[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-pplonski--my_ml_service":3,"similar-pplonski--my_ml_service":82},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":20,"owner_website":21,"owner_url":22,"languages":23,"stars":40,"forks":41,"last_commit_at":42,"license":43,"difficulty_score":44,"env_os":45,"env_gpu":45,"env_ram":45,"env_deps":46,"category_tags":50,"github_topics":20,"view_count":44,"oss_zip_url":20,"oss_zip_packed_at":20,"status":52,"created_at":53,"updated_at":54,"faqs":55,"releases":81},367,"pplonski\u002Fmy_ml_service","my_ml_service","My Machine Learning Web Service","my_ml_service 是一个基于 Django 构建的机器学习 Web 服务框架，旨在帮助开发者轻松地将训练好的机器学习模型部署为 REST API。my_ml_service 解决了模型上线后常见的管理难题，例如如何同时维护多个模型版本、如何追踪请求日志以及如何科学对比模型效果。\n\n这个项目非常适合机器学习工程师、后端开发者以及希望将算法模型产品化的研究人员使用。与常见的单一模型部署教程不同，my_ml_service 支持在同一端点管理多个模型及其不同版本，允许定义多个接口地址。系统会自动存储发送给模型的请求信息，便于后续的模型测试与审计。\n\n技术亮点方面，my_ml_service 原生支持在不同模型版本间进行 A\u002FB 测试，帮助团队验证新模型的实际表现。项目结构清晰，包含模型训练代码、Django 后端应用以及 Docker 容器化配置，并配备了完善的测试用例，确保 ML 代码与服务端代码的稳定性。如果你正在寻找一个结构规范、功能实用的模型部署参考方案，my_ml_service 值得尝试。","# Deploy Machine Learning Models with Django\n\nThis is a source code from the tutorial available at [deploymachinelearning.com](https:\u002F\u002Fdeploymachinelearning.com)\n\nThis web service makes Machine Learning models available with REST API. It is different from most of the tutorials available on the internet:\n\n- it keeps information about many ML models in the web service. There can be several ML models available at the same endpoint with different versions. What is more, there can be many endpoint addresses defined.\n- it stores information about requests sent to the ML models, this can be used later for model testing and audit.\n- it has tests for ML code and server code,\n- it can run A\u002FB tests between different versions of ML models.\n\n## The code structure\n\nIn the `research` directory there are:\n\n- code for training machine learning models on Adult-Income dataset [link](https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fblob\u002Fmaster\u002Fresearch\u002Ftrain_income_classifier.ipynb)\n- code for simulating A\u002FB tests [link](https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fblob\u002Fmaster\u002Fresearch\u002Fab_test.ipynb)\n\nIn the `backend` directory there is Django application.\n\nIn the `docker` directory there are dockerfiles for running the service in the container.\n\n\n## Django + React Tutorial :books:\n\nI'm working on complete tutorial how to build SaaS (software as a Service) application with Django and React from scratch. The SaaS service will be for server uptime monitoring - it is available at [monitor-uptime.com](https:\u002F\u002Fmonitor-uptime.com). The tutorial is available at [SaaSitive website](https:\u002F\u002Fsaasitive.com\u002Freact-django-tutorial\u002F).\n","# 使用 Django 部署机器学习 (Machine Learning) 模型\n\n这是来自 [deploymachinelearning.com](https:\u002F\u002Fdeploymachinelearning.com) 教程的源代码。\n\n该 Web 服务通过 REST API (代表性状态传输应用程序接口) 提供机器学习模型。它与互联网上大多数教程不同：\n\n- 它在 Web 服务中保留了许多 ML (机器学习) 模型的信息。同一个 endpoint (端点) 可以同时提供几个不同版本的 ML 模型。此外，还可以定义多个端点地址。\n- 它存储发送到 ML 模型的请求信息，这些信息可用于后续的模型测试和 audit (审计)。