bash\n# 1. 确保已安装 ONNX (从源码或 pip) 和 TensorFlow 2.8.0\n\n# 2. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow.git\ncd onnx-tensorflow\n\n# 3. 以可编辑模式安装\npip install -e .\n```\n\n## 3. 基本使用\n\nonnx-tensorflow 主要用于将 ONNX 模型转换为 TensorFlow 模型，或直接使用 TensorFlow 后端推理 ONNX 模型。\n\n### 场景一：命令行转换 (CLI)\n\n将 `.onnx` 模型文件转换为 TensorFlow 格式（SavedModel）。\n\n```bash\nonnx-tf convert -i \u002Fpath\u002Fto\u002Finput.onnx -o \u002Fpath\u002Fto\u002Foutput\n```\n\n### 场景二：Python 代码推理\n\n直接在 Python 中加载 ONNX 模型并使用 TensorFlow 后端进行推理，无需显式保存中间文件。\n\n```python\nimport onnx\nfrom onnx_tf.backend import prepare\n\n# 加载 ONNX 模型\nonnx_model = onnx.load(\"input_path\") \n\n# 准备后端并运行推理 (input 为符合模型要求的输入数据)\noutput = prepare(onnx_model).run(input) \n```\n\n### 场景三：编程式转换\n\n如果您需要在代码中执行转换逻辑，可参考官方示例：\n[From ONNX to TensorFlow Example](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fexample\u002Fonnx_to_tf.py)","某医疗影像实验室需要将合作伙伴基于 PyTorch 训练并导出为 ONNX 格式的肿瘤检测模型，集成到自身基于 TensorFlow 2.8 构建的旧版诊断系统中。\n\n### 没有 onnx-tensorflow 时\n- **框架壁垒导致重构成本高**：由于系统仅支持 TensorFlow 格式，团队不得不寻找原始代码重新训练，或手动逐层重写网络结构，耗时数周且易引入误差。\n- **推理引擎不兼容**：现有的高性能 TensorFlow Serving 服务无法直接加载 ONNX 文件，导致新模型只能以低效的 Python 脚本形式离线运行，无法满足实时诊断需求。\n- **算子映射复杂**：开发人员需自行研究 ONNX 与 TensorFlow 之间的算子对应关系，编写繁琐的转换脚本，极易因版本差异导致模型推理结果不一致。\n- **维护两套技术栈**：团队被迫同时维护 PyTorch 和 TensorFlow 两套推理环境，增加了服务器资源消耗和运维复杂度。\n\n### 使用 onnx-tensorflow 后\n- **一键格式转换**：通过 `onnx-tf convert` 命令或几行 Python 代码，即可将 ONNX 模型无缝转换为原生 TensorFlow 模型，迁移工作从数周缩短至几分钟。\n- **复用现有基础设施**：转换后的模型可直接部署在原有的 TensorFlow Serving 集群上，立即获得 GPU 加速能力和高并发支持，实现实时影像分析。\n- **自动算子对齐**：onnx-tensorflow 自动处理了绝大多数算子的映射逻辑，确保了转换前后模型输出精度高度一致，消除了人工校对的风险。\n- **统一技术生态**：成功将外部模型纳入统一的 TensorFlow 技术栈，团队只需维护一套推理服务，显著降低了长期运营成本。\n\nonnx-tensorflow 打破了框架间的孤岛效应，让跨平台的模型复用变得像本地调用一样简单高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fonnx_onnx-tensorflow_0b7f9947.png","onnx","Open Neural Network Exchange","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fonnx_e2e75b88.png","ONNX is an open ecosystem for interoperable AI models. It's a community project: we welcome your contributions!",null,"https:\u002F\u002Fonnx.ai","https:\u002F\u002Fgithub.com\u002Fonnx",[23,27],{"name":24,"color":25,"percentage":26},"Python","#3572A5",99.8,{"name":28,"color":29,"percentage":30},"Shell","#89e051",0.2,1324,299,"2026-03-23T18:32:28","NOASSERTION",4,"未说明","非必需。用户需自行安装所需的 TensorFlow 变体（CPU 或 GPU 版本）。