[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-polyaxon--polyaxon":3,"tool-polyaxon--polyaxon":61},[4,18,26,36,44,53],{"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":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",143909,2,"2026-04-07T11:33:18",[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":32,"last_commit_at":50,"category_tags":51,"status":17},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",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"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":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":64,"owner_name":64,"owner_avatar_url":72,"owner_bio":73,"owner_company":74,"owner_location":74,"owner_email":75,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":74,"stars":79,"forks":80,"last_commit_at":81,"license":82,"difficulty_score":83,"env_os":84,"env_gpu":85,"env_ram":86,"env_deps":87,"category_tags":94,"github_topics":96,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":149},5081,"polyaxon\u002Fpolyaxon","polyaxon","MLOps Tools For Managing & Orchestrating The Machine Learning LifeCycle","Polyaxon 是一个专为机器学习生命周期设计的开源 MLOps 平台，旨在帮助团队高效地构建、训练和监控大规模深度学习应用。它核心解决了数据科学工作中常见的三大难题：实验难以复现、流程缺乏自动化以及资源扩展受限。通过智能的容器与节点管理，Polyaxon 能将分散的 GPU 服务器转化为团队可共享的自助式资源池，显著提升开发效率。\n\n这款工具非常适合机器学习工程师、数据科学家以及需要管理复杂 AI 项目的研发团队使用。无论是个人研究者还是企业组织，都能利用它在本地数据中心或各类云环境中灵活部署。Polyaxon 的技术亮点在于其广泛的框架兼容性，原生支持 TensorFlow、MXNet、Caffe、Torch 等主流深度学习框架，并提供了强大的命令行工具（CLI）与可视化仪表盘。用户只需简单几步即可创建项目、上传代码、启动实验并实时追踪日志与资源消耗，轻松实现从模型开发到生产部署的全流程自动化管理，让大规模深度学习应用的迭代变得更加快速且可控。","[![License: Apache 2](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-apache2-blue.svg?style=flat&longCache=true)](LICENSE)\n[![Polyaxon API](https:\u002F\u002Fimg.shields.io\u002Fdocker\u002Fpulls\u002Fpolyaxon\u002Fpolyaxon-api)](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fpolyaxon\u002Fpolyaxon-api)\n[![Slack](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSlack-1.5k%20members-blue.svg?style=flat&logo=slack&longCache=true)](https:\u002F\u002Fpolyaxon.com\u002Fslack\u002F)\n\n[![Docs](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-stable-brightgreen.svg?style=flat&longCache=true)](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002F)\n[![Release](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Frelease-v2.1.0-brightgreen.svg?longCache=true)](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Freleases\u002F2-1\u002F)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fissue_tracker-github-blue?style=flat&logo=github&longCache=true)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Fissues)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Froadmap-github-blue?style=flat&logo=github&longCache=true)](https:\u002F\u002Fgithub.com\u002Forgs\u002Fpolyaxon\u002Fprojects\u002F5)\n\n[![CLI](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fcli.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fcli.yml)\n[![Haupt](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhaupt.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhaupt.yml)\n[![Hypertune](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhypertune.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhypertune.yml)\n[![Traceml](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Ftraceml.