[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-patrickloeber--pytorchTutorial":3,"tool-patrickloeber--pytorchTutorial":61},[4,18,28,36,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"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":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"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",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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",[27,13,15,14],{"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":77,"owner_email":77,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":97,"github_topics":77,"view_count":24,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":136},9894,"patrickloeber\u002FpytorchTutorial","pytorchTutorial","PyTorch Tutorials from my YouTube channel","pytorchTutorial 是一套专为 PyTorch 初学者打造的免费视频教程系列，源自 YouTube 频道。它系统地解决了新手在进入深度学习领域时面临的“入门难、环境配置复杂、核心概念抽象”等痛点。通过从基础安装到高级实战的循序渐进式讲解，帮助学习者快速构建完整的知识体系。\n\n这套教程非常适合零基础的开发者、高校学生以及对人工智能感兴趣的研究人员使用。无论你是否具备编程背景，都能跟随视频节奏，从零开始掌握 PyTorch 的核心用法。内容涵盖张量操作、自动求导（Autograd）、反向传播原理、梯度下降算法等理论基础，并深入讲解了线性回归、逻辑回归、卷积神经网络（CNN）及迁移学习等经典模型的构建与训练流程。\n\n其独特的技术亮点在于将复杂的理论拆解为直观的代码实战，特别强调了数据加载（Dataset & DataLoader）、模型保存与加载、以及使用 Tensorboard 进行可视化监控等工程化细节。通过 17 节精炼的课程，用户不仅能理解算法背后的数学逻辑，更能亲手写出可运行的深度学习代码，是开启 PyTorch 之旅的理想起点。","PyTorch Beginner Tutorials from my YouTube channel.\n\n## Watch the Playlist\n  [![Alt text](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpatrickloeber_pytorchTutorial_readme_52e9118f7c86.jpg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=EMXfZB8FVUA&list=PLqnslRFeH2UrcDBWF5mfPGpqQDSta6VK4)\n  \n  1. Installation\n  2. Tensor Basics\n  3. Autograd\n  4. Backpropagation\n  5. Gradient Descent With Autograd and Backpropagation\n  6. Training Pipeline: Model, Loss, and Optimizer\n  7. Linear Regression\n  8. Logistic Regression\n  9. Dataset and DataLoader\n  10. Dataset Transforms\n  11. Softmax And Cross Entropy\n  12. Activation Functions\n  13. Feed-Forward Neural Net\n  14. Convolutional Neural Net (CNN)\n  15. Transfer Learning\n  16. Tensorboard\n  17. Save and Load Models\n","来自我 YouTube 频道的 PyTorch 初学者教程。\n\n## 观看播放列表\n  [![替代文本](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpatrickloeber_pytorchTutorial_readme_52e9118f7c86.jpg)](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=EMXfZB8FVUA&list=PLqnslRFeH2UrcDBWF5mfPGpqQDSta6VK4)\n  \n  1. 安装\n  2. 张量基础\n  3. 自动求导\n  4. 反向传播\n  5. 使用自动求导和反向传播的梯度下降\n  6. 训练流程：模型、损失函数和优化器\n  7. 线性回归\n  8. 逻辑回归\n  9. 数据集与数据加载器\n  10. 数据集变换\n  11. Softmax 与交叉熵\n  12. 激活函数\n  13. 前馈神经网络\n  14. 卷积神经网络 (CNN)\n  15. 迁移学习\n  16. TensorBoard\n  17. 保存和加载模型","# PyTorch 新手教程快速上手指南\n\n本指南基于 Aladdin Persson 的 PyTorch 入门系列教程整理，旨在帮助中国开发者快速搭建环境并掌握核心概念。