[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-prakashpandey9--Text-Classification-Pytorch":3,"tool-prakashpandey9--Text-Classification-Pytorch":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"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":92,"env_deps":93,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":79,"oss_zip_packed_at":79,"status":17,"created_at":109,"updated_at":110,"faqs":111,"releases":147},9292,"prakashpandey9\u002FText-Classification-Pytorch","Text-Classification-Pytorch","Text classification using deep learning models in Pytorch","Text-Classification-Pytorch 是一个基于 PyTorch 深度学习框架的开源项目，专注于实现多种经典的文本分类模型。它主要解决自然语言处理中的核心任务——情感分析，帮助用户高效地判断文本所蕴含的情感倾向。\n\n该项目非常适合 AI 开发者、研究人员以及希望深入理解文本分类原理的学生使用。通过提供清晰的代码实现和详尽的文档，它不仅是构建情感分析系统的实用工具，更是学习深度学习模型架构的优秀教程。\n\n其独特的技术亮点在于集成了六种主流模型供用户对比与研究，包括基础的循环神经网络（RNN）、长短期记忆网络（LSTM），以及结合了注意力机制的 LSTM+Attention 和自注意力（Self Attention）模型。此外，项目还涵盖了卷积神经网络（CNN）和递归卷积神经网络（RCNN）的实现。这些模型均参考了学术界的重要论文，确保了算法的前沿性与可靠性。用户只需克隆仓库并运行主脚本，即可完成数据处理与模型训练，快速验证不同架构在特定任务上的表现。","# Text-Classification-Pytorch\n## Description\nThis repository contains the implmentation of various text classification models like RNN, LSTM, Attention, CNN, etc in PyTorch deep learning framework along with a detailed documentation of each of the model.\n\nText Classification is one of the basic and most important task of Natural Language Processing. In this repository, I am focussing on one such text classification task and that is Sentiment Analysis. So far I have covered following six different models in this repo.\n\n  * RNN\n  * LSTM\n  * LSTM + Attention\n  * Self Attention\n  * CNN\n  * RCNN\n\n## Requirements\n  * Python==3.6.6\n  * PyTorch==0.4.0\n  * torchtext==0.2.3\n\n## Downloads and Setup\nOnce you clone this repo, run the main.py file to process the dataset and to train the model.\n```shell\n$ python main.py\n```\n\n## References\n  * A Structured Self-Attentive Sentence Embedding : [Paper][1]\n  * Convolutional Neural Networks for Sentence Classification : [Paper][2]\n  * Recurrent Convolutional Neural Networks for Text Classification : [Paper][3]\n\n[1]:https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.03130.pdf\n[2]:https:\u002F\u002Farxiv.org\u002Fpdf\u002F1408.5882.pdf\n[3]:https:\u002F\u002Fwww.google.com\u002Furl?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0ahUKEwiRxa37_PbbAhWOfSsKHW9bAtIQFggrMAA&url=https%3A%2F%2Fwww.aaai.org%2Focs%2Findex.php%2FAAAI%2FAAAI15%2Fpaper%2Fdownload%2F9745%2F9552&usg=AOvVaw37k05lV8569fo_aCghlO9i\n\n## License\nMIT\n","# 文本分类-PyTorch\n## 描述\n该仓库包含了在 PyTorch 深度学习框架中实现的多种文本分类模型，如 RNN、LSTM、注意力机制、CNN 等，并为每种模型提供了详细的文档说明。\n\n文本分类是自然语言处理中最基础且最重要的任务之一。在这个仓库中，我专注于一种特定的文本分类任务——情感分析。截至目前，我已经在该仓库中实现了以下六种不同的模型：\n\n  * RNN\n  * LSTM\n  * LSTM + 注意力机制\n  * 自注意力机制\n  * CNN\n  * RCNN\n\n## 需求\n  * Python==3.6.6\n  * PyTorch==0.4.0\n  * torchtext==0.2.3\n\n## 下载与设置\n克隆本仓库后，运行 main.py 文件以处理数据集并训练模型。\n```shell\n$ python main.py\n```\n\n## 参考文献\n  * 结构化自注意力句子嵌入：[论文][1]\n  * 用于句子分类的卷积神经网络：[论文][2]\n  * 用于文本分类的循环卷积神经网络：[论文][3]\n\n[1]:https:\u002F\u002Farxiv.org\u002Fpdf\u002F1703.03130.pdf\n[2]:https:\u002F\u002Farxiv.org\u002Fpdf\u002F1408.5882.pdf\n[3]:https:\u002F\u002Fwww.google.com\u002Furl?sa=t&rct=j&q=&esrc=s&source=web&cd=1&ved=0ahUKEwiRxa37_PbbAhWOfSsKHW9bAtIQFggrMAA&url=https%3A%2F%2Fwww.aaai.org%2Focs%2Findex.php%2FAAAI%2FAAAI15%2Fpaper%2Fdownload%2F9745%2F9552&usg=AOvVaw37k05lV8569fo_aCghlO9i\n\n## 许可证\nMIT","# Text-Classification-Pytorch 快速上手指南\n\n本指南帮助开发者快速部署并运行基于 PyTorch 的文本分类（情感分析）模型，涵盖 RNN、LSTM、Attention、CNN 及 RCNN 等多种架构。