[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-phlippe--uvadlc_notebooks":3,"tool-phlippe--uvadlc_notebooks":61},[4,18,26,36,44,52],{"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":10,"last_commit_at":24,"category_tags":25,"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":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"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",141543,2,"2026-04-06T11:32:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},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",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":101,"github_topics":102,"view_count":32,"oss_zip_url":112,"oss_zip_packed_at":112,"status":17,"created_at":113,"updated_at":114,"faqs":115,"releases":144},4420,"phlippe\u002Fuvadlc_notebooks","uvadlc_notebooks","Repository of Jupyter notebook tutorials for teaching the Deep Learning Course at the University of Amsterdam (MSc AI), Fall 2023","uvadlc_notebooks 是阿姆斯特丹大学深度学习课程配套的开源教程库，旨在通过可交互的 Jupyter Notebook 帮助学习者将抽象的理论转化为具体的代码实践。它有效解决了深度学习学习中“懂原理却难以下手实现”的痛点，让用户在动手编码中深入理解优化技术、Transformer 架构及图神经网络等核心概念。\n\n这套教程特别适合人工智能专业的学生、希望系统提升实战能力的开发者以及从事相关领域的研究人员。其独特的技术亮点在于提供了基于 PyTorch（含 PyTorch Lightning）和 JAX+Flax 两种主流框架的一对一代码实现，方便用户对比学习不同生态下的建模方式。此外，所有笔记均经过精心设计，无需高端显卡即可在普通笔记本电脑的 CPU 上运行，并支持一键跳转至 Google Colab 进行 GPU 加速实验。作为 PyTorch Lightning 官方认可的教程资源，uvadlc_notebooks 以清晰的结构和实用的预训练模型，为用户搭建了一座从理论通往工程落地的坚实桥梁。","UvA Deep Learning Tutorials\n===========================\n\n*Note: To look at the notebooks in a nicer format, visit our RTD website: https:\u002F\u002Fuvadlc-notebooks.readthedocs.io\u002Fen\u002Flatest\u002F*\n\n*Course website*: https:\u002F\u002Fuvadlc.github.io\u002F\u003Cbr>\n*Course edition*: Fall 2024 (Oct. 28 - Dec. 20) - Being kept up to date\u003C\u002Fbr>\n*Recordings*: [YouTube Playlist](\u003Chttps:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdlPlO1QhMiAkedeu0aJixfkknLRxk1nA>)\u003C\u002Fbr>\n*Author*: Phillip Lippe\n\nFor this year's course edition, we created a series of Jupyter notebooks that are designed to help you understanding the \"theory\" from the lectures by seeing corresponding implementations.\nWe will visit various topics such as optimization techniques, transformers, graph neural networks, and more (for a full list, see below).\nThe notebooks are there to help you understand the material and teach you details of the **PyTorch** framework, including **PyTorch Lightning**.\nFurther, we provide one-to-one translations of the notebooks to **JAX+Flax** as alternative framework.\n\nThe notebooks are presented in the first hour of every group tutorial session.\nDuring the tutorial sessions, we will present the content and explain the implementation of the notebooks.\nYou can decide yourself whether you just want to look at the filled notebook, want to try it yourself, or code along during the practical session.\nThe notebooks are not directly part of any mandatory assignments on which you would be graded or similarly.\nHowever, we encourage you to get familiar with the notebooks and experiment or extend them yourself.