\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**：Windows, macOS 或 Linux\n*   **Python 版本**：推荐 Python 3.8 - 3.10\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `conda` (可选，推荐使用 Anaconda 或 Miniconda 进行环境隔离)\n    *   NVIDIA GPU 及驱动 (可选，用于加速训练，若仅学习基础可跳过)\n\n> **提示**：国内用户建议配置清华源或阿里源以加速包下载。\n\n## 安装步骤\n\n### 方案一：使用 pip 安装（推荐国内镜像）\n\n直接使用清华大学开源软件镜像站安装 PyTorch CPU 版本（适合初学者）：\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n若需安装支持 CUDA 的版本（请根据实际显卡驱动版本选择对应的 CUDA 版本，此处以 CUDA 11.8 为例）：\n\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n```\n\n### 方案二：使用 Conda 安装\n\n如果您使用 Conda 管理环境，可以使用以下命令创建并激活环境：\n\n```bash\nconda create -n pytorch_tutorial python=3.9\nconda activate pytorch_tutorial\nconda install pytorch torchvision torchaudio cpuonly -c pytorch\n```\n\n*注：国内网络访问官方源较慢时，可配置 `conda` 使用清华源：*\n```bash\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F\nconda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Ffree\u002F\n```\n\n## 基本使用\n\n安装完成后，您可以通过以下最简单的示例验证环境并理解张量（Tensor）的基本操作，这对应教程中的 \"Tensor Basics\" 章节。\n\n创建一个 Python 文件（例如 `hello_pytorch.py`）并运行：\n\n```python\nimport torch\n\n# 1. 创建一个未初始化的 2x3 张量\nx = torch.empty(2, 3)\nprint(\"Empty Tensor:\\n\", x)\n\n# 2. 创建一个随机初始化的张量\ny = torch.rand(2, 3)\nprint(\"Random Tensor:\\n\", y)\n\n# 3. 创建一个全零张量\nz = torch.zeros(2, 3)\nprint(\"Zeros Tensor:\\n\", z)\n\n# 4. 基本运算：加法\nresult = torch.add(y, z)\n# 或者使用原地操作\ny.add_(z) \nprint(\"Addition Result:\\n\", result)\n\n# 5. 检查是否可用 GPU\nif torch.cuda.is_available():\n    device = torch.device(\"cuda\")\n    print(\"Running on GPU:\", device)\n    # 将张量移动到 GPU\n    y_gpu = y.to(device)\nelse:\n    print(\"Running on CPU\")\n```\n\n运行上述代码后，若无报错且输出了相应的张量数据，说明环境配置成功。接下来您可以按照教程目录顺序，依次学习 `Autograd`（自动求导）、`Backpropagation`（反向传播）以及构建完整的 `Training Pipeline`。","一名刚转行深度学习的数据分析师，正试图从零开始构建一个用于识别医疗影像中肺炎病灶的卷积神经网络模型。\n\n### 没有 pytorchTutorial 时\n- 面对 PyTorch 复杂的张量运算和自动求导机制（Autograd），因缺乏系统指引而反复查阅零散文档，耗时数天仍无法理清数据流向。\n- 在搭建训练流水线时，混淆了 Dataset 与 DataLoader 的协作关系，导致自定义数据加载代码频繁报错，模型根本无法开始训练。\n- 对反向传播和梯度下降的数学原理理解停留在理论层面，无法将其转化为具体的代码实现，调试时面对维度不匹配的错误束手无策。\n- 不知道如何利用 Tensorboard 可视化训练过程，只能盲目调整超参数，模型收敛效果差且难以定位过拟合原因。\n- 缺乏从线性回归到 CNN 的渐进式实战案例，直接啃读高深论文或复杂开源项目，因基础不牢而屡屡受挫，学习信心严重受损。\n\n### 使用 pytorchTutorial 后\n- 跟随\"Tensor Basics\"和\"Autograd\"章节的视频演示，快速掌握了核心概念，半天内便写出了正确的张量操作与梯度计算代码。\n- 通过\"Dataset and DataLoader\"专项教程，清晰理解了数据管道构建逻辑，顺利实现了医疗影像数据的批量加载与预处理变换。\n- 依据\"Backpropagation\"和\"Gradient Descent\"的逐步推导，将数学公式精准映射为代码，轻松解决了维度错误并成功跑通训练循环。\n- 利用\"Tensorboard\"章节指导，实时监控损失曲线与准确率变化，迅速定位问题并优化模型结构，显著提升了诊断准确率。\n- 沿着从“线性回归”到\"CNN\"再到“迁移学习”的完整路径循序渐进，扎实构建了知识体系，仅用一周就完成了原型模型的开发与验证。\n\npytorchTutorial 通过结构化的视频实战教程，将晦涩的深度学习理论转化为可执行的代码步骤，极大缩短了初学者从入门到落地的探索周期。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpatrickloeber_pytorchTutorial_52e9118f.jpg","patrickloeber","Patrick Loeber","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpatrickloeber_5b573148.jpg","Dev Rel at Google DeepMind","@google-deepmind",null,"patloeber","patloeber.com","https:\u002F\u002Fgithub.com\u002Fpatrickloeber",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1921,1214,"2026-04-19T05:32:11","MIT",1,"","未说明",{"notes":94,"python":92,"dependencies":95},"这是一个 PyTorch 初学者教程系列，内容涵盖从安装、基础张量操作到卷积神经网络和迁移学习等主题。