[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-paulgavrikov--visualkeras":3,"tool-paulgavrikov--visualkeras":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":81,"owner_twitter":75,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":93,"env_os":94,"env_gpu":95,"env_ram":95,"env_deps":96,"category_tags":102,"github_topics":81,"view_count":23,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":136},3879,"paulgavrikov\u002Fvisualkeras","visualkeras","Visualkeras is a Python package to help visualize Keras (either standalone or included in TensorFlow) neural network architectures. It allows easy styling to fit most needs. This module supports layered style architecture generation which is great for CNNs (Convolutional Neural Networks), and a graph style architecture, which works great for most models including plain feed-forward networks.","visualkeras 是一款专为 Keras 和 TensorFlow 打造的 Python 可视化工具，旨在将抽象的神经网络代码转化为直观清晰的架构图。在深度学习开发中，理解复杂模型的层级连接与数据流向往往颇具挑战，visualkeras 通过自动生成高质量图表，有效解决了模型结构“看不见、理不清”的痛点。\n\n它特别适合深度学习开发者、算法研究人员以及需要撰写技术文档或论文的学生使用。无论是构建基础的顺序模型，还是设计包含多输入多输出的复杂函数式模型，visualkeras 都能轻松应对。其核心亮点在于提供了四种风格迥异的渲染模式：经典的“分层视图”完美呈现卷积神经网络（CNN）的堆叠结构；“图视图”擅长展示通用节点连接；“函数视图”能灵活处理多模态复杂架构；而独特的\"LeNet 视图”则复刻了经典的特征图堆叠效果。此外，它还支持高度自定义的样式调整，允许用户折叠重复层或添加标注，只需几行代码即可生成出版级的模型示意图，让架构交流与设计验证变得更加高效直观。","# visualkeras for Keras \u002F TensorFlow\n\n[![Latest Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fvisualkeras.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fvisualkeras)\n[![Download Count](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fvisualkeras.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fvisualkeras)\n[![Test Pass Rate](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftests-170%2F170%20passed%20(100%25)-brightgreen)](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml)\n[![Coverage](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcoverage-95.09%25-brightgreen)](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml)\n[![CI](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml)\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_13d664e1afd7.png)](https:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n\nVisualkeras is a Python package for visualizing Keras and TensorFlow model architectures. It supports several rendering styles, such as classic layered CNN diagrams, node-based visualizations, and LeNet-style visualizations. It is very easy to get started with visualkeras (see Quickstart), but also highly customizable for advanced users. For help in citing this project, refer [here](#citation-header).\n\n## Installation\n\nInstall the latest published release:\n\n```bash\npip install visualkeras\n```\n\nInstall the latest `master` branch (potentially unstable):\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\n```\n\n## Quick Start\n\n```python\nimport visualkeras\n\nmodel = ...\n\nvisualkeras.layered_view(model).show()\nvisualkeras.layered_view(model, to_file=\"model.png\")\n```\n\nThe recommended high-level API is `show(...)