\nFurther, the content presented will be relevant for the graded assignment and exam.\n\nThe tutorials have been integrated as official tutorials of PyTorch Lightning.\nThus, you can also view them in [their documentation](https:\u002F\u002Fpytorch-lightning.readthedocs.io\u002Fen\u002Flatest\u002F).\n\nHow to run the notebooks\n------------------------\n\nOn this website, you will find the notebooks exported into a HTML format so that you can read them from whatever device you prefer. However, we suggest that you also give them a try and run them yourself. There are three main ways of running the notebooks we recommend:\n\n- **Locally on CPU**: All notebooks are stored on the github repository that also builds this website. You can find them here: https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks\u002Ftree\u002Fmaster\u002Fdocs\u002Ftutorial_notebooks. The notebooks are designed so that you can execute them on common laptops without the necessity of a GPU. We provide pretrained models that are automatically downloaded when running the notebooks, or can manually be downloaded from this [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1SevzqrkhHPAifKEHo-gi7J-dVxifvs4c?usp=sharing). The required disk space for the pretrained models and datasets is less than 1GB. To ensure that you have all the right python packages installed, we provide a conda environment in the [same repository](https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks\u002Fblob\u002Fmaster\u002F) (choose the CPU or GPU version depending on your system).\n\n- **Google Colab**: If you prefer to run the notebooks on a different platform than your own computer, or want to experiment with GPU support, we recommend using [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fnotebooks\u002Fintro.ipynb#recent=true). Each notebook on this documentation website has a badge with a link to open it on Google Colab. Remember to enable GPU support before running the notebook (`Runtime -> Change runtime type`). Each notebook can be executed independently, and doesn't require you to connect your Google Drive or similar. However, when closing the session, changes might be lost if you don't save it to your local computer or have copied the notebook to your Google Drive beforehand.\n\n- **Snellius cluster**: If you want to train your own (larger) neural networks based on the notebooks, you can make use of the Snellius cluster. However, this is only suggested if you really want to train a new model, and use the other two options to go through the discussion and analysis of the models. Snellius might not allow you with your student account to run Jupyter notebooks directly on the gpu_shared partition. Instead, you can first convert the notebooks to a script using `jupyter nbconvert --to script ...ipynb`, and then start a job on Snellius for running the script. A few advices when running on Snellius:\n   - Disable the tqdm statements in the notebook. Otherwise your slurm output file might overflow and be several MB large. In PyTorch Lightning, you can do this by setting `progress_bar_refresh_rate=0` in the trainer.