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Ftraceml.yml)\n[![Codacy Badge](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_adaaa9495e23.png)](https:\u002F\u002Fwww.codacy.com\u002Fapp\u002Fpolyaxon\u002Fpolyaxon?utm_source=github.com&utm_medium=referral&utm_content=polyaxon\u002Fpolyaxon&utm_campaign=Badge_Grade)\n\n\n\u003Ca href=\"https:\u002F\u002Fpolyaxon.com\">\u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fpolyaxon\u002Fpolyaxon\u002Fmaster\u002Fartifacts\u002Flogo\u002Fvector\u002Fprimary-white-default-monochrome.svg\" width=\"125\" height=\"125\" align=\"right\" \u002F>\u003C\u002Fa>\n\n# Reproduce, Automate, Scale your data science\n\n\nWelcome to Polyaxon, a platform for building, training, and monitoring large scale deep learning applications.\nWe are making a system to solve reproducibility, automation, and scalability for machine learning applications.\n\nPolyaxon deploys into any data center, cloud provider, or can be hosted and managed by Polyaxon, and it supports all the major deep learning frameworks such as Tensorflow, MXNet, Caffe, Torch, etc.\n\nPolyaxon makes it faster, easier, and more efficient to develop deep learning applications by managing workloads with smart container and node management. And it turns GPU servers into shared, self-service resources for your team or organization.\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_ffb8cf53d303.gif\" alt=\"demo\" width=\"80%\">\n\u003C\u002Fp>\n\u003Cbr>\n\n# Install\n\n#### TL;DR;\n\n* Install CLI\n\n    ```bash\n    # Install Polyaxon CLI\n    $ pip install -U polyaxon\n    ```\n\n * Create a deployment\n\n    ```bash\n    # Create a namespace\n    $ kubectl create namespace polyaxon\n\n    # Add Polyaxon charts repo\n    $ helm repo add polyaxon https:\u002F\u002Fcharts.polyaxon.com\n\n    # Deploy Polyaxon\n    $ polyaxon admin deploy -f config.yaml\n\n    # Access API\n    $ polyaxon port-forward\n    ```\n\nPlease check [polyaxon installation guide](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fsetup\u002F)\n\n# Quick start\n\n#### TL;DR;\n\n * Start a project\n\n    ```bash\n    # Create a project\n    $ polyaxon project create --name=quick-start --description='Polyaxon quick start.'\n    ```\n\n * Train and track logs & resources\n\n    ```bash\n    # Upload code and start experiments\n    $ polyaxon run -f experiment.yaml -u -l\n    ```\n\n * Dashboard\n\n    ```bash\n    # Start Polyaxon dashboard\n    $ polyaxon dashboard\n\n    Dashboard page will now open in your browser. Continue? [Y\u002Fn]: y\n    ```\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_c3d5f90ea1b1.png\" alt=\"compare\" width=\"400\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_0fcbcf34d652.png\" alt=\"dashboards\" width=\"400\">\n\u003C\u002Fp>\n\u003Cbr>\n\n * Notebook\n    ```bash\n    # Start Jupyter notebook for your project\n    $ polyaxon run --hub notebook\n    ```\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_2d88210566dd.png\" alt=\"compare\" width=\"400\">\n\u003C\u002Fp>\n\u003Cbr>\n\n * Tensorboard\n    ```bash\n    # Start TensorBoard for a run's output\n    $ polyaxon run --hub tensorboard -P uuid=UUID\n    ```\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_28addea09713.png\" alt=\"tensorboard\" width=\"400\">\n\u003C\u002Fp>\n\u003Cbr>\n\nPlease check our [quick start guide](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fintro\u002Fquick-start\u002F) to start training your first experiment.