`, which selects a renderer by mode:\n\n```python\nimport visualkeras\nfrom tensorflow.keras import layers\nfrom visualkeras.options import FunctionalOptions\n\nimg = visualkeras.show(\n    model,\n    mode=\"functional\",\n    options=FunctionalOptions(\n        collapse_enabled=True,\n        collapse_rules=[\n            {\"kind\": \"layer\", \"selector\": layers.Dense, \"repeat_count\": 4},\n            {\n                \"kind\": \"block\",\n                \"selector\": [layers.Dense, layers.Dropout],\n                \"repeat_count\": 2,\n                \"annotation_position\": \"below\",\n            },\n        ],\n    ),\n)\n```\n\n`show(...)` supports these modes:\n\n- `layered`\n- `graph`\n- `functional`\n- `lenet`\n\n## Renderers\n\n| Renderer | Best for | Entry point |\n|---|---|---|\n| Layered view | Sequential CNN-style diagrams | `visualkeras.layered_view(model)` |\n| Graph view | General node-based visualizations | `visualkeras.graph_view(model)` |\n| Functional view | Functional Keras models with multiple modalities, inputs, outputs, streams, etc.; this is the most flexible option | `visualkeras.functional_view(model)` |\n| LeNet view | Classic feature map stack diagrams; inspired by [LeNet](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLeNet) | `visualkeras.lenet_view(model)` |\n\n## Examples\n\nWe provide basic examples here. Explamples with various options and customizations are covered in the documentation: \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002F>.\n\n### Layered view\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\nmodel = keras.Sequential([\n    keras.layers.Input(shape=(28, 28, 1)),\n    keras.layers.Conv2D(32, (3, 3), activation=\"relu\"),\n    keras.layers.MaxPooling2D((2, 2)),\n    keras.layers.Conv2D(64, (3, 3), activation=\"relu\"),\n    keras.layers.Flatten(),\n    keras.layers.Dense(10, activation=\"softmax\"),\n])\n\nvisualkeras.layered_view(model).show()\n```\n\n![Default layered view](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_ba3d2fc2e65f.png)\n\n### Graph view\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\nmodel = Sequential([\n    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),\n    MaxPooling2D((2, 2)),\n    Dense(10, activation='softmax')\n])\n\nvisualkeras.graph_view(model)\n```\n\n![Default graph-based view of a simple CNN](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_5f57e113675b.png)\n\n### Functional view\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\ninputs = keras.Input(shape=(16,))\nx = keras.layers.Dense(32, activation='relu')(inputs)\nx = keras.layers.Dense(32, activation='relu')(x)\noutputs = keras.layers.Dense(10, activation='softmax')(x)\n\nmodel = keras.Model(inputs=inputs, outputs=outputs)\n\nvisualkeras.functional_view(model)\n```\n\n![Default functional view of a model with multiple blocks](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_67c20a6c557a.png)\n\n### LeNet