\n   - Comment out the matplotlib plotting statements, or change :code:`plt.show()` to `plt.savefig(...)`.\n\nTutorial-Lecture alignment\n--------------------------\n\nWe will discuss 7 of the tutorials in the course, spread across lectures to cover something from every area. You can align the tutorials with the lectures based on their topics. The list of tutorials is:\n\n- Guide 1: Working with the Snellius cluster\n- Tutorial 2: Introduction to PyTorch\n- Tutorial 3: Activation functions\n- Tutorial 4: Optimization and Initialization\n- Tutorial 5: Inception, ResNet and DenseNet\n- Tutorial 6: Transformers and Multi-Head Attention\n- Tutorial 7: Graph Neural Networks\n- Tutorial 8: Deep Energy Models\n- Tutorial 9: Autoencoders\n- Tutorial 10: Adversarial attacks\n- Tutorial 11: Normalizing Flows on image modeling\n- Tutorial 12: Autoregressive Image Modeling\n- Tutorial 15: Vision Transformers\n- Tutorial 16: Meta Learning - Learning to Learn\n- Tutorial 17: Self-Supervised Contrastive Learning with SimCLR\n\n\nFeedback, Questions or Contributions\n------------------------------------\n\nThis is the first time we present these tutorials during the Deep Learning course. As with any other project, small bugs and issues are expected. We appreciate any feedback from students, whether it is about a spelling mistake, implementation bug, or suggestions for improvements\u002Fadditions to the notebooks. Please use the following [link](https:\u002F\u002Fdocs.google.com\u002Fforms\u002Fd\u002Fe\u002F1FAIpQLSeIhwrFSHlDSWGAgCN-RcTKm7Sn7P6bxzIyzIGge6xId1K8DQ\u002Fviewform?usp=sf_link) to submit feedback, or feel free to reach out to me directly per mail (p dot lippe at uva dot nl), or grab me during any TA session.\n\nIf you find the tutorials helpful and would like to cite them, you can use the following bibtex:\n```bibtex\n@misc{lippe2024uvadlc,\n   title        = {{UvA Deep Learning Tutorials}},\n   author       = {Phillip Lippe},\n   year         = 2024,\n   howpublished = {\\url{https:\u002F\u002Fuvadlc-notebooks.readthedocs.io\u002Fen\u002Flatest\u002F}}\n}\n```\n","UvA 深度学习教程\n===========================\n\n*注：若想以更美观的格式查看这些笔记本，请访问我们的 RTD 网站：https:\u002F\u002Fuvadlc-notebooks.readthedocs.io\u002Fen\u002Flatest\u002F*\n\n*课程网站*: https:\u002F\u002Fuvadlc.github.io\u002F\u003Cbr>\n*课程版本*: 2024 年秋季（10月28日—12月20日）——持续更新\u003C\u002Fbr>\n*录像*: [YouTube 播放列表](\u003Chttps:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdlPlO1QhMiAkedeu0aJixfkknLRxk1nA>)\u003C\u002Fbr>\n*作者*: Phillip Lippe\n\n针对今年的课程版本，我们创建了一系列 Jupyter 笔记本，旨在通过对应的实现代码帮助你更好地理解课堂讲授的“理论”。我们将涵盖优化技术、Transformer、图神经网络等多个主题（完整列表见下文）。这些笔记本不仅有助于你理解课程内容，还会深入讲解 **PyTorch** 框架，包括 **PyTorch Lightning**。此外，我们还提供了这些笔记本的 **JAX+Flax** 对应版本，作为另一种框架的选择。\n\n每个小组辅导课的第一小时都会展示这些笔记本。在辅导过程中，我们会讲解内容并剖析笔记本中的实现细节。你可以自行决定是仅浏览已完成的笔记本、亲自尝试，还是在实践环节中跟随代码一起编写。这些笔记本并不直接属于任何需要评分的必做作业或其他类似任务。不过，我们鼓励你熟悉这些笔记本，并自行进行实验或扩展。此外，其中的内容也将与评分作业和考试相关。\n\n这些教程已被整合为 PyTorch Lightning 的官方教程。