[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-philipperemy--deep-learning-bitcoin":3,"tool-philipperemy--deep-learning-bitcoin":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":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":10,"env_os":101,"env_gpu":102,"env_ram":101,"env_deps":103,"category_tags":110,"github_topics":111,"view_count":10,"oss_zip_url":116,"oss_zip_packed_at":116,"status":16,"created_at":117,"updated_at":118,"faqs":119,"releases":150},395,"philipperemy\u002Fdeep-learning-bitcoin","deep-learning-bitcoin","Exploiting Bitcoin prices patterns with Deep Learning.","deep-learning-bitcoin 致力于探索人工智能与加密货币交易的结合点。它将比特币的历史交易数据转化为可视化的 OHLC 图像，让深度学习模型能够像经验丰富的交易者一样“观察”K 线曲线，从而预测资产价格的涨跌方向及幅度。\n\n这一方法主要解决的是如何从海量原始数据中自动提取有效特征的问题，摆脱了传统量化策略对人工设定指标的依赖。目前 deep-learning-bitcoin 已实现了从 Tick 数据到 5 分钟 K 线的转换，并成功在小规模数据集上训练出准确率约 70% 的分类模型。\n\n对于对金融科技、机器学习感兴趣的研究人员和技术型开发者而言，这是一个极佳的实验平台。项目不仅提供了完整的数据下载与处理脚本，还支持 Docker 容器化部署，显著降低了环境搭建门槛。尽管仍处于工作进展阶段，但其引入卷积神经网络注意力机制等前沿思路，为量化交易策略的研究提供了极具价值的参考框架。","# When Bitcoin meets Artificial Intelligence\n[![dep1](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FStatus-Work_In_Progress-orange.svg)]()\n\nExploiting Bitcoin prices patterns with Deep Learning. Like OpenAI, we train our models on raw pixel data. Exactly how an experienced human would see the curves and takes an action.\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphilipperemy_deep-learning-bitcoin_readme_fe9bc614df69.png\" width=\"100\">\n\u003C\u002Fp>\n\nSo far, we achieved:\n\n- [x] Download Bitcoin tick data\n- [x] Convert to 5-minute data\n- [x] Convert to Open High Low Close representation\n- [x] Train a simple AlexNet on 20,000 samples: accuracy is 70% for predicting if asset will go UP or DOWN. Training is done on [NVIDIA DIGITS](https:\u002F\u002Fgithub.com\u002Fnvidia\u002Fdigits) and with the Caffe framework.\n- [x] Quantify how much the price will go UP or DOWN. Because the price can go UP by epsilon percent 99% of the time, and pulls back by 50%\n- [ ] Train on **1,000,000+** samples (at least)\n- [ ] Apply more complex Conv Nets (at least Google LeNet)\n- [ ] Integrate bar volumes on the generated OHLC (Open, High, Low, Close) image\n- [ ] Use CNN attention to know what's important for which image. Maybe only a fraction of the image matters for the prediction\n\n## Results on 20,000 samples (small dataset)\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphilipperemy_deep-learning-bitcoin_readme_0794f298e0f9.png\" width=\"500\">\n  \u003Cbr>\u003Ci>Training on 5 minute price data (Coinbase USD)\u003C\u002Fi>\n\u003C\u002Fp>\n\n\u003Chr\u002F>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphilipperemy_deep-learning-bitcoin_readme_5afd6e687b37.png\" width=\"500\">\n  \u003Cbr>\u003Ci>Some examples of the training set\u003C\u002Fi>\n\u003C\u002Fp>\n\n\u003Chr\u002F>\n\n## Illustration of the dataset from CoinbaseUSD\n\n```\n                     price_open  price_high  price_low  price_close      volume  close_price_returns close_price_returns_bins  close_price_returns_labels\nDateTime_UTC                                                                                                                                             \n2017-05-29 11:55:00     2158.86     2160.06    2155.78      2156.00   21.034283             0.000000          (-0.334, 0.015]                           5\n2017-05-29 12:00:00     2155.98     2170.88    2155.79      2158.53   47.772555             0.117347           (0.015, 0.364]                           6\n2017-05-29 12:05:00     2158.49     2158.79    2141.12      2141.92  122.332090            -0.769505        (-1.0322, -0.683]                           3\n2017-05-29 12:10:00     2141.87     2165.90    2141.86      2162.44   87.253402             0.958019          (0.713, 1.0623]                           8\n```\n- Scroll right to see all the columns!