view\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\nmodel = keras.Sequential([\n    keras.layers.Input(shape=(28, 28, 1)),\n    keras.layers.Conv2D(6, (5, 5), activation='tanh'),\n    keras.layers.MaxPooling2D((2, 2)),\n    keras.layers.Conv2D(16, (5, 5), activation='tanh'),\n    keras.layers.MaxPooling2D((2, 2)),\n    keras.layers.Flatten(),\n    keras.layers.Dense(120, activation='tanh'),\n    keras.layers.Dense(84, activation='tanh'),\n    keras.layers.Dense(10, activation='softmax')\n])\n\nvisualkeras.lenet_view(model)\n```\n\n![Default LeNet-style view](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_0fcf1fbfecb2.png)\n\n## Documentation\n\nDetailed documentation can be found in the documentation website: \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002F>.\n\nParticularly useful sections include:\n\n- Quickstart: \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Fquickstart.html>\n- Tutorials: \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Ftutorials\u002Findex.html>\n- Examples: \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Fexamples\u002Findex.html>\n- API reference: \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Fapi\u002Findex.html>\n- Architecture guide: [ARCHITECTURE.md](ARCHITECTURE.md)\n\n## Compatibility\n\n| Scope | Status | Notes |\n|---|---|---|\n| Core package | Supported | Python 3.9+ |\n| `tf.keras` workflows | Supported | Suggested usage |\n| Standalone `keras` | Mostly supported | May vary by backend setup; fully supported with TensorFlow backend |\n\n## Citation\n\nIf you find this project helpful for your research, please cite it:\n\n```bibtex\n@misc{Gavrikov2020VisualKeras,\n  author = {Gavrikov, Paul and Patapati, Santosh},\n  title = {visualkeras},\n  year = {2020},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras}},\n}\n```\n\n## Contributing\n\n- Issues: \u003Chttps:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues>\n- Contributing guide: `CONTRIBUTING.MD`\n- Architecture guide: `ARCHITECTURE.md`\n\n## Stay Updated\n\nSign up for the visualkeras mailing list here: \u003Chttps:\u002F\u002Fforms.gle\u002F7eBZ1jCJ7Xsm6RvA7>\n\n## License\n\nVisualkeras is licensed under the MIT License. See `LICENSE`.\n","# visualkeras 用于 Keras \u002F TensorFlow\n\n[![最新版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fvisualkeras.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fvisualkeras)\n[![下载次数](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fvisualkeras.svg)](https:\u002F\u002Fpypi.python.org\u002Fpypi\u002Fvisualkeras)\n[![测试通过率](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Ftests-170%2F170%20passed%20(100%25)-brightgreen)](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml)\n[![覆盖率](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcoverage-95.09%25-brightgreen)](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml)\n[![CI](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Factions\u002Fworkflows\u002Fci.yaml)\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_13d664e1afd7.png)](https:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest)\n\nVisualkeras 是一个用于可视化 Keras 和 TensorFlow 模型架构的 Python 包。