若使用 GPU，具体显卡型号、显存及 CUDA 版本取决于所安装的 TensorFlow 版本要求，文中未指定。","未说明（注：运行完整测试套件需要显著的硬件资源）",{"notes":40,"python":36,"dependencies":41},"1. 该仓库目前已不再积极维护并将被弃用，建议用户迁移至 tf-onnx (tensorflow-onnx) 项目。\n2. 必须严格使用 TensorFlow 2.8.0 版本，不支持 TensorFlow 1.x。\n3. 安装脚本不自动安装 TensorFlow，用户需根据自身需求（CPU 或 GPU）预先安装正确版本的 TensorFlow。\n4. 若通过 pip 安装 ONNX，需确保系统已安装 protoc 工具。\n5. 运行完整测试套件可能需要 15 到 45 分钟，模型库测试可能需要至少 1 小时，对硬件资源要求较高。",[15,42,43,44,45],"tensorflow==2.8.0","tensorflow-probability","tensorflow-addons","protoc (安装 ONNX 时需要)",[47],"开发框架",[49,50,51,15],"deep-neural-networks","deep-learning","tensorflow",2,"ready","2026-03-27T02:49:30.150509","2026-04-07T09:50:08.131340",[57,62,67,72,77,82],{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},21691,"为什么在将 ONNX 模型转换为 TensorFlow 时会出现数据类型不匹配的错误（例如期望 int32\u002Fint64 却得到 float32）？","这通常是因为 PyTorch 模型中的 LongTensor（int64）在转换为 ONNX 后，onnx-tensorflow 后端可能将其错误地处理为 float 类型。如果遇到此类 TypeError，请检查网络结构中输入张量的数据类型。虽然代码中尝试通过 data_type.onnx2tf 进行转换，但某些情况下初始化器（initializer）的类型可能被强制统一。建议详细检查 ONNX 图中相关算子（如 Gather, Slice）的输入名称和形状是否匹配，并确认原始 PyTorch 模型的参数类型。如果问题持续，需提供具体的错误日志和模型结构以便进一步排查是否为转换 bug。","https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fissues\u002F293",{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},21692,"如何强制 onnx-tensorflow 使用 NCHW 格式以避免生成大量的 Transpose 操作？","目前 onnx-tensorflow 尚无法在整个模型范围内完全将 NCHW 转换为 NHWC 从而避免所有的 Transpose 操作。维护者正在与 ONNX 核心社区合作，希望在规范中添加可选的 NHWC 数据格式支持。如果你需要完全的 NHWC 格式支持，可以考虑使用其他转换工具，例如先将 ONNX 模型转换为 Keras 模型（参考项目：https:\u002F\u002Fgithub.com\u002FwaltYeh\u002Fonnx2keras），该转换器允许更灵活的数据格式排序变更。","https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fissues\u002F31",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},21693,"转换包含自定义算子（如 _DCNv2）的 ONNX 模型时报错\"BackendIsNotSuppliedToImplementIt\"怎么办？","当遇到自定义算子未实现的错误时，通常需要用户自行定义该算子在 TensorFlow 后端的实现。你需要分享或编写该自定义算子（如 _DCNv2）的具体定义和处理逻辑。一旦正确实现了自定义算子的后端处理器，转换即可成功。社区中有用户通过补充自定义算子实现解决了此类问题。","https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fissues\u002F944",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},21694,"导入 onnx_tf.backend 时出现\"AttributeError: module 'tensorflow' has no attribute 'ceil'\"错误如何解决？","此错误通常是由于 TensorFlow 版本不兼容导致的。在 TensorFlow 2.x 的某些版本中，API 发生了变化（例如 tf.ceil 的位置或存在性）。请确保你使用的 onnx-tensorflow 版本与安装的 TensorFlow 版本相匹配。建议查阅 onnx-tensorflow 官方文档中的支持状态表（support_status），确认当前组合是否受支持。