具体的运行环境需求（如操作系统、Python 版本、GPU 配置等）需参考官方 PyTorch 文档或视频教程中的安装章节，README 本身未提供详细的技术规格说明。",[96],"torch",[14],"2026-03-27T02:49:30.150509","2026-04-20T10:20:44.709135",[101,106,111,116,121,126,131],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},44445,"在 Windows 上运行 DataLoader 时遇到 'RuntimeError: DataLoader worker exited unexpectedly' 错误怎么办？","这是一个在 Windows 上已知的问题。解决方法是将 DataLoader 中的 `num_workers` 参数设置为 0。例如：`DataLoader(dataset, batch_size=..., num_workers=0)`。","https:\u002F\u002Fgithub.com\u002Fpatrickloeber\u002FpytorchTutorial\u002Fissues\u002F3",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},44446,"代码中调用 `dataiter.next()` 时报错 'AttributeError: DataLoader object has no attribute next' 如何解决？","在较新版本的 PyTorch 中，不应再使用 `dataiter.next()` 方法。请改用 Python 内置的 `next()` 函数，即写成 `data = next(dataiter)`。","https:\u002F\u002Fgithub.com\u002Fpatrickloeber\u002FpytorchTutorial\u002Fissues\u002F22",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},44447,"迁移学习教程（Tutorial 15）中使用的 hymenoptera_data 数据集在哪里下载？","该数据集可以通过以下链接直接下载：https:\u002F\u002Fdownload.pytorch.org\u002Ftutorial\u002Fhymenoptera_data.zip","https:\u002F\u002Fgithub.com\u002Fpatrickloeber\u002FpytorchTutorial\u002Fissues\u002F18",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},44448,"在使用 CUDA 运行时遇到 'RuntimeError: Expected all tensors to be on the same device' 错误怎么办？","这通常是因为模型层或张量没有正确移动到 GPU 上。需要在定义模型层时显式添加 `.to(device)`。例如：`self.l1 = nn.Linear(input_size, hidden_size).to(device)`，确保所有涉及的张量和模型部分都在同一设备（cpu 或 cuda）上。","https:\u002F\u002Fgithub.com\u002Fpatrickloeber\u002FpytorchTutorial\u002Fissues\u002F12",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},44449,"CNN 教程代码在处理最后一个批次（batch）时出错，提示大小不匹配，如何修复？","原代码在计算准确率或其他指标时直接使用了 `batch_size`，但在最后一个批次中实际数据量可能小于设定的 batch_size。应将相关逻辑中的 `batch_size` 替换为 `labels.size(0)` 或 `min(labels.size(0), batch_size)`，以动态获取当前批次的实际样本数。","https:\u002F\u002Fgithub.com\u002Fpatrickloeber\u002FpytorchTutorial\u002Fissues\u002F7",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},44450,"运行自动求导教程时提示 'AttributeError: Tensor object has no attribute grad_zero_' 是怎么回事？","这通常是拼写错误导致的。PyTorch 中正确的清零梯度方法是 `zero_()`，而不是 `grad_zero_()`。请检查代码是否误写成了 `w.grad_zero_()`，正确的写法应该是 `w.grad.zero_()`。","https:\u002F\u002Fgithub.com\u002Fpatrickloeber\u002FpytorchTutorial\u002Fissues\u002F23",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},44451,"教程中 06_1 和 06_2 的文件名与内容似乎对不上，该如何区分？","这是一个文件命名混淆的问题。原本 `06_1_loss_and_optimizer.py` 应该包含损失和优化器相关内容，而 `06_2_model_loss_and_optimizer.py` 应包含模型定义。如果发现内容颠倒，请以代码实际功能为准，或参考维护者已修复后的仓库版本。","https:\u002F\u002Fgithub.com\u002Fpatrickloeber\u002FpytorchTutorial\u002Fissues\u002F1",[]]