\n- 它包含针对 ML 代码和服务器代码的测试，\n- 它可以在不同版本的 ML 模型之间运行 A\u002FB tests (A\u002FB 测试)。\n\n## 代码结构\n\n在 `research` 目录中包含：\n\n- 在 Adult-Income 数据集上训练机器学习模型的代码 [链接](https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fblob\u002Fmaster\u002Fresearch\u002Ftrain_income_classifier.ipynb)\n- 模拟 A\u002FB 测试的代码 [链接](https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fblob\u002Fmaster\u002Fresearch\u002Fab_test.ipynb)\n\n在 `backend` 目录中是 Django 应用程序。\n\n在 `docker` 目录中是用于在 container (容器) 中运行服务的 dockerfiles (Docker 构建文件)。\n\n\n## Django + React 教程 :books:\n\n我正在编写一个完整的教程，介绍如何从头开始使用 Django 和 React 构建 SaaS (软件即服务) 应用程序。该 SaaS 服务将用于服务器 uptime (正常运行时间) 监控 - 访问地址为 [monitor-uptime.com](https:\u002F\u002Fmonitor-uptime.com)。该教程可在 [SaaSitive 网站](https:\u002F\u002Fsaasitive.com\u002Freact-django-tutorial\u002F) 获取。","# my_ml_service 快速上手指南\n\nmy_ml_service 是一个基于 Django 的机器学习模型部署服务，通过 REST API 提供模型访问。支持多模型版本管理、请求日志审计及 A\u002FB 测试。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **基础工具**：Git\n- **运行环境**（二选一）：\n  - Python 3+ 及 Django 依赖\n  - Docker 及 Docker Compose（推荐）\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service.git\n   cd my_ml_service\n   ```\n\n2. **选择部署方式**\n\n   - **方式一：Docker 容器化部署（推荐）**\n     利用 `docker` 目录下的 Dockerfile 构建服务。\n     ```bash\n     cd docker\n     docker build -t my_ml_service .\n     docker run -p 8000:8000 my_ml_service\n     ```\n\n   - **方式二：本地 Django 运行**\n     进入 `backend` 目录安装依赖并启动服务。\n     ```bash\n     cd backend\n     pip install -r requirements.txt\n     python manage.py migrate\n     python manage.py runserver\n     ```\n\n## 基本使用\n\n1. **模型训练与准备**\n   参考 `research` 目录下的 Notebook 进行模型训练。\n   - 训练代码：`research\u002Ftrain_income_classifier.ipynb`\n   - 数据集：Adult-Income dataset\n\n2. **API 调用**\n   服务启动后，通过 REST API 发送请求调用模型。支持在同一端点配置不同版本的模型。\n   ```bash\n   curl -X POST http:\u002F\u002Flocalhost:8000\u002Fapi\u002Fpredict\u002F -d '{\"data\": ...}'\n   ```\n\n3. **A\u002FB 测试与审计**\n   - 系统会自动存储请求信息，用于后续模型测试和审计。\n   - 支持在不同模型版本间运行 A\u002FB 测试，参考 `research\u002Fab_test.ipynb` 了解模拟流程。","某金融科技团队正在开发信贷风险评估系统，数据科学家需要将训练好的收入分类模型快速部署为 API 服务，供后端系统实时调用以判断用户资质。\n\n### 没有 my_ml_service 时\n- 模型版本管理混乱，每次更新需手动修改代码，难以在同一端点共存多个版本。\n- 缺乏请求日志记录，模型预测出错后无法追溯数据，不符合金融合规审计要求。\n- 新旧模型效果对比困难，只能靠离线评估，无法在生产环境进行科学的 A\u002FB 测试。\n- 部署代码缺乏标准化测试，服务器环境差异常导致服务上线后意外崩溃。\n\n### 使用 my_ml_service 后\n- my_ml_service 支持在同一端点管理多个模型版本，团队可灵活切换或并行运行不同版本。\n- 自动存储所有请求信息，满足合规审计需求，数据科学家可利用日志进行后续模型优化。\n- 内置 A\u002FB 测试功能，可轻松分配流量对比不同版本模型的实际表现，加速迭代。\n- 提供完善的 ML 与服务器代码测试套件，结合 Docker 容器化，确保服务稳定可靠运行。\n\nmy_ml_service 将原本零散的模型部署流程升级为可审计、可测试的企业级 REST API 服务，极大降低了运维成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpplonski_my_ml_service_ce87cb58.png","pplonski","Piotr","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpplonski_ad090f24.jpg","@mljar outstanding data science tools","@mljar","Poland",null,"mljar.com","https:\u002F\u002Fgithub.com\u002Fpplonski",[24,28,32,36],{"name":25,"color":26,"percentage":27},"Python","#3572A5",63.6,{"name":29,"color":30,"percentage":31},"Jupyter Notebook","#DA5B0B",34.4,{"name":33,"color":34,"percentage":35},"Dockerfile","#384d54",1.3,{"name":37,"color":38,"percentage":39},"Shell","#89e051",0.6,615,166,"2026-03-04T16:03:23","MIT",3,"未说明",{"notes":47,"python":45,"dependencies":48},"该项目为教程配套源代码，提供 Docker 容器化部署方案。