如果使用的是较新的 TensorFlow 版本，可能需要升级 onnx-tensorflow 到最新版，或者降级 TensorFlow 到受支持的版本（如 TF 1.x 或特定的 TF 2.x 版本）。","https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fissues\u002F454",{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},21695,"使用 onnx-tensorflow 运行 GoogLeNet 等模型时速度非常慢，比原生实现慢很多，该如何优化？","性能下降可能与图优化设置有关。尝试在 prepare 函数中设置 strict=False 参数，但这在某些版本中可能无效。此外，性能差异也可能源于 TensorFlow 后端生成的图结构不够优化（例如过多的转置操作或未融合的算子）。建议检查 ONNX-TF 和 TensorFlow 的版本兼容性，并尝试更新到最新版本以获取性能修复。如果问题依旧，可能需要分析生成的 TensorFlow 图，查看是否存在冗余操作，或考虑使用 TensorRT 等推理加速后端。","https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fissues\u002F271",{"id":83,"question_zh":84,"answer_zh":85,"source_url":76},21696,"遇到 Resize 算子的 coordinate_transformation_mode=\"pytorch_half_pixel\"不支持的问题有解决办法吗？","这是一个已知的限制。目前在 onnx-tensorflow 中对 Resize 算子的某些模式（如 pytorch_half_pixel）支持有限。建议查看官方文档中的支持状态列表（doc\u002Fsupport_status_v1_7_0.md）。变通方法是尝试在导出 ONNX 模型时更改 Resize 的属性，使用受支持的 coordinate_transformation_mode（如 align_corners 或 half_pixel）。如果必须使用该模式，欢迎社区贡献代码来实现从 PyTorch 半像素模式到 TensorFlow 实现的转换逻辑。",[87,92,97,102,107,112,117,122],{"id":88,"version":89,"summary_zh":90,"released_at":91},127728,"v1.10.0","自 v1.9.0 版本发布以来的主要变更和更新：\n\n支持 ONNX opset 15\n\n    所有 opset 15 中的算子均已完全或部分支持，详情请参阅 support_status_v1_10_0.md。\n\nTensorFlow 更新\n\n    支持的 TensorFlow 版本已更新至 2.8.0。\n\n错误修复\n\n    包含多项错误修复。","2022-03-17T15:41:40",{"id":93,"version":94,"summary_zh":95,"released_at":96},127729,"v1.9.0","# 更改日志\n自 v1.8.0 版本发布以来的主要更改和更新：\n\n**支持 ONNX opset 14**\n* 所有 opset 14 中的算子均已完全或部分支持，详情请参阅 support_status_v1_9_0.md。\n\n**TensorFlow 更新**\n* 支持的 TensorFlow 版本已更新至 2.6.0。\n\n**Python 更新**\n* 支持的 Python 版本已更新为 3.8 和 3.9。\n\n**支持加载包含外部数据的 ONNX 模型**\n* 现在支持加载包含外部数据的 ONNX 模型。详情请参阅\n[命令行界面文档](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002FCLI.md)。\n\n**错误修复**\n* 包含多项错误修复。","2021-08-24T01:08:35",{"id":98,"version":99,"summary_zh":100,"released_at":101},127730,"v1.8.0","# 变更日志\n自 v1.7.0 版本发布以来的主要变更和更新：\n\n**支持 ONNX opset 13**\n* 除训练操作外，所有 opset 13 操作均已支持。详情请参阅 support_status_v1_8_0.md。\n\n**模型库验证**\n* 现在在 CI 中运行模型库的转换和推理验证。\n* 验证结果已发布到 Wiki：https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fwiki\u002FModelZoo-Status-(branch=master)\n\n**基于推理图的训练及示例**\n* 我们新增了一种训练选项，允许仅基于推理图在 TensorFlow 中训练 ONNX 模型。\n* 几个示例已在 https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fexample\u002Ftrain_onnx_model.py 中提供。