它支持多种渲染样式，例如经典的分层 CNN 图、基于节点的可视化以及 LeNet 风格的可视化。使用 Visualkeras 非常简单（参见快速入门），同时也为高级用户提供了高度可定制性。如需引用本项目，请参阅 [此处](#citation-header)。\n\n## 安装\n\n安装最新发布的版本：\n\n```bash\npip install visualkeras\n```\n\n安装最新的 `master` 分支（可能不稳定）：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\n```\n\n## 快速入门\n\n```python\nimport visualkeras\n\nmodel = ...\n\nvisualkeras.layered_view(model).show()\nvisualkeras.layered_view(model, to_file=\"model.png\")\n```\n\n推荐的高级 API 是 `show(...)`，它会根据模式选择渲染器：\n\n```python\nimport visualkeras\nfrom tensorflow.keras import layers\nfrom visualkeras.options import FunctionalOptions\n\nimg = visualkeras.show(\n    model,\n    mode=\"functional\",\n    options=FunctionalOptions(\n        collapse_enabled=True,\n        collapse_rules=[\n            {\"kind\": \"layer\", \"selector\": layers.Dense, \"repeat_count\": 4},\n            {\n                \"kind\": \"block\",\n                \"selector\": [layers.Dense, layers.Dropout],\n                \"repeat_count\": 2,\n                \"annotation_position\": \"below\",\n            },\n        ],\n    ),\n)\n```\n\n`show(...)` 支持以下模式：\n\n- `layered`\n- `graph`\n- `functional`\n- `lenet`\n\n## 渲染器\n\n| 渲染器 | 最适合 | 入口点 |\n|---|---|---|\n| 分层视图 | 顺序 CNN 风格的图表 | `visualkeras.layered_view(model)` |\n| 图形视图 | 通用的基于节点的可视化 | `visualkeras.graph_view(model)` |\n| 函数式视图 | 具有多模态、多输入、多输出、多流等功能的 Keras 模型；这是最灵活的选项 | `visualkeras.functional_view(model)` |\n| LeNet 视图 | 经典的特征图堆栈图；灵感来自 [LeNet](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FLeNet) | `visualkeras.lenet_view(model)` |\n\n## 示例\n\n我们在此提供一些基本示例。包含各种选项和自定义设置的示例则在文档中有所介绍：\u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002F>。\n\n### 分层视图\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\nmodel = keras.Sequential([\n    keras.layers.Input(shape=(28, 28, 1)),\n    keras.layers.Conv2D(32, (3, 3), activation=\"relu\"),\n    keras.layers.MaxPooling2D((2, 2)),\n    keras.layers.Conv2D(64, (3, 3), activation=\"relu\"),\n    keras.layers.Flatten(),\n    keras.layers.Dense(10, activation=\"softmax\"),\n])\n\nvisualkeras.layered_view(model).show()\n```\n\n![默认分层视图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_ba3d2fc2e65f.png)\n\n### 图形视图\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\nmodel = Sequential([\n    Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)),\n    MaxPooling2D((2, 2)),\n    Dense(10, activation='softmax')\n])\n\nvisualkeras.graph_view(model)\n```\n\n![简单 CNN 的默认图形视图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_5f57e113675b.png)\n\n### 函数式视图\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\ninputs = keras.Input(shape=(16,))\nx = keras.layers.Dense(32, activation='relu')(inputs)\nx = keras.layers.Dense(32, activation='relu')(x)\noutputs = keras.layers.Dense(10, activation='softmax')(x)\n\nmodel = keras.Model(inputs=inputs, outputs=outputs)\n\nvisualkeras.functional_view(model)\n```\n\n![具有多个模块的模型的默认函数式视图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_67c20a6c557a.png)\n\n### LeNet 视图\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\nmodel = keras.Sequential([\n    keras.layers.Input(shape=(28, 28, 1)),\n    keras.layers.Conv2D(6, (5, 5), activation='tanh'),\n    keras.layers.MaxPooling2D((2, 2)),\n    keras.layers.Conv2D(16, (5, 5), activation='tanh'),\n    keras.layers.MaxPooling2D((2, 2)),\n    keras.layers.Flatten(),\n    keras.layers.Dense(120, activation='tanh'),\n    keras.layers.Dense(84, activation='tanh'),\n    keras.layers.Dense(10, activation='softmax')\n])\n\nvisualkeras.lenet_view(model)\n```\n\n![默认 LeNet 风格的视图](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_readme_0fcf1fbfecb2.png)\n\n## 文档\n\n详细的文档可以在文档网站上找到：\u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002F>。\n\n特别有用的章节包括：\n\n- 快速入门： \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Fquickstart.html>\n- 教程： \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Ftutorials\u002Findex.html>\n- 示例： \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Fexamples\u002Findex.html>\n- API 参考： \u003Chttps:\u002F\u002Fvisualkeras.readthedocs.io\u002Fen\u002Flatest\u002Fapi\u002Findex.html>\n- 架构指南： [ARCHITECTURE.md](ARCHITECTURE.md)\n\n## 兼容性\n\n| 范围 | 状态 | 备注 |\n|---|---|---|\n| 核心包 | 支持 | Python 3.9+ |\n| `tf.keras` 工作流 | 支持 | 建议使用 |\n| 独立的 `keras` | 大部分支持 | 可能因后端配置而异；使用 TensorFlow 后端时完全支持 |\n\n## 引用\n\n如果您觉得本项目对您的研究有所帮助，请引用如下：\n\n```bibtex\n@misc{Gavrikov2020VisualKeras,\n  author = {Gavrikov, Paul and Patapati, Santosh},\n  title = {visualkeras},\n  year = {2020},\n  publisher = {GitHub},\n  journal = {GitHub repository},\n  howpublished = {\\url{https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras}},\n}\n```\n\n## 贡献\n\n- 问题： \u003Chttps:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues>\n- 贡献指南： `CONTRIBUTING.MD`\n- 架构指南： `ARCHITECTURE.md`\n\n## 保持更新\n\n请在此处订阅 Visualkeras 邮件列表： \u003Chttps:\u002F\u002Fforms.gle\u002F7eBZ1jCJ7Xsm6RvA7>\n\n## 许可证\n\nVisualkeras 采用 MIT 许可证授权。详情请参阅 `LICENSE`。","# visualkeras 快速上手指南\n\nvisualkeras 是一个用于可视化 Keras 和 TensorFlow 模型架构的 Python 库。它支持多种渲染风格，包括经典的层叠式 CNN 图、基于节点的拓扑图以及 LeNet 风格的特征图堆叠图，能够帮助开发者直观地理解模型结构。\n\n## 环境准备\n\n在开始使用前，请确保满足以下系统要求：\n\n*   **操作系统**：Windows, macOS, 或 Linux\n*   **Python 版本**：3.9 及以上\n*   **核心依赖**：\n    *   `tensorflow` (推荐) 或 `keras`\n    *   `Pillow` (用于图像生成，通常会自动安装)\n*   **后端说明**：虽然支持 standalone keras，但强烈建议使用 `tf.keras` 以获得最佳兼容性。\n\n## 安装步骤\n\n### 1. 使用国内镜像源加速安装（推荐）\n在中国大陆地区，建议使用清华或阿里镜像源以加快下载速度：\n\n```bash\npip install visualkeras -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 标准安装\n若无需加速，可直接安装最新稳定版：\n\n```bash\npip install visualkeras\n```\n\n### 3. 安装开发版（可选）\n如需体验最新功能（可能不稳定），可安装 master 分支：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\n```\n\n## 基本使用\n\nvisualkeras 提供了多种视图模式，最常用的是**层叠视图 (Layered View)**，适合展示顺序连接的 CNN 模型。