\n\n# Distributed job\n\nPolyaxon supports and simplifies distributed jobs.\nDepending on the framework you are using, you need to deploy the corresponding operator, adapt your code to enable the distributed training,\nand update your polyaxonfile.\n\nHere are some examples of using distributed training:\n\n * [Distributed Tensorflow](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Ftf-jobs\u002F)\n * [Distributed Pytorch](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fpytorch-jobs\u002F)\n * [Distributed MPI](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fmpi-jobs\u002F)\n * [Horovod](https:\u002F\u002Fpolyaxon.com\u002Fintegrations\u002Fhorovod\u002F)\n * [Spark](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fspark-jobs\u002F)\n * [Dask](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fdask-jobs\u002F)\n\n# Hyperparameters tuning\n\nPolyaxon has a concept for suggesting hyperparameters and managing their results very similar to Google Vizier called experiment groups.\nAn experiment group in Polyaxon defines a search algorithm, a search space, and a model to train.\n\n * [Grid search](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fgrid-search\u002F)\n * [Random search](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Frandom-search\u002F)\n * [Hyperband](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fhyperband\u002F)\n * [Bayesian Optimization](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fbayesian-optimization\u002F)\n * [Hyperopt](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fhyperopt\u002F)\n * [Custom Iterative Optimization](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fiterative\u002F)\n\n# Parallel executions\n\nYou can run your processing or model training jobs in parallel, Polyaxon provides a [mapping](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Fmapping\u002F) abstraction to manage concurrent jobs.\n\n# DAGs and workflows\n\n[Polyaxon DAGs](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Fflow-engine\u002F) is a tool that provides container-native engine for running machine learning pipelines.\nA DAG manages multiple operations with dependencies. Each operation is defined by a component runtime.\nThis means that operations in a DAG can be jobs, services, distributed jobs, parallel executions, or nested DAGs.\n\n\n# Architecture\n\n![Polyaxon architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_bae6906c510b.png)\n\n# Documentation\n\nCheck out our [documentation](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002F) to learn more about Polyaxon.\n\n# Dashboard\n\nPolyaxon comes with a dashboard that shows the projects and experiments created by you and your team members.\n\nTo start the dashboard, just run the following command in your terminal\n\n```bash\n$ polyaxon dashboard -y\n```\n\n# Project status\n\nPolyaxon is stable and it's running in production mode at many startups and Fortune 500 companies.