\n\n**CI 更新**\n* 将 CI 从 Travis 迁移到 GitHub Actions。\n* 新增了针对所有 ONNX 模型库模型的自动化测试。\n\n**特别说明**\n* 自 ONNX-TF 1.8.0 起，不再支持 TensorFlow 1.x。","2021-04-13T21:29:45",{"id":103,"version":104,"summary_zh":105,"released_at":106},127731,"v1.7.0","# 更改日志\n自 v1.6.0 版本发布以来的主要更改和更新：\n\n**以 SavedModel 格式导出模型**\n* API：“onnx_tf.backend_rep.TensorflowRep.export_graph” 和 CLI：“convert” 将创建一个 TensorFlow SavedModel，供用户在 TensorFlow 中部署。\n\n**自动数据类型转换，以支持 TensorFlow 原生不支持的数据类型**\n* 用户可以在 API：“onnx_tf.backend.prepare” 或 CLI：“convert” 中设置 auto_cast=True，以启用此自动类型转换功能。\n\n**根据用户输入将模型转换为在 GPU 或 CPU 环境中运行**\n* 用户可以在 API：“onnx_tf.backend.prepare” 或 CLI：“convert” 中设置 device=’CPU’（默认）或 device=’CUDA’，以指定模型推理的运行环境。\n\n**支持 Opset 12 运算符**\n* 除训练运算符外，所有 Opset 12 运算符均受支持。详情请参阅 support_status_v1_7_0.md 文件。\n\n**使用 tf.function（在 tf-2.x 中推荐）而非 tf.Graph（在 tf-2.x 中已弃用）来创建计算图**\n* 使用 tf.Module 作为转换后模型的基类。\n* 使用 tf.function 自动生成计算图。\n\n**定义模板以与其他后端的推理结果进行比较**\n* 为 MNIST 模型添加了逐层测试，用于将推理结果与 ONNX Runtime 进行比较。\n\n**更新 CI**\n* 将 Travis CI 从 travis.org 迁移到 travis.com。\n* 更新 CI 配置，使其跳过不支持的运算符，并允许在与 ONNX 最新 master 分支对比时出现失败。","2020-11-24T18:06:16",{"id":108,"version":109,"summary_zh":110,"released_at":111},127732,"v1.6.0","# 更改日志\n自 v1.5.0 版本发布以来的主要更改和更新：\n\n**支持 TensorFlow 2.x 和 1.15**\n* 对于生产环境，请使用 onnx-tf PyPI 包进行 TensorFlow 2.x 转换；对于 TensorFlow 1.15 转换，请使用标签 v1.6.0-tf-1.15 从源代码构建包。\n* 对于开发环境，请使用 master 分支进行 TensorFlow 2.x 转换，使用 tf-1.x 分支进行 TensorFlow 1.15 转换。\n* tf-1.x 分支适用于暂时无法升级到 TensorFlow 2.x 的用户。该分支将仅支持至 ONNX OpSet 12 的算子。如果需要使用 OpSet 13 或更高版本中的算子，请将 TensorFlow 升级至 2.x，并使用本仓库的 master 分支。自 2021 年 1 月 1 日起，该分支将进入仅维护模式，此后将不再在此分支中添加新功能。\n\n**支持动态形状输入**\n* 添加了 test_dynamic_shape.py 文件，用于验证处理程序能够正确处理动态形状输入。\n\n**支持 OpSet 11 算子**\n* 有关所有受支持的 OpSet 11 算子，请参阅 [support_status_v1_6_0.md](https:\u002F\u002Fgithub.com\u002Fonnx\u002Fonnx-tensorflow\u002Fblob\u002Fmaster\u002Fdoc\u002Fsupport_status_v1_6_0.md)。\n\n**已弃用 Python 2.7 支持**","2020-07-23T22:44:14",{"id":113,"version":114,"summary_zh":115,"released_at":116},127733,"v1.2.0","这是一个增量发布。