\n\n### 最简单的使用示例\n\n以下代码演示如何构建一个简单的 Sequential 模型并生成可视化图片：\n\n```python\nimport tensorflow as tf\nfrom tensorflow import keras\nimport visualkeras\n\n# 1. 定义一个简单的 Keras 模型\nmodel = keras.Sequential([\n    keras.layers.Input(shape=(28, 28, 1)),\n    keras.layers.Conv2D(32, (3, 3), activation=\"relu\"),\n    keras.layers.MaxPooling2D((2, 2)),\n    keras.layers.Conv2D(64, (3, 3), activation=\"relu\"),\n    keras.layers.Flatten(),\n    keras.layers.Dense(10, activation=\"softmax\"),\n])\n\n# 2. 生成层叠视图并直接显示\nvisualkeras.layered_view(model).show()\n\n# 3. 或者将结果保存为文件\nvisualkeras.layered_view(model, to_file=\"model_structure.png\")\n```\n\n### 其他视图模式简介\n\n除了默认的层叠视图，库还支持以下模式，可通过 `visualkeras.show()` 统一调用：\n\n*   **Graph View (`graph`)**: 适用于通用的节点连接图。\n*   **Functional View (`functional`)**: 最灵活的模式，适用于具有多输入、多输出或复杂分支的函数式模型。\n*   **LeNet View (`lenet`)**: 经典的特征图堆叠风格，灵感源自 LeNet 论文。\n\n**高级用法示例（使用 Functional 模式）：**\n\n```python\nimport visualkeras\nfrom visualkeras.options import FunctionalOptions\n\n# 使用 show 方法指定模式\nimg = visualkeras.show(\n    model,\n    mode=\"functional\",\n    options=FunctionalOptions(\n        collapse_enabled=True, # 启用折叠\n        collapse_rules=[\n            {\"kind\": \"layer\", \"selector\": keras.layers.Dense, \"repeat_count\": 4},\n        ],\n    ),\n)\n```\n\n更多自定义选项和详细教程请参考官方文档：https:\u002F\u002Fvisualkeras.readthedocs.io\u002F","某计算机视觉团队在开发基于 CNN 的缺陷检测模型时，需要向非技术背景的产品经理和质检专家汇报网络结构，以确认特征提取逻辑是否符合业务需求。\n\n### 没有 visualkeras 时\n- 开发人员只能口头描述或使用白板手绘粗糙的层级图，难以准确传达卷积核大小、通道数变化等关键细节。\n- 尝试用通用绘图软件手动绘制架构图耗时极长，且一旦模型结构调整，图片必须全部重画，维护成本极高。\n- 复杂的函数式模型（Functional API）包含多输入或多分支结构，文字描述极易产生歧义，导致沟通双方对数据流向理解不一致。\n- 缺乏直观的可视化素材，使得技术评审会议效率低下，非技术人员难以快速建立对模型复杂度的认知。\n\n### 使用 visualkeras 后\n- 仅需几行代码即可自动生成高精度的分层架构图（Layered View），清晰展示从输入图像到输出分类的完整数据流及维度变化。\n- 当模型迭代更新时，重新运行脚本即可瞬间刷新图表，确保文档中的架构图始终与最新代码保持严格同步。\n- 利用功能视图（Functional View）轻松渲染多分支、多输入的复杂拓扑结构，让数据如何在不同层间流转一目了然，彻底消除理解歧义。\n- 生成的专业级示意图可直接嵌入技术报告或 PPT 中，显著提升了跨部门沟通的效率和专业度，加速了方案获批进程。\n\nvisualkeras 将抽象的代码结构瞬间转化为直观的视觉语言，极大地降低了深度学习模型的沟通门槛与维护成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpaulgavrikov_visualkeras_ba3d2fc2.png","paulgavrikov","Paul Gavrikov","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpaulgavrikov_9bc56e9d.png","Independent Researcher","Tübingen AI Center","Germany",null,"paulgavrikov.github.io","https:\u002F\u002Fgithub.com\u002Fpaulgavrikov",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,652,78,"2026-04-04T13:04:59","MIT",1,"","未说明",{"notes":97,"python":98,"dependencies":99},"该工具主要用于可视化 Keras\u002FTensorFlow 模型架构。核心包支持 Python 3.9+。虽然 standalone Keras 大部分受支持，但建议使用 tf.keras 工作流以获得完全支持（特别是使用 TensorFlow 后端时）。可通过 pip 直接安装。","3.9+",[100,101],"tensorflow","keras",[13],"2026-03-27T02:49:30.150509","2026-04-06T07:15:05.965747",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},17743,"遇到 'int' object is not iterable 或 AttributeError: '_layers' 错误怎么办？","这通常是因为安装的 visualkeras 版本过旧或与当前 Python\u002FTensorFlow 环境不兼容。