\n\n# Contributions\n\nPlease follow the contribution guide line: *[Contribute to Polyaxon](CONTRIBUTING.md)*.\n\n\n# Research\n\nIf you use Polyaxon in your academic research, we would be grateful if you could cite it.\n\nFeel free to [contact us](mailto:contact@polyaxon.com), we would love to learn about your project and see how we can support your custom need.\n","[![许可证：Apache 2](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-apache2-blue.svg?style=flat&longCache=true)](LICENSE)\n[![Polyaxon API](https:\u002F\u002Fimg.shields.io\u002Fdocker\u002Fpulls\u002Fpolyaxon\u002Fpolyaxon-api)](https:\u002F\u002Fhub.docker.com\u002Fr\u002Fpolyaxon\u002Fpolyaxon-api)\n[![Slack](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FSlack-1.5k%20members-blue.svg?style=flat&logo=slack&longCache=true)](https:\u002F\u002Fpolyaxon.com\u002Fslack\u002F)\n\n[![文档](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fdocs-stable-brightgreen.svg?style=flat&longCache=true)](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002F)\n[![发布版本](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Frelease-v2.1.0-brightgreen.svg?longCache=true)](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Freleases\u002F2-1\u002F)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fissue_tracker-github-blue?style=flat&logo=github&longCache=true)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Fissues)\n[![GitHub](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Froadmap-github-blue?style=flat&logo=github&longCache=true)](https:\u002F\u002Fgithub.com\u002Forgs\u002Fpolyaxon\u002Fprojects\u002F5)\n\n[![CLI](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fcli.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fcli.yml)\n[![Haupt](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhaupt.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhaupt.yml)\n[![Hypertune](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhypertune.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Fhypertune.yml)\n[![Traceml](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Ftraceml.yml\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Factions\u002Fworkflows\u002Ftraceml.yml)\n[![Codacy Badge](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_adaaa9495e23.png)](https:\u002F\u002Fwww.codacy.com\u002Fapp\u002Fpolyaxon\u002Fpolyaxon?utm_source=github.com&utm_medium=referral&utm_content=polyaxon\u002Fpolyaxon&utm_campaign=Badge_Grade)\n\n\n\u003Ca href=\"https:\u002F\u002Fpolyaxon.com\">\u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fpolyaxon\u002Fpolyaxon\u002Fmaster\u002Fartifacts\u002Flogo\u002Fvector\u002Fprimary-white-default-monochrome.svg\" width=\"125\" height=\"125\" align=\"right\" \u002F>\u003C\u002Fa>\n\n# 复现、自动化、扩展您的数据科学工作\n\n欢迎来到 Polyaxon，一个用于构建、训练和监控大规模深度学习应用的平台。\n我们正在打造一套系统，以解决机器学习应用中的可复现性、自动化和可扩展性问题。\n\nPolyaxon 可部署在任何数据中心或云服务提供商上，也可以由 Polyaxon 托管和管理。它支持所有主流深度学习框架，如 TensorFlow、MXNet、Caffe、Torch 等。\n\n通过智能的容器和节点管理，Polyaxon 能够更快速、更便捷、更高效地开发深度学习应用，并将 GPU 服务器转化为团队或组织共享的自助式资源。