因此，你也可以在他们的文档中查看：[PyTorch Lightning 文档](https:\u002F\u002Fpytorch-lightning.readthedocs.io\u002Fen\u002Flatest\u002F)。\n\n如何运行这些笔记本\n------------------------\n\n在本网站上，我们已将笔记本导出为 HTML 格式，方便你在任何设备上阅读。然而，我们仍建议你亲自尝试运行它们。以下是三种推荐的运行方式：\n\n- **本地 CPU 运行**：所有笔记本都存储在构建此网站的 GitHub 仓库中。你可以在以下链接找到它们：https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks\u002Ftree\u002Fmaster\u002Fdocs\u002Ftutorial_notebooks。这些笔记本的设计使得你无需 GPU 即可在普通笔记本电脑上运行。我们提供了预训练模型，这些模型会在运行笔记本时自动下载，或者你也可以从这个 [Google Drive](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1SevzqrkhHPAifKEHo-gi7J-dVxifvs4c?usp=sharing) 手动下载。预训练模型和数据集所需的磁盘空间不足 1GB。为了确保你安装了所有必要的 Python 包，我们在同一仓库中提供了一个 conda 环境（根据你的系统选择 CPU 或 GPU 版本）。\n\n- **Google Colab**：如果你希望在不同于自己电脑的平台上运行笔记本，或者想尝试使用 GPU 支持，我们推荐使用 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002Fnotebooks\u002Fintro.ipynb#recent=true)。本文档网站上的每个笔记本都配有可打开 Google Colab 的按钮。请记得在运行笔记本前启用 GPU 支持（“Runtime -> Change runtime type”）。每个笔记本可以独立运行，无需连接你的 Google Drive 或其他服务。不过，关闭会话后，若未保存到本地或提前复制到 Google Drive，更改可能会丢失。\n\n- **Snellius 集群**：如果你想基于这些笔记本训练自己的（较大规模的）神经网络，可以使用 Snellius 集群。但仅当你要真正训练新模型时才建议这样做；对于模型的讨论和分析，可以先使用前两种方法。Snellius 可能不允许你以学生账号直接在 gpu_shared 分区上运行 Jupyter 笔记本。你可以先使用 `jupyter nbconvert --to script ...ipynb` 将笔记本转换为脚本，然后在 Snellius 上提交作业来运行该脚本。在 Snellius 上运行时，请注意以下几点：\n   - 禁用笔记本中的 tqdm 输出语句。否则，你的 slurm 输出文件可能会变得非常大，达到几 MB。在 PyTorch Lightning 中，可以通过在 trainer 中设置 `progress_bar_refresh_rate=0` 来实现。\n   - 注释掉 matplotlib 绘图语句，或将 `plt.show()` 替换为 `plt.savefig(...)`。\n\n辅导课与讲座的对应关系\n--------------------------\n\n我们将在课程中讲解 7 个辅导课，分散在不同的讲座中，以覆盖各个领域的内容。你可以根据主题将辅导课与讲座对应起来。辅导课列表如下：\n\n- 指南 1：使用 Snellius 集群\n- 辅导课 2：PyTorch 入门\n- 辅导课 3：激活函数\n- 辅导课 4：优化与初始化\n- 辅导课 5：Inception、ResNet 和 DenseNet\n- 辅导课 6：Transformer 和多头注意力机制\n- 辅导课 7：图神经网络\n- 辅导课 8：深度能量模型\n- 辅导课 9：自编码器\n- 辅导课 10：对抗攻击\n- 辅导课 11：用于图像建模的归一化流\n- 辅导课 12：自回归图像建模\n- 辅导课 15：视觉 Transformer\n- 辅导课 16：元学习——学会学习\n- 辅导课 17：基于 SimCLR 的自监督对比学习\n\n\n反馈、问题或贡献\n------------------------------------\n\n这是我们首次在深度学习课程中推出这些辅导课。如同任何项目一样，难免会出现一些小 bug 和问题。我们非常欢迎同学们的反馈，无论是拼写错误、实现问题，还是对笔记本改进或补充的建议。请使用以下 [链接](https:\u002F\u002Fdocs.google.com\u002Fforms\u002Fd\u002Fe\u002F1FAIpQLSeIhwrFSHlDSWGAgCN-RcTKm7Sn7P6bxzIyzIGge6xId1K8DQ\u002Fviewform?usp=sf_link) 提交反馈，或者直接通过邮件 (p dot lippe at uva dot nl) 联系我，亦可在任何助教答疑时段找我交流。\n\n如果你觉得这些辅导课很有帮助，并希望引用它们，可以使用以下 BibTeX 格式：\n```bibtex\n@misc{lippe2024uvadlc,\n   title        = {{UvA Deep Learning Tutorials}},\n   author       = {Phillip Lippe},\n   year         = 2024,\n   howpublished = {\\url{https:\u002F\u002Fuvadlc-notebooks.readthedocs.io\u002Fen\u002Flatest\u002F}}\n}\n```","# uvadlc_notebooks 快速上手指南\n\nUvA Deep Learning Tutorials 是阿姆斯特丹大学（UvA）推出的深度学习教程系列，通过 Jupyter Notebook 形式结合理论讲解与代码实现，涵盖优化技术、Transformer、图神经网络等前沿主题。本教程基于 **PyTorch** 和 **PyTorch Lightning** 构建，并提供 **JAX+Flax** 版本作为替代方案。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **硬件**：普通笔记本电脑即可运行（CPU 模式）；若需加速训练或运行大型模型，建议使用支持 CUDA 的 GPU。\n- **存储空间**：预训练模型和数据集总共占用小于 1GB。\n\n### 前置依赖\n- Python 3.8+\n- Conda（推荐用于管理环境）\n- Git（用于克隆仓库）\n\n> 💡 提示：国内用户可使用清华或中科大镜像源加速 Conda 和 pip 包下载。