解决方法是卸载现有版本并从 GitHub 主分支重新安装最新代码：\n1. 运行 `pip uninstall visualkeras`\n2. 运行 `pip install git+https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras`\n这样可以获取包含修复的最新版本，解决属性访问和类型迭代问题。","https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F15",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},17744,"graph_view() 函数无法生成模型图或报错怎么办？","该问题已在最新版本中修复。请确保升级到 visualkeras 0.1.4 或更高版本。如果 pip 源尚未更新，可以直接从 GitHub 安装：\n`pip install git+https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras`\n升级后，`visualkeras.graph_view(model)` 应能正常工作。","https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F79",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},17745,"图例（Legend）中的文字不显示或被截断重叠怎么办？","这是由于 Pillow 库版本兼容性导致的（特别是 Pillow 10.4.0）。解决方案有两个：\n1. 推荐方法：升级 visualkeras 到最新版（0.1.4+ 或 1.0.0+），维护者已在此版本中修复了文本渲染逻辑。\n2. 临时方法：降级 Pillow 到 9.4.0 版本 (`pip install pillow==9.4.0`)。\n建议优先执行：`pip install --upgrade visualkeras` 或从源码安装以获取最新修复。","https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F77",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},17746,"使用 Conv1D、MaxPooling1D 等一维卷积层时报错怎么办？","旧版本不支持一维卷积层的可视化，会导致类型错误。该问题已在 GitHub 主分支的代码中修复。请卸载当前版本并安装最新的开发版：\n`pip uninstall visualkeras`\n`pip install git+https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras`\n安装后，Conv1D 等层将能正常渲染（通常表现为沿单轴扩展的立方体或类似 Dense 层的形状）。","https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F47",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},17747,"调用 layered_view 时提示 'unexpected keyword argument' 怎么办？","这通常是因为本地安装的 PyPI 版本滞后于代码库中的新功能（如新的图例间距参数）。请直接从 GitHub 安装最新版本以同步 API 变更：\n`pip install git+https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras`\n这将安装包含最新参数支持的代码，消除参数不匹配的错误。","https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F75",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},17748,"VisualKeras 支持哪些类型的 Keras 模型？遇到 Sequential 对象报错如何处理？","VisualKeras 主要支持标准的 Keras Sequential 和 Functional API 模型。如果遇到 `AttributeError: 'Sequential' object has no attribute '_layers'`，可能是因为模型被其他库（如 MaskRCNN）包装，或者 TensorFlow\u002FKeras 版本差异导致内部属性名称变化。\n解决方法：\n1. 确保传入的是纯粹的 Keras 模型对象。\n2. 安装包含兼容性修复的最新版本：`pip install git+https:\u002F\u002Fgithub.com\u002Falessiogmonti\u002Fvisualkeras` 或官方主分支，新版本会自动尝试 `_layers` 并在必要时回退到其他属性追踪方式。","https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F14",[137,142,147,152,157,162,167,172,177],{"id":138,"version":139,"summary_zh":140,"released_at":141},108037,"v0.2.0","## 0.2.0 (2025-10-13)\n\n第九次发布：更便捷的预设选项和结构化的 API。\n\n特性：\n- 添加了带有 `layered_view` 和 `graph_view` 预设参数的类型化 `LayeredOptions` 和 `GraphOptions` 数据类。\n- 为 `text_callable` 添加了预设，以满足图层下方标注文字的常见用例。\n- 扩展了 `layered_view` 和 `graph_view`，使其能够接受 `options=` 和 `preset=` 关键字参数，从而在不破坏向后兼容性的情况下使用新的数据类。\n- 现在对于不支持的模型结构会抛出 `RuntimeError`，以避免产生混淆的堆栈跟踪信息。\n- 在初始化文件中添加了 `.help()` 文档字符串，以便在某些 IDE 中更轻松地理解。\n\n开发者变更：\n- 从包根目录重新导出了选项和预设默认值，使结构化的 API 更易于导入。\n- 添加了 `get_layers` 函数，以简化从 Keras\u002FTF 模型中提取图层的操作。\n- 在整个代码库中增加了大量文档字符串。