\n\na575d140fa09e20f7e068bf20e3d04a8b40d62d3 更新 VERSION_NUMBER (#263)\n3ec63747373d7d57a22f2da976cab2e37eb3a686 将一条调试“错误”信息改为警告信息 (#260)\n08cf38f4edde2ec1a2424647c685f03755dc8910 添加 ConstantLike (#255)\nb2ee58087ca956c84ede77b06319e19084739a2e 添加 Less v9 (#256)\n416a16a753cd1f0987dea3627907d7db67e0c7a7 前端模型测试 (#252)\n2ae92232074e9849ed0292542451ad6b9edf24ee 修复 Python 3 问题及断开的节点 (#248)\na365d266c0896f3b787ee373de4d0b7464a4797d 更新 data_type.py (#245)\n8cb530f3cff7e2caf335d80c6ffee984507cc11b 修改 onnx-tf 在 ONNX 规范未涉及的特殊情况下的行为 (#247)\n7162525391f0f6618d3e329856f6a16095235d32 修复 bias_add 的广播问题 (#243)\n16bc0b2595cb548581c6d020dabff9d2aed89109 向后端添加 mvn (#241)\nb91cba30b3d218cde15102bf0efaa0bd2bcedab0 向前端添加 pack 和 unpack (#236)\n53e3bbb3f0d4ea452fced75880776beba86ddc3f 更新 data_type.py (#238)\n4d3836fdc704e815150dab6d720546c3b1d2626d 添加 expand 支持 (#234)\ne1bca5418cfd1f578f16a935a2c65b0a667cd4af 支持 max_pool_with_argmax v8 (#228)\n2e1e72a5c67fc9f9a8f8dcd3e178fdba411d5090 `rnn_cell_bw` 已经是一个数组 (#225)\ndfc6f01fcb6aa2a967de4e5edc9371818af1fc1a 修复转置卷积的后端实现 (#223)\n1e3209b0cc2849fde18cbf8e49f441a801fdbe8d 支持 min\u002Fmax\u002Fmean\u002Fsum v8 后端 (#221)\n317d70b763ba91a3eb2e017c2783beb9ff4b3b32 修复 unsqueeze 的后端实现 (#220)\nfa6d4e6a31e776e7774fb6e8eee5bb48766c1d3a 向 README.md 添加 yapf (#218)\naa02ddb92fc4bdb8313fb97de4c9db720b2af8f9 向后端添加 imagescaler 支持 (#215)\n1a073323be2a250cfa679c84a60fadb424d32287 修复 dropout (#217)\n8d19f27aaae593505bf9b9e7d16e5dc4ada3c5bf 强制在 bn v7 中使用测试模式 (#216)\nce795a6da1a8aa919adbdb9bb4f5087d1a703670 向前端添加 slice 支持 (#214)\n00061329adc996f080163cae5ecaa0dd6748e6c3 启用非严格模式 (#212)\naf772aa064e5be93bf50e2a91dba7b5b498b6b46 进行一些遗留问题的修复 (#210)\n486d98928289c88b2c696962a2d53a4ea2e307f6 对后端进行重构 (#205)\n1c0519709b374a9233351de2e1045d078b1f20bc 支持多输出 (#204)\n56909578be55e6e52abc2f805529266a0cd0fe50 使用 usr defs.ONNX_DOMAIN 代替 (#206)\n26189e9a3b1c5098051cf632544de21b228eb9ca 实现未完成的异常域支持 (#198)\nd20d3d7327f0fb5e13c347ddb06fceef280fcdda 添加实例归一化 (#202)\nb9b8014deb2b618e303d3d6ee56fe4cb326c9035 修复破坏向后兼容性的错误 (#201)\nc5819fa7304b647e1ca42f0877ac452319009bea 更新 batch_normalization.py (#200)\nd277098438f18f23024d16609b0f04fabaed0327 更新 math_mixin.py (#199)\nd6ac8b8fe619f6c17bf0ca32b12b363a6718ee20 向 API 添加优化器参数 (#196)\n5a21983e51ca185fe4bc365bcd7e7a70b77be635 新增 make node API (#197)\n516e986ec7521ff2b7ca108394590581bd7a5066 支持版本 7 (#193)\ncd8a48ba8fa344fdd2d2439eee999d70833bde05 简化 get_tf_pad，并在 count_include_pad 为 1 时使用原生池化操作 (#186)\n4cd611a3de9160d0bc50f9d5eccdcebe4ce29952 修复 conv 和 identity (#195)\nde00b46c16e5e5ea9507e81eac156a1701034e98 添加 cast v","2018-10-01T04:49:07",{"id":118,"version":119,"summary_zh":120,"released_at":121},127734,"v1.1.2","此版本是对 #189 中描述的 pip 安装问题的热修复。