后端基于 Django 框架，支持多模型版本管理及请求审计，可进行 A\u002FB 测试。示例使用 Adult-Income 数据集，具体硬件需求取决于实际部署的模型类型。",[49],"Django",[51],"开发框架","ready","2026-03-27T02:49:30.150509","2026-04-06T07:13:42.802844",[56,61,66,71,76],{"id":57,"question_zh":58,"answer_zh":59,"source_url":60},1323,"训练模型时遇到 \"y contains previously unseen labels\" 错误怎么办？","这通常是因为训练\u002F测试数据分割导致某些类别（如 \"Private\"）未出现在训练集中，从而未被编码。解决方法是重新运行训练和 artifact 生成。也可以在自动编码逻辑中加入 try...except 块来处理未见过的类别（参考 mljar-supervised 的实现）。","https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fissues\u002F4",{"id":62,"question_zh":63,"answer_zh":64,"source_url":65},1324,"构建 Docker 镜像时遇到 python3.6 包找不到或 scipy 版本冲突错误如何解决？","这是因为源中不再提供 python3.6 或依赖版本冲突。建议更新 Dockerfile，改用 python3.9。具体配置包括使用 `FROM ubuntu:latest`，安装 `python3.9 python3.9-dev` 等，并更新 requirements.txt 以兼容新版本。","https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fissues\u002F27",{"id":67,"question_zh":68,"answer_zh":69,"source_url":70},1325,"运行预测视图时报错 \"Cannot resolve keyword 'status' into field\" 如何解决？","这通常是数据库迁移问题，数据库文件缺少某些属性。解决方法是重新执行数据库迁移（make migrations），确保数据库架构与代码模型一致。","https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fissues\u002F14",{"id":72,"question_zh":73,"answer_zh":74,"source_url":75},1326,"重启应用后算法注册表中出现重复算法条目怎么办？","这是设计行为。如果代码发生变化，注册表会将其视为新算法。若需修改算法，应添加新类并指定新版本（使用 `algorithm_version` 属性），或在 REST API 端点中指定版本参数，而不是直接修改已部署的代码。","https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fissues\u002F5",{"id":77,"question_zh":78,"answer_zh":79,"source_url":80},1327,"测试时遇到 \"'LabelEncoder' object is not subscriptable\" 错误是什么原因？","这通常与后处理（postprocessing）代码有关。检查是否错误地覆盖了预测结果。确保在 postprocessing 中正确返回预测值，而不是仅返回 `{\"status\": \"OK\"}`，参考官方实现（如 random_forest.py）确保返回格式正确。","https:\u002F\u002Fgithub.com\u002Fpplonski\u002Fmy_ml_service\u002Fissues\u002F3",[],[83,93,103,111,119,132],{"id":84,"name":85,"github_repo":86,"description_zh":87,"stars":88,"difficulty_score":44,"last_commit_at":89,"category_tags":90,"status":52},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",[51,91,92],"图像","Agent",{"id":94,"name":95,"github_repo":96,"description_zh":97,"stars":98,"difficulty_score":99,"last_commit_at":100,"category_tags":101,"status":52},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",[51,92,102],"语言模型",{"id":104,"name":105,"github_repo":106,"description_zh":107,"stars":108,"difficulty_score":99,"last_commit_at":109,"category_tags":110,"status":52},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",[51,91,92],{"id":112,"name":113,"github_repo":114,"description_zh":115,"stars":116,"difficulty_score":99,"last_commit_at":117,"category_tags":118,"status":52},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",[51,102],{"id":120,"name":121,"github_repo":122,"description_zh":123,"stars":124,"difficulty_score":99,"last_commit_at":125,"category_tags":126,"status":52},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",[91,127,128,129,92,130,102,51,131],"数据工具","视频","插件","其他","音频",{"id":133,"name":134,"github_repo":135,"description_zh":136,"stars":137,"difficulty_score":44,"last_commit_at":138,"category_tags":139,"status":52},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",[92,91,51,102,130]]