\n- Volumes are displayed in BTC.\n- Returns are in percentage and are computed on the close prices.\n\n## How to get started?\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin.git\ncd deep-learning-bitcoin\n.\u002Fdata_download.sh # will download it to \u002Ftmp\u002F\npython3 data_generator.py \u002Ftmp\u002Fbtc-trading-patterns\u002F \u002Ftmp\u002FcoinbaseUSD.csv 1 # 1 means we want to use quantiles on returns. 0 would mean we are interested if the bitcoin goes UP or DOWN only.\n```\n\nIf you are interested into building a huge dataset (coinbase.csv contains around 18M rows), it's preferrable to run the program in background mode:\n\n```\nnohup python3 -u data_generator.py \u002Ftmp\u002Fbtc-trading-patterns\u002F \u002Ftmp\u002FcoinbaseUSD.csv 1 > \u002Ftmp\u002Fbtc.out 2>&1 &\ntail -f \u002Ftmp\u002Fbtc.out\n```\n\nIf you ever see this error:\n\n```\n_tkinter.TclError: no display name and no $DISPLAY environment variable\n```\n\nPlease refer to this solution: https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F37604289\u002Ftkinter-tclerror-no-display-name-and-no-display-environment-variable\n\n## Run with Docker\n\nTo build the docker image just execute\n\n```\ndocker build -t dlb .\n```\n\nfrom the repository folder and then run the container\n\n```\ndocker run -it --name dlb -v $PWD:\u002Fapp dlb \u002Fbin\u002Fbash\n```\n\nthe current folder will be mounted into `\u002Fapp`. To verify the correct mount\nexecute inside the container\n\n```\nroot@c11ef702a6d6:\u002Fapp# mount| grep app\n\u002Fdev\u002Fsda2 on \u002Fapp type ext4 (rw,relatime,errors=remount-ro,data=ordered)\n```\n","# 当比特币遇上人工智能\n[![dep1](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FStatus-Work_In_Progress-orange.svg)]()\n\n利用深度学习 (Deep Learning) 挖掘比特币价格模式。与 OpenAI 类似，我们在原始像素数据上训练模型。就像经验丰富的交易员观察曲线并做出决策一样。\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphilipperemy_deep-learning-bitcoin_readme_fe9bc614df69.png\" width=\"100\">\n\u003C\u002Fp>\n\n到目前为止，我们已完成：\n\n- [x] 下载比特币 Tick 数据\n- [x] 转换为 5 分钟数据\n- [x] 转换为 OHLC（开盘价、最高价、最低价、收盘价）表示\n- [x] 在 20,000 个样本上训练一个简单的 AlexNet：预测资产上涨或下跌的准确率为 70%。训练是在 [NVIDIA DIGITS](https:\u002F\u002Fgithub.com\u002Fnvidia\u002Fdigits) 上使用 Caffe 框架完成的。\n- [x] 量化价格上涨或下跌的幅度。因为价格 99% 的时间会上涨 epsilon%，然后回撤 50%\n- [ ] 在至少 **1,000,000+** 个样本上进行训练\n- [ ] 应用更复杂的卷积网络 (Conv Nets)（至少包括 Google LeNet）\n- [ ] 在生成的 OHLC（开盘价、最高价、最低价、收盘价）图像中集成成交量柱状图\n- [ ] 使用 CNN 注意力机制 (CNN attention) 来了解哪些部分对哪张图像很重要。也许只有图像的一小部分对预测至关重要\n\n## 20,000 个样本的结果（小数据集）\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphilipperemy_deep-learning-bitcoin_readme_0794f298e0f9.png\" width=\"500\">\n  \u003Cbr>\u003Ci>在 5 分钟价格数据上训练（Coinbase USD）\u003C\u002Fi>\n\u003C\u002Fp>\n\n\u003Chr\u002F>\n\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphilipperemy_deep-learning-bitcoin_readme_5afd6e687b37.png\" width=\"500\">\n  \u003Cbr>\u003Ci>训练集的一些示例\u003C\u002Fi>\n\u003C\u002Fp>\n\n\u003Chr\u002F>\n\n## CoinbaseUSD 数据集示例\n\n```\n                     price_open  price_high  price_low  price_close      volume  close_price_returns close_price_returns_bins  close_price_returns_labels\nDateTime_UTC                                                                                                                                             \n2017-05-29 11:55:00     2158.86     2160.06    2155.78      2156.00   21.034283             0.000000          (-0.334, 0.015]                           5\n2017-05-29 12:00:00     2155.98     2170.88    2155.79      2158.53   47.772555             0.117347           (0.015, 0.364]                           6\n2017-05-29 12:05:00     2158.49     2158.79    2141.12      2141.92  122.332090            -0.769505        (-1.0322, -0.683]                           3\n2017-05-29 12:10:00     2141.87     2165.90    2141.86      2162.44   87.253402             0.958019          (0.713, 1.0623]                           8\n```\n- 向右滚动查看所有列！\n- 成交量以 BTC 显示。\n- 收益率以百分比表示，基于收盘价计算。\n\n## 如何开始？\n```\ngit clone https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin.git\ncd deep-learning-bitcoin\n.\u002Fdata_download.sh # will download it to \u002Ftmp\u002F\npython3 data_generator.py \u002Ftmp\u002Fbtc-trading-patterns\u002F \u002Ftmp\u002FcoinbaseUSD.csv 1 # 1 means we want to use quantiles on returns. 0 would mean we are interested if the bitcoin goes UP or DOWN only.\n```\n\n如果您有兴趣构建一个巨大的数据集（coinbase.csv 包含约 1800 万行），建议以后台模式运行程序：\n\n```\nnohup python3 -u data_generator.py \u002Ftmp\u002Fbtc-trading-patterns\u002F \u002Ftmp\u002FcoinbaseUSD.csv 1 > \u002Ftmp\u002Fbtc.out 2>&1 &\ntail -f \u002Ftmp\u002Fbtc.out\n```\n\n如果您遇到此错误：\n\n```\n_tkinter.TclError: no display name and no $DISPLAY environment variable\n```\n\n请参考此解决方案：https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F37604289\u002Ftkinter-tclerror-no-display-name-and-no-display-environment-variable\n\n## 使用 Docker 运行\n\n要构建 Docker 镜像，只需执行\n\n```\ndocker build -t dlb .\n```\n\n从仓库文件夹中，然后运行容器\n\n```\ndocker run -it --name dlb -v $PWD:\u002Fapp dlb \u002Fbin\u002Fbash\n```\n\n当前文件夹将挂载到 `\u002Fapp`。为了验证挂载是否正确，请在容器内执行\n\n```\nroot@c11ef702a6d6:\u002Fapp# mount| grep app\n\u002Fdev\u002Fsda2 on \u002Fapp type ext4 (rw,relatime,errors=remount-ro,data=ordered)\n```","# deep-learning-bitcoin 快速上手指南\n\n**deep-learning-bitcoin** 是一个利用深度学习挖掘比特币价格模式的开源项目。它通过将原始价格数据转换为类似人类观察 K 线图的像素图像，使用卷积神经网络（CNN）来预测资产价格的涨跌趋势及幅度。\n\n## 环境准备\n\n*   **操作系统**: Linux \u002F macOS (Windows 建议使用 WSL 或 Docker)\n*   **基础工具**: Git, Python 3\n*   **依赖框架**: 如需完整训练流程，需配置 Caffe 和 NVIDIA DIGITS；本指南仅覆盖数据生成与预处理部分。\n*   **网络建议**: 国内用户克隆仓库时建议使用镜像加速，以避免连接超时。\n\n## 安装步骤\n\n### 方式一：本地部署\n\n1.  克隆项目代码（推荐使用镜像源）：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin.git\n    cd deep-learning-bitcoin\n    ```\n\n2.  确保拥有执行权限并下载数据脚本：\n    ```bash\n    chmod +x data_download.sh\n    ```\n\n### 方式二：Docker 部署（推荐）\n\n1.  构建 Docker 镜像：\n    ```bash\n    docker build -t dlb .\n    ```\n\n2.  启动容器并将当前目录挂载至 `\u002Fapp`：\n    ```bash\n    docker run -it --name dlb -v $PWD:\u002Fapp dlb \u002Fbin\u002Fbash\n    ```\n\n## 基本使用\n\n### 1. 下载交易数据\n在项目根目录下运行下载脚本，数据将自动保存至 `\u002Ftmp\u002F` 目录：\n```bash\n.\u002Fdata_download.sh\n```\n\n### 2. 生成数据集\n运行数据生成脚本，将原始 CSV 数据转换为模型可识别的格式。\n*   参数说明：最后一个参数 `1` 表示基于收益率分位数（Quantiles），`0` 表示仅预测涨跌方向。\n\n```bash\npython3 data_generator.py \u002Ftmp\u002Fbtc-trading-patterns\u002F \u002Ftmp\u002FcoinbaseUSD.csv 1\n```\n\n### 3. 后台运行大数据集\n若处理大规模数据（如包含 1800 万行的 coinbase.csv），建议在后台运行并监控日志：\n```bash\nnohup python3 -u data_generator.py \u002Ftmp\u002Fbtc-trading-patterns\u002F \u002Ftmp\u002FcoinbaseUSD.csv 1 > \u002Ftmp\u002Fbtc.out 2>&1 &\ntail -f \u002Ftmp\u002Fbtc.out\n```","某量化交易团队正在开发基于技术分析的比特币自动交易系统。\n\n### 没有 deep-learning-bitcoin 时\n- 需要手动编写脚本从交易所抓取 Tick 数据并清洗为 OHLC 格式，耗时且易出错。\n- 将时间序列转化为 CNN 可识别的图像像素数据缺乏现成方案，需从零构建预处理逻辑。