\n\n## 安装步骤\n\n### 方法一：本地运行（推荐初学者）\n\n1. 克隆项目仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks.git\ncd uvadlc_notebooks\n```\n\n2. 创建并激活 Conda 环境（根据是否使用 GPU 选择对应文件）：\n```bash\n# CPU 版本\nconda env create -f environment_cpu.yml\nconda activate uvadlc_cpu\n\n# 或 GPU 版本（需已安装 NVIDIA 驱动和 CUDA）\nconda env create -f environment_gpu.yml\nconda activate uvadlc_gpu\n```\n\n3. （可选）手动下载预训练模型（如自动下载失败）：\n访问 [Google Drive 链接](https:\u002F\u002Fdrive.google.com\u002Fdrive\u002Ffolders\u002F1SevzqrkhHPAifKEHo-gi7J-dVxifvs4c?usp=sharing) 下载所需文件至指定目录。\n\n### 方法二：Google Colab 在线运行\n\n无需本地安装，直接点击文档页面中的 \"Open in Colab\" 徽章即可在浏览器中运行。记得启用 GPU：\n- 菜单栏选择 `Runtime` → `Change runtime type` → 设置 `Hardware accelerator` 为 `GPU`。\n\n### 方法三：Snellius 集群（高级用户）\n\n适用于需要训练大规模模型的场景。需将 Notebook 转为脚本后提交作业：\n```bash\njupyter nbconvert --to script your_notebook.ipynb\nsbatch run_script.sh\n```\n> 注意：请禁用 `tqdm` 进度条（设置 `progress_bar_refresh_rate=0`），并将 `plt.show()` 改为 `plt.savefig(...)` 以避免输出溢出。\n\n## 基本使用\n\n1. 启动 Jupyter Notebook：\n```bash\njupyter notebook docs\u002Ftutorial_notebooks\n```\n\n2. 打开任意教程笔记本，例如：\n- `Tutorial_2_Introduction_to_PyTorch.ipynb`\n- `Tutorial_6_Transformers_and_Multi-Head_Attention.ipynb`\n\n3. 按顺序执行单元格，可边学边改代码进行实验。所有 Notebook 均可独立运行，无需额外配置。\n\n4. 尝试修改网络结构、超参数或添加新层，深入理解模型原理。\n\n> 📚 教程列表涵盖从 PyTorch 基础到自监督学习、元学习等高级主题，建议配合课程视频（[YouTube 播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLdlPlO1QhMiAkedeu0aJixfkknLRxk1nA)）一起学习。","阿姆斯特丹大学的一名 AI 硕士生正在准备深度学习课程的期末考试，急需通过代码实践来消化课堂上关于 Transformer 和图神经网络的复杂理论。\n\n### 没有 uvadlc_notebooks 时\n- 理论难以落地：面对抽象的数学公式和论文描述，学生很难凭空构建出正确的 PyTorch 或 JAX 代码实现，导致“看懂了但写不出”。\n- 环境配置耗时：自行搭建包含 PyTorch Lightning 等特定库的实验环境极易出错，往往在运行代码前就因版本冲突浪费数小时。\n- 缺乏权威参考：网络上教程质量参差不齐，找不到与课程考点完全匹配的标准实现，担心学到的细节与考试要求偏差。\n- 硬件门槛限制：想要复现模型却受限于本地笔记本无 GPU 支持，无法验证大规模神经网络的训练效果。\n\n### 使用 uvadlc_notebooks 后\n- 理论代码互通：直接运行官方提供的 Jupyter Notebook，直观看到优化技术及 Transformer 等架构从理论到 PyTorch\u002FJAX 代码的一一对应，瞬间打通理解堵点。\n- 开箱即用体验：利用预置的 Conda 环境文件或 Google Colab 链接，一键跳过繁琐配置，立即开始专注于算法逻辑本身。\n- 考点精准覆盖：笔记内容紧扣课程大纲与评分标准，提供了经过验证的标准答案式实现，确保复习方向绝对正确。\n- 灵活算力支持：无需本地高端显卡，通过 Colab  badge 即可调用云端 GPU 资源，或使用预训练模型在 CPU 上快速完成实验验证。\n\nuvadlc_notebooks 将晦涩的深度学习理论转化为可交互、可运行的标准代码实践，极大地降低了从“听懂课”到“写出码”的学习门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fphlippe_uvadlc_notebooks_a8b5b202.png","phlippe","Phillip Lippe","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fphlippe_8af57c02.jpg","PhD student at University of Amsterdam, QUVA Lab | ML Google Developer Expert for JAX\u002FFlax","University of Amsterdam","Amsterdam","phillip.lippe@googlemail.com","phillip_lippe","https:\u002F\u002Fphlippe.github.io","https:\u002F\u002Fgithub.com\u002Fphlippe",[83],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",100,3126,677,"2026-04-05T12:32:27","MIT","Linux, macOS, Windows","非必需。笔记本设计为可在普通笔记本电脑的 CPU 上运行；若需训练大型模型或使用 GPU，推荐使用 Google Colab 或 Snellius 集群（具体显卡型号、显存大小及 CUDA 版本未说明）。","未说明",{"notes":95,"python":93,"dependencies":96},"所有笔记本均可在无需 GPU 的普通笔记本电脑上运行。预训练模型和数据集所需磁盘空间小于 1GB，运行时会自动下载或可手动从 Google Drive 获取。