\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_ffb8cf53d303.gif\" alt=\"demo\" width=\"80%\">\n\u003C\u002Fp>\n\u003Cbr>\n\n# 安装\n\n#### 简而言之；\n\n* 安装 CLI\n\n    ```bash\n    # 安装 Polyaxon CLI\n    $ pip install -U polyaxon\n    ```\n\n * 创建部署环境\n\n    ```bash\n    # 创建命名空间\n    $ kubectl create namespace polyaxon\n\n    # 添加 Polyaxon Chart 仓库\n    $ helm repo add polyaxon https:\u002F\u002Fcharts.polyaxon.com\n\n    # 部署 Polyaxon\n    $ polyaxon admin deploy -f config.yaml\n\n    # 访问 API\n    $ polyaxon port-forward\n    ```\n\n请参阅 [Polyaxon 安装指南](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fsetup\u002F)\n\n# 快速入门\n\n#### 简而言之；\n\n * 开始一个项目\n\n    ```bash\n    # 创建一个项目\n    $ polyaxon project create --name=quick-start --description='Polyaxon 快速入门。'\n    ```\n\n * 训练并跟踪日志与资源\n\n    ```bash\n    # 上传代码并启动实验\n    $ polyaxon run -f experiment.yaml -u -l\n    ```\n\n * 仪表板\n\n    ```bash\n    # 启动 Polyaxon 仪表板\n    $ polyaxon dashboard\n\n    仪表板页面现在将在您的浏览器中打开。继续吗？[Y\u002Fn]: y\n    ```\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_c3d5f90ea1b1.png\" alt=\"比较\" width=\"400\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_0fcbcf34d652.png\" alt=\"仪表板\" width=\"400\">\n\u003C\u002Fp>\n\u003Cbr>\n\n * 笔记本\n    ```bash\n    # 为您的项目启动 Jupyter 笔记本\n    $ polyaxon run --hub notebook\n    ```\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_2d88210566dd.png\" alt=\"笔记本\" width=\"400\">\n\u003C\u002Fp>\n\u003Cbr>\n\n * TensorBoard\n    ```bash\n    # 为某个运行的结果启动 TensorBoard\n    $ polyaxon run --hub tensorboard -P uuid=UUID\n    ```\n\n\u003Cbr>\n\u003Cp align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_28addea09713.png\" alt=\"TensorBoard\" width=\"400\">\n\u003C\u002Fp>\n\u003Cbr>\n\n请查看我们的 [快速入门指南](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fintro\u002Fquick-start\u002F) 来开始训练您的第一个实验。\n\n# 分布式任务\n\nPolyaxon 支持并简化分布式任务。根据您使用的框架，您需要部署相应的运算符，调整代码以启用分布式训练，并更新您的 Polyaxonfile。\n\n以下是一些使用分布式训练的例子：\n\n * [分布式 TensorFlow](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Ftf-jobs\u002F)\n * [分布式 PyTorch](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fpytorch-jobs\u002F)\n * [分布式 MPI](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fmpi-jobs\u002F)\n * [Horovod](https:\u002F\u002Fpolyaxon.com\u002Fintegrations\u002Fhorovod\u002F)\n * [Spark](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fspark-jobs\u002F)\n * [Dask](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fexperimentation\u002Fdistributed\u002Fdask-jobs\u002F)\n\n# 超参数调优\n\nPolyaxon 提供了一种类似于 Google Vizier 的超参数建议和结果管理概念，称为实验组。在 Polyaxon 中，实验组定义了搜索算法、搜索空间以及要训练的模型。\n\n * [网格搜索](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fgrid-search\u002F)\n * [随机搜索](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Frandom-search\u002F)\n * [Hyperband](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fhyperband\u002F)\n * [贝叶斯优化](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fbayesian-optimization\u002F)\n * [Hyperopt](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fhyperopt\u002F)\n * [自定义迭代优化](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Foptimization-engine\u002Fiterative\u002F)\n\n# 并行执行\n\n您可以并行运行处理或模型训练任务。Polyaxon 提供了 [映射](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Fmapping\u002F) 抽象来管理并发任务。\n\n# DAG 和工作流\n\n[Polyaxon DAGs](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002Fautomation\u002Fflow-engine\u002F) 是一种工具，提供原生容器化的引擎来运行机器学习流水线。