\n- 搭建深度学习框架环境复杂，配置 Caffe 或 NVIDIA DIGITS 依赖繁琐，难以快速验证策略。\n- 缺乏针对加密货币波动特性的基准模型，无法直观评估预测涨跌的准确率基线。\n\n### 使用 deep-learning-bitcoin 后\n- 利用 deep-learning-bitcoin 内置脚本一键下载并转换 Coinbase USD 的 5 分钟 K 线数据，大幅减少数据工程时间。\n- 借助其价格曲线渲染功能，直接适配 AlexNet 等卷积网络进行训练。\n- 通过 deep-learning-bitcoin 的 Docker 容器化部署，解决了环境依赖问题，让模型训练在隔离环境中稳定运行。\n- 获得初步的涨跌预测基准（70% 准确率），为后续优化注意力机制和成交量特征奠定基础。\n\n核心价值：将复杂的量化数据工程与深度学习流程标准化，显著降低加密货币趋势预测的开发门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphilipperemy_deep-learning-bitcoin_c24deb23.png","philipperemy","Philippe Rémy","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fphilipperemy_ab4d68d0.jpg","From Paris to Bangkok via London, Tokyo, LA. Ex @ImperialCollegeLondon. Maths, Stats, Machine Learning.   🏄 🎲 🎱 Co Founder of @skysense, an AI startup.","Imperial College London","Earth","premy.enseirb@gmail.com","philipperemy.github.io\u002Fme","https:\u002F\u002Fgithub.com\u002Fphilipperemy",[85,89,93],{"name":86,"color":87,"percentage":88},"Python","#3572A5",93.1,{"name":90,"color":91,"percentage":92},"Dockerfile","#384d54",5.3,{"name":94,"color":95,"percentage":96},"Shell","#89e051",1.6,534,131,"2026-02-04T20:38:57","Apache-2.0","未说明","需要 NVIDIA GPU (基于 NVIDIA DIGITS)，具体型号和显存未说明",{"notes":104,"python":105,"dependencies":106},"支持 Docker 容器化运行；运行数据生成脚本时若遇 tkinter 错误需解决 DISPLAY 环境问题；训练部分依赖 NVIDIA DIGITS 和 Caffe 框架","python3 (版本未说明)",[107,108,109],"Caffe","NVIDIA DIGITS","tkinter",[13],[112,113,114,115],"bitcoin","artificial-intelligence","deep-learning","machine-learning",null,"2026-03-27T02:49:30.150509","2026-04-06T07:11:56.731467",[120,125,130,135,140,145],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},1461,"数据下载脚本卡住且没有 HTTP 响应返回怎么办？","这可能是网络波动或服务器端问题。建议尝试从其他位置下载数据。维护者在后续评论中提到重新测试后已恢复正常，如果持续挂起，建议更换下载源或检查网络连接。","https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin\u002Fissues\u002F12",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},1462,"如何获取比特币每分钟价格并处理数据中的缺失值？","可以通过代码提取历史交易记录中的分钟级价格。如果不想删除 NaN 值，可以使用 `.fillna(0)` 方法将所有缺失值转换为 0，具体参考 Pandas 文档：https:\u002F\u002Fpandas.pydata.org\u002Fpandas-docs\u002Fstable\u002Fgenerated\u002Fpandas.DataFrame.fillna.html","https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin\u002Fissues\u002F7",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},1463,"运行时报错 `pandas.core.config.OptionError: \"No such keys(s): 'display.height'\"` 如何解决？","这是由于 Pandas 版本更新导致 `display.height` 选项被移除。请在仓库中更新至修复该问题的最新版本（Commit: b04f115743915b74a0f77ee38f5f47bf8c1200c4），或检查 Pandas 版本兼容性。","https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin\u002Fissues\u002F18",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},1464,"项目中是否有模型构建或训练的代码？","本项目主要专注于数据下载和预处理。模型训练是在 NVIDIA DIGITS 平台上完成的，相关代码不在此仓库中。更多信息可参考：https:\u002F\u002Fgithub.com\u002Fnvidia\u002Fdigits","https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin\u002Fissues\u002F14",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},1465,"运行 `data_generator.py` 时出现 `'Series' object has no attribute 'ohlc'` 错误怎么办？","这通常是因为 Pandas 版本过低导致 API 变更。请确保安装最新版本的 Pandas，运行命令：`pip install pandas --upgrade`。","https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin\u002Fissues\u002F4",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},1466,"运行脚本时遇到 Matplotlib 或 Tkinter 显示环境错误（如 TclError）如何解决？","这通常发生在无图形界面的服务器环境中。请参考 StackOverflow 上的解决方案以配置显示环境：https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F37604289\u002Ftkinter-tclerror-no-display-name-and-no-display-environment-variable","https:\u002F\u002Fgithub.com\u002Fphilipperemy\u002Fdeep-learning-bitcoin\u002Fissues\u002F5",[]]