\n- 对 CONTRIBUTING.md 中的格式说明进行了小幅澄清。\n- 对 README.md 进行了其他一些改进。\n\n---\n\n在本次更新中，我们按照语义化版本控制规范（https:\u002F\u002Fsemver.org\u002F）升级到了全新的次要版本。visualkeras 大体遵循语义化版本控制规则。通常我们会遵守其版本号规则，但在添加非常小的功能时，如果我们认为这些功能不足以构成一个完整的次要版本（例如 [visualkeras v0.1.5](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Freleases\u002Ftag\u002Fv0.1.5)），则不会进行版本号升级。","2025-10-14T00:47:13",{"id":143,"version":144,"summary_zh":145,"released_at":146},108038,"v0.1.5","## 0.1.5 (2025-9-2)\n第八次发布\n\n- 自定义缩放功能：在可视化中新增了用于自定义层维度缩放的函数和选项。\n- 错误修复：\n    - 修复了 `layer_utils.py` 中 InputLayer 的检测问题，详情见 Issue #82\n    - 解决了输出层重复以及 graph_view 中的重大 bug\n    - 改进了当 `inout_as_tensor` 为 False 时对输入\u002F输出层的处理\n    - 优化了文档字符串并提升了代码整洁度\n\n此外，我们还新增了包含使用示例和相关图表的文档，并创建了 `CONTRIBUTING.md` 文件，供新贡献者参考。","2025-09-02T05:28:18",{"id":148,"version":149,"summary_zh":150,"released_at":151},108039,"v0.1.4","## 0.1.4\n第七次发布：与较新版本的软件包兼容\n\n错误修复：\n- 为 `graph_view` 添加了与 Keras >=3（TensorFlow >=2.16）版本的兼容性，详见问题 [#79](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F79)\n- 为图例文本添加了与 pillow >=10 版本的兼容性，详见问题 [#77](https:\u002F\u002Fgithub.com\u002Fpaulgavrikov\u002Fvisualkeras\u002Fissues\u002F77)","2024-11-24T19:17:21",{"id":153,"version":154,"summary_zh":155,"released_at":156},108040,"v0.1.3","## 0.1.3\n\n第六次发布：修复 bug。\n\nBug 修复：\n- 完整修复了导致图例中文本被截断的 bug。\n\n已弃用：\n- 开始弃用 `layered_view` 函数中的 `legend_text_spacing_offset` 参数。该参数将在未来的版本中被移除。","2024-07-27T20:01:46",{"id":158,"version":159,"summary_zh":160,"released_at":161},108041,"v0.1.2","## 0.1.2\n第五次发布：修复 bug。\n\nBug 修复：\n- 对导致图例中文本被截断的 bug 进行了临时修复（在 `layered_view` 函数中添加了 `legend_text_spacing_offset` 参数）。0.1.1 版本中的修复仅对部分情况有效，而本次修复应适用于所有情况。","2024-07-27T19:54:56",{"id":163,"version":164,"summary_zh":165,"released_at":166},108042,"0.1.1","第四次发布：修复 bug。\n\n修复的 bug：\n- 将 README.md 文件中的图片路径替换为链接，这样图片就能在 PyPI 上正常显示。\n- 修复了图例中文本被截断的 bug。","2024-07-19T18:10:43",{"id":168,"version":169,"summary_zh":170,"released_at":171},108043,"v0.1.0","第三次发布：提供更多自定义选项，并保持与旧版本软件包的向下兼容性。\n\n功能：\n- 反向绘制：新增从每一层背面绘制 3D 网络的选项，适用于解码器类架构。\n- 文本可调用：新增可调用参数，用于控制是否以及如何在网络上绘制文本。\n- 垂直填充：新增在网络上方和下方添加填充的选项。\n- 左侧填充：新增在网络左侧添加填充的选项。\n- 更大的颜色 palette：将默认颜色 palette 扩展，新增六种颜色。\n- 二维索引：新增在 3D 网络中指定某些层以 2D 方式绘制的选项。\n- 图例维度：新增在图例中显示所有层输出维度的选项。\n- 垂直间距：新增用于指定文本换行之间垂直间距的选项。\n\n错误修复：\n- 与较新版本 Pillow 的向下兼容性。\n- 与较新版本 Keras 的向下兼容性——兼容 `tensorflow.keras`、`tensorflow.python.keras` 和 `keras` 等大于 2.0 版本的库。\n- 移除了需要 [libraqm](https:\u002F\u002Fgithub.com\u002FHOST-Oman\u002Flibraqm) 的 Pillow 功能。这是因为 libraqm 需要手动安装，无法作为依赖项自动安装。\n\n开发者变更：\n- 改用更简洁的方法实现与旧版本软件包的向下兼容性——现使用 `hasattr` 替代 `try` 和 `except` 块。\n- 更新了文档和 docstring，以提升语法准确性和清晰度。\n\n*注：我们意识到此次更新内容较多，可能会导致依赖冲突。在未来的更新中，我们将遵循 [语义化版本控制](https:\u002F\u002Fsemver.org\u002F) 规范。*","2024-07-01T17:10:27",{"id":173,"version":174,"summary_zh":175,"released_at":176},108044,"v0.0.2","- 添加了 graph_view 作为替代的可视化样式\n- 为 layered_view 添加了图例","2021-04-20T08:00:09",{"id":178,"version":179,"summary_zh":180,"released_at":181},108045,"v0.0.1","初始发布","2020-10-07T09:52:39"]