\nDAG 管理具有依赖关系的多个操作。每个操作由一个组件运行时定义。\n这意味着 DAG 中的操作可以是作业、服务、分布式作业、并行执行，或者是嵌套的 DAG。\n\n\n# 架构\n\n![Polyaxon 架构](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_readme_bae6906c510b.png)\n\n# 文档\n\n请查看我们的[文档](https:\u002F\u002Fpolyaxon.com\u002Fdocs\u002F)，了解更多关于 Polyaxon 的信息。\n\n# 仪表板\n\nPolyaxon 自带一个仪表板，用于展示您和团队成员创建的项目和实验。\n要启动仪表板，只需在终端中运行以下命令：\n\n```bash\n$ polyaxon dashboard -y\n```\n\n# 项目状态\n\nPolyaxon 目前稳定，并已在多家初创公司和财富 500 强企业中以生产模式运行。\n\n# 贡献\n\n请遵循贡献指南：*[为 Polyaxon 做贡献](CONTRIBUTING.md)*。\n\n\n# 研究\n\n如果您在学术研究中使用了 Polyaxon，我们非常感谢您能引用它。\n欢迎随时[联系我们](mailto:contact@polyaxon.com)，我们很乐意了解您的项目，并探讨如何满足您的定制化需求。","# Polyaxon 快速上手指南\n\nPolyaxon 是一个用于构建、训练和监控大规模深度学习应用的平台，旨在解决机器学习中的可复现性、自动化和扩展性问题。它支持 TensorFlow、PyTorch、MXNet 等主流框架，并能将 GPU 服务器转化为团队共享的自助服务资源。\n\n## 环境准备\n\n在开始之前，请确保您的环境满足以下要求：\n\n*   **操作系统**：Linux 或 macOS（推荐在生产环境使用 Linux）。\n*   **Kubernetes 集群**：需要拥有一个可用的 Kubernetes 集群（如 Minikube, Kind, EKS, GKE, ACK 等）。\n*   **kubectl**：已安装并配置好与集群的连接。\n*   **Helm**：建议安装 Helm v3+ 用于管理部署图表。\n*   **Python 环境**：已安装 Python 3.6+ 及 pip。\n*   **权限**：拥有创建 Namespace 和部署应用的集群权限。\n\n## 安装步骤\n\n### 1. 安装 Polyaxon CLI\n首先通过 pip 安装命令行工具：\n\n```bash\npip install -U polyaxon\n```\n\n### 2. 部署 Polyaxon 平台\n执行以下命令创建命名空间、添加 Helm 仓库并部署 Polyaxon：\n\n```bash\n# 创建命名空间\nkubectl create namespace polyaxon\n\n# 添加 Polyaxon Helm charts 仓库\nhelm repo add polyaxon https:\u002F\u002Fcharts.polyaxon.com\n\n# 准备配置文件 (config.yaml)\n# 注意：实际生产中请根据存储类和负载均衡器类型编辑 config.yaml\n# 此处使用默认配置进行演示\n\n# 部署 Polyaxon\npolyaxon admin deploy -f config.yaml\n\n# 端口转发以访问 API (开发\u002F测试环境常用)\npolyaxon port-forward\n```\n\n> **提示**：生产环境部署请参考官方文档配置 `config.yaml` 以适配您的云厂商存储和网络设置。\n\n## 基本使用\n\n安装完成后，您可以立即开始创建项目并运行实验。\n\n### 1. 创建项目\n使用 CLI 创建一个新项目：\n\n```bash\npolyaxon project create --name=quick-start --description='Polyaxon quick start.'\n```\n\n### 2. 运行实验\n上传代码并启动实验（需预先准备好 `experiment.yaml` 定义文件）：\n\n```bash\n# -u: 上传代码，-l: 跟踪日志和资源\npolyaxon run -f experiment.yaml -u -l\n```\n\n### 3. 打开仪表盘\n启动本地浏览器访问 Polyaxon 仪表盘，查看项目状态、实验对比和监控数据：\n\n```bash\npolyaxon dashboard\n```\n*系统提示是否打开浏览器时，输入 `y` 确认。*\n\n### 4. 启动开发环境\nPolyaxon 支持一键启动 Jupyter Notebook 或 TensorBoard 进行交互式开发和调试：\n\n**启动 Jupyter Notebook：**\n```bash\npolyaxon run --hub notebook\n```\n\n**启动 TensorBoard（需替换 UUID 为具体运行 ID）：**\n```bash\npolyaxon run --hub tensorboard -P uuid=UUID\n```\n\n通过以上步骤，您已完成 Polyaxon 的基础部署并成功运行了第一个实验流程。更多高级功能（如分布式训练、超参数调优、DAG 工作流）请参阅官方文档。","某电商推荐算法团队正在迭代一个基于 TensorFlow 的深度学习模型，需每日在多台 GPU 服务器上运行数十次超参数调优实验。\n\n### 没有 polyaxon 时\n- 实验记录散落在不同开发者的本地日志或 Excel 表格中，一旦人员变动或服务器故障，关键实验数据无法复现。\n- 团队成员手动抢占有限的 GPU 资源，常因环境配置冲突或资源死锁导致任务排队数小时，协作效率极低。\n- 缺乏统一的监控视图，管理者难以实时对比不同参数组合下的模型收敛曲线，决策依赖口头汇报而非数据看板。\n- 每次部署新实验需重复编写复杂的 Kubernetes 脚本，运维成本高且容易出错，阻碍了快速迭代。\n\n### 使用 polyaxon 后\n- Polyaxon 自动版本化代码、数据和超参数，任何一次实验均可通过一键命令完整复现，彻底解决了“在我机器上能跑”的难题。\n- 平台将 GPU 集群转化为共享资源池，智能调度容器任务，团队成员提交作业后即可自动排队执行，无需人工协调资源。\n- 内置 Dashboard 提供实时的实验对比看板，支持可视化追踪损失函数与资源消耗，让最优模型的选择过程透明且高效。\n- 开发者只需定义简单的 YAML 配置文件即可启动复杂训练任务，Polyaxon 自动处理底层编排，让团队专注于算法优化而非运维脚本。\n\nPolyaxon 通过标准化和自动化机器学习全生命周期，将原本混乱的实验过程转变为可复现、可扩展的高效流水线。