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下版本要求。由于项目依赖较旧版本的库，建议创建独立的虚拟环境以避免冲突。\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python**: 3.6.6\n- **PyTorch**: 0.4.0\n- **torchtext**: 0.2.3\n\n> **注意**：该项目依赖较老版本的 PyTorch (0.4.0)，若在现代环境中运行遇到兼容性问题，可能需要调整代码或寻找适配新版本的分支。\n\n## 安装步骤\n\n1. **克隆仓库**\n   首先将项目代码克隆到本地：\n   ```bash\n   git clone \u003Crepository_url>\n   cd Text-Classification-Pytorch\n   ```\n\n2. **安装依赖**\n   推荐使用国内镜像源加速 `pip` 安装过程。请创建 `requirements.txt` 文件或直接运行以下命令安装指定版本的依赖：\n\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch==0.4.0 torchtext==0.2.3\n   ```\n   \n   *注：如果上述命令无法直接指定版本，请手动创建一个 `requirements.txt` 内容如下：*\n   ```text\n   torch==0.4.0\n   torchtext==0.2.3\n   ```\n   *然后执行：*\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n项目已封装好数据处理与模型训练流程。完成环境配置后，只需运行主脚本即可自动下载数据集（如需）、预处理数据并开始训练默认模型。\n\n**启动训练：**\n```shell\n$ python main.py\n```\n\n运行后，程序将加载情感分析数据集，并使用默认配置的模型（如 LSTM 或 CNN，具体视代码默认设置而定）开始训练过程。您可以在 `main.py` 中修改参数以切换不同的模型架构（RNN, LSTM+Attention, Self Attention, RCNN 等）。","某电商初创公司的数据团队急需构建一个用户评论情感分析系统，以便快速从海量反馈中识别产品缺陷并优化服务。\n\n### 没有 Text-Classification-Pytorch 时\n- 开发人员需从零手写 RNN、LSTM 及 CNN 等复杂深度学习模型的底层代码，耗时数周且极易引入难以排查的 Bug。\n- 缺乏统一的实验框架，导致尝试引入注意力机制（Attention）或对比不同架构（如 RCNN vs Self-Attention）时，代码复用率极低，调整成本高昂。\n- 数据预处理与模型训练流程割裂，每次迭代都需要手动编写大量脚本清洗数据并对接模型输入，严重拖慢研发节奏。\n- 团队内部缺乏标准化的文档参考，新成员上手困难，难以复现论文中的经典算法效果。\n\n### 使用 Text-Classification-Pytorch 后\n- 直接调用库中预置的 RNN、LSTM、CNN 等六种成熟模型实现，将核心算法开发时间从数周缩短至几天，显著降低编码错误率。\n- 通过统一接口轻松切换不同架构（如从基础 LSTM 升级至 LSTM+Attention），快速验证哪种模型最适合当前电商评论数据特征。\n- 运行 `main.py` 即可一键完成数据集处理、模型训练及评估全流程，实现了端到端的自动化流水线，大幅提升迭代效率。\n- 依托详细的模型文档和论文引用，团队成员能迅速理解算法原理并进行针对性调优，降低了技术门槛。\n\nText-Classification-Pytorch 通过提供标准化、多样化的深度学习模型实现，让团队得以从繁琐的底层编码中解放，专注于业务逻辑与模型效果优化。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fprakashpandey9_Text-Classification-Pytorch_9b1d871d.png","prakashpandey9","Prakash Pandey","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fprakashpandey9_9f896330.jpg","Deep Learning Enthusiast |\r\nStudied at IIT Roorkee","Data Scientist 2 at Microsoft","Hyderabad","pandeyprakash987@gmail.com",null,"https:\u002F\u002Fwww.github.com\u002Fprakashpandey9","https:\u002F\u002Fgithub.com\u002Fprakashpandey9",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,818,232,"2026-02-21T18:44:07","MIT","","未说明",{"notes":94,"python":95,"dependencies":96},"该项目基于较旧的 PyTorch 版本 (0.4.0) 和 torchtext (0.2.3)，在现代环境中运行可能需要调整依赖版本或修改代码以兼容。运行 main.py 即可处理数据集并训练模型。","3.6.6",[97,98],"PyTorch==0.4.0","torchtext==0.2.3",[14],[101,102,103,104,105,106,107,108],"pytorch","text-classification","sentiment-classification","lstm-model","attention-model","self-attention","rnn-model","glove","2026-03-27T02:49:30.150509","2026-04-19T06:01:48.476460",[112,117,122,127,132,137,142],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},41722,"如何加载外部的 CSV 文件进行训练和测试？","可以使用 **Torchtext** 库来预处理和加载您的 CSV 文件。网上有很多相关教程，建议搜索 \"Torchtext load CSV\" 获取详细指南。","https:\u002F\u002Fgithub.com\u002Fprakashpandey9\u002FText-Classification-Pytorch\u002Fissues\u002F2",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},41723,"为什么 RNN 模型中线性层（Linear Layer）的输入大小是 4 * hidden