项目提供 Conda 环境配置文件（分 CPU 和 GPU 版本）以确保依赖包正确安装。若在 Snellius 集群运行脚本，建议禁用 tqdm 进度条并注释掉 matplotlib 的显示语句以防输出文件过大。",[97,98,99,100],"PyTorch","PyTorch Lightning","JAX","Flax",[14],[103,104,105,106,107,108,109,110,111],"deep-learning","tutorials","uvadlc","pytorch","pytorch-lightning","tutorial","flax","jax","optax",null,"2026-03-27T02:49:30.150509","2026-04-06T22:08:44.683983",[116,121,126,131,136,140],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},20104,"在 Tutorial 6 (MHA) 中，如何正确构建和应用 key padding mask（键填充掩码）？","对于形状为 [Batch, SeqLen] 的布尔型 key padding mask（False 表示填充 token），需要将其扩展为 [Batch, Head, SeqLen, SeqLen] 以匹配 scaled_dot_product 的要求。具体做法是使用 view 和 expand 操作：key_padding_mask.view(bsz, 1, 1, seqlen).expand(-1, num_heads, seqlen, -1)。这将生成一个方形掩码，其中每一行都相同。在计算注意力 logits 后，使用 masked_fill 将掩码为 0 (False) 的位置填充为一个极大的负数（如 -9e15），以便在 softmax 后这些位置的注意力权重趋近于 0。","https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks\u002Fissues\u002F46",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},20105,"在 GNN\u002FGAT 教程中，einsum 操作 'bhc,hc->bh' 的具体含义是什么？它是如何计算注意力分数的？","该 einsum 操作用于计算注意力分数。输入 a_input 的形状为 [Batch, Heads, Channels*2]（拼接了源节点和目标节点的特征），权重矩阵 self.a 的形状为 [Heads, Channels*2]。操作 'bhc,hc->bh' 表示对每个 batch (b) 和每个 head (h)，将输入特征与对应的权重向量进行点积求和，消去通道维度 (c)，最终得到形状为 [Batch, Heads] 的注意力 logits。对于每条边 (i, j)，这会计算出一个标量分数，而不是多个值的总和。","https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks\u002Fissues\u002F6",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},20106,"在 Tutorial 11 的变分解量化（Variational Dequantization）中，为什么计算 Jacobian 行列式时只考虑缩放因子 (1 - alpha) 而忽略偏移量 0.5 * alpha？","Jacobian 行列式基于变换的导数。对于线性变换 z' = a * z + b，其导数仅取决于系数 a，常数项 b 的导数为 0。因此，在代码 z = z * (1 - self.alpha) + 0.5 * self.alpha 中，只有缩放因子 (1 - self.alpha) 会影响导数。Jacobian 对数行列式 (ldj) 的计算公式为 log(det(J)) = log(1 - self.alpha) * 特征图像素总数。偏移量 0.5 * self.alpha 仅用于数值稳定性以防止边界值 0 和 1，不参与导数计算。","https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks\u002Fissues\u002F135",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},20107,"加载预训练 Vision Transformer 模型时出现关于 'input_layer' 模块缺失的错误，如何解决？","该错误通常表明代码中的模型定义与保存预训练权重时的模型结构不一致。具体来说，可能是当前代码中移除了 'input_layer' 模块，或者该模块的名称\u002F定义发生了变更。解决方法是检查当前的 Vision Transformer 实现代码，确保 'input_layer' 模块依然存在且名称与预训练权重文件中的键名完全匹配。如果代码已更新，可能需要重新下载匹配的预训练权重或调整代码以适配新的架构。","https:\u002F\u002Fgithub.com\u002Fphlippe\u002Fuvadlc_notebooks\u002Fissues\u002F73",{"id":137,"question_zh":138,"answer_zh":139,"source_url":120},20108,"在处理序列到序列（sequence-of-sequences）的数据进行分类时，如何设计高效的 Transformer 架构？","当数据具有层级结构（例如：交互序列包含多个运动序列）且序列总长度很长时，直接将所有数据拼接到一个长序列中会导致计算成本过高（Transformer 复杂度随长度平方增长）。建议参考文档分类中的双层注意力机制（two levels of attention）：第一层在每个子序列（如单个运动序列）内部应用注意力；第二层在子序列的聚合表示之间应用注意力。这样可以有效捕捉局部和全局依赖，同时控制计算量。",{"id":141,"question_zh":142,"answer_zh":143,"source_url":125},20109,"在 GAT 的多头注意力机制中，不同头的注意力概率和节点特征是如何结合生成最终输出的？","在多头注意力中，每个头独立计算注意力概率和转换后的节点特征。最终的节点特征是通过 einsum 操作 'bijh,bjhc->bihc' 聚合得到的。这意味着对于每个节点 i、每个头 h 和每个输出通道 c，结果是所有邻居节点 j 的注意力概率 (bijh) 与其对应特征 (bjhc) 的加权和。简而言之，每个头分别对其关注的邻居特征进行加权求和，最后将所有头的结果拼接或平均（取决于具体实现，此处为保留头维度的中间结果），从而融合了来自不同表示子空间的信息。",[]]