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpolyaxon_polyaxon_c3d5f90e.png","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpolyaxon_589520b4.png","A platform for reproducible and scalable machine learning and deep learning",null,"contact@polyaxon.com","polyaxonAI","https:\u002F\u002Fpolyaxon.com","https:\u002F\u002Fgithub.com\u002Fpolyaxon",3702,324,"2026-04-05T19:58:17","Apache-2.0",4,"Linux, macOS","未说明（平台支持将 GPU 服务器转化为共享资源，具体取决于用户部署的节点配置）","未说明（取决于集群规模和并发任务量）",{"notes":88,"python":89,"dependencies":90},"Polyaxon 是一个基于 Kubernetes 的平台，部署需要 kubectl 和 Helm 环境。它支持在任意数据中心或云提供商上部署，并原生支持 TensorFlow、PyTorch、MXNet、Caffe、Torch 等主流深度学习框架。具体的硬件需求（如 GPU 型号、显存、内存）取决于用户运行的具体机器学习工作负载，而非平台本身的基础运行要求。","未说明（需安装 polyaxon CLI，通常兼容主流 Python 3 版本）",[91,92,93],"kubectl","helm","polyaxon (CLI)",[16,14,95,13],"其他",[97,98,99,100,101,102,103,104,105,106,107,108,109,110,111,112,113,114,115,116],"deep-learning","machine-learning","artificial-intelligence","data-science","reinforcement-learning","kubernetes","tensorflow","pytorch","keras","mxnet","caffe","ml","k8s","jupyter","notebook","jupyterlab","pipelines","workflow","mlops","hyperparameter-optimization","2026-03-27T02:49:30.150509","2026-04-07T22:49:52.689004",[120,125,130,135,140,144],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},23102,"为什么新项目的实验 ID 不是从 1 开始，而是延续了之前的编号？","这是有意为之的设计。最初系统使用计数器生成 ID，但由于并发问题导致性能下降和不稳定。在 v1 版本中，平台改用 UUID 来消除混淆并提高稳定性，因此 ID 不再是从 1 开始的连续整数。","https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Fissues\u002F666",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},23103,"如何在 Polyaxon 的构建环境中暴露 ConfigMaps 或 Secrets（例如用于安装内部依赖包）？","在当前版本中，直接将宿主机的环境变量传递给 Docker 构建进程（如 `docker -e`）是不可行的。对于 Kaniko 构建器，目前也无法直接传递环境变量作为构建参数。解决方法是：1. 在 Polyaxon 外部预先构建基础镜像并托管在私有容器注册表中；2. 等待后续版本（v0.6+），届时将支持自定义构建组件的命令和参数，允许用户传递环境变量。","https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Fissues\u002F477",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},23104,"在 Minikube 单节点集群上部署 Polyaxon 后，为什么显示没有节点且实验构建失败？如何处理多节点存储需求？","Polyaxon 本身不管理节点存储，而是依赖 Kubernetes 的机制。如果需要将卷挂载到多个节点（例如共享输出数据），必须配置 NFS、GlusterFS 或其他支持 ReadWriteMany 访问模式的存储方案。如果在单节点或测试环境中运行，输出默认存储在各节点的 `\u002Ftmp` 文件夹中，用户需要手动从相应节点收集输出文件。","https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Fissues\u002F274",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},23105,"升级 Polyaxon 后遇到 'deleted flagged missed in initialization' 错误或运行失败，该如何解决？","该问题通常由两个原因引起：1. 特定版本的镜像（如 `polyaxon\u002Fpolyaxon-sidecar:1.1.9`）可能损坏，维护者已重新推送修复后的镜像；2. 本地缓存文件夹 `.polyaxon` 中保留了旧版本（如 1.1.8 CLI）生成的缓存，导致与新版本冲突。解决方法是删除项目目录下的 `.polyaxon` 文件夹（确保其已在 .gitignore 和 .dockerignore 中），然后重新运行命令。","https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Fissues\u002F1107",{"id":141,"question_zh":142,"answer_zh":143,"source_url":124},23106,"Tensorboard 启动时报错 'deployments.extensions is forbidden' (403 Forbidden) 是什么原因？","这是一个已知 Bug，原因是客户端使用了 Kubernetes 1.17 中已废弃或移除的 API（extensions\u002Fv1beta1）。该问题已在代码库中修复，并且 Helm Chart 也已更新以使用最新版本的 PostgreSQL。用户需要等待包含这些修复的新版本发布，或手动更新相关组件以兼容新版 K8s API。",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},23107,"同时调度大量作业时，为什么会出现作业处于 'zombie'（僵尸）状态或被错误标记为失败？","这可能是由于调度器中的竞态条件引起的。当大量作业同时调度时，Kubernetes 可能因资源不足暂时无法调度某些 Pod，但 Polyaxon 的心跳服务误认为这些作业正在运行。如果资源长时间被占用，心跳服务会自动停止并标记这些作业为失败。虽然难以一致复现，但这被视为调度逻辑中的潜在关键问题，建议避免极高峰值并发或关注后续版本的调度器修复。","https:\u002F\u002Fgithub.com\u002Fpolyaxon\u002Fpolyaxon\u002Fissues\u002F610",[]]