\n\n91740b7 在 PyPI 发布包中包含 VERSION_NUMBER 和 ONNX_VERSION_NUMBER (#189)\ncd3768e 在前端添加 SpaceToDepth 操作 (#183)\n02f5001 处理 reshape 的 shape 参数中 dim_size==0 的情况 (#187)\n3e63cdc 移除 maxpool v7 (#182)\n2695db6 支持在池化操作中计算包含填充的输出尺寸 (#172)\n3a4deb9 尽可能使用原生池化操作 (#171)","2018-05-22T16:54:09",{"id":123,"version":124,"summary_zh":125,"released_at":126},127735,"v1.1.1","此版本包含一个重要补丁，以确保现有的 ONNX 发布版本能够与 ONNX-TF 兼容。在此版本之前，可能不存在与 ONNX-TF 兼容的 ONNX 发布版本。\n\n2ac0530 修复在 Python 2 中类型为 long 的 opset 不被识别为整数的问题 (#181)\n8400226 在图中作为输出时保留 proto (#177)\n01d4f43 更新 README.md (#180)\n593851c 添加形状测试用例并重构 (#178)\ne00b2be 移除 out_type 属性 (#176)\n5537985 修复 value_info 不兼容问题 (#179)\n10f2f23 将非主分支版本的 onnx 添加到 Travis CI (#174)\n4ff9572 添加用于创建错误报告的工具 (#170)\n30a1092 更新 issue 模板 (#169)\n121e360 添加 fill 前端支持 (#166)\nd2ac24d 将推断形状功能添加到 GraphDef (#162)\n288bfb2 将 ceil、exp、floor、log、logsoftmax 添加到前端 (#165)","2018-05-17T19:48:32",[128,140,148,157,165,174],{"id":129,"name":130,"github_repo":131,"description_zh":132,"stars":133,"difficulty_score":134,"last_commit_at":135,"category_tags":136,"status":53},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",[137,47,138,139],"Agent","图像","数据工具",{"id":141,"name":142,"github_repo":143,"description_zh":144,"stars":145,"difficulty_score":134,"last_commit_at":146,"category_tags":147,"status":53},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",[47,138,137],{"id":149,"name":150,"github_repo":151,"description_zh":152,"stars":153,"difficulty_score":52,"last_commit_at":154,"category_tags":155,"status":53},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",142651,"2026-04-06T23:34:12",[47,137,156],"语言模型",{"id":158,"name":159,"github_repo":160,"description_zh":161,"stars":162,"difficulty_score":52,"last_commit_at":163,"category_tags":164,"status":53},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。",107888,"2026-04-06T11:32:50",[47,138,137],{"id":166,"name":167,"github_repo":168,"description_zh":169,"stars":170,"difficulty_score":52,"last_commit_at":171,"category_tags":172,"status":53},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",[173,47],"插件",{"id":175,"name":176,"github_repo":177,"description_zh":178,"stars":179,"difficulty_score":134,"last_commit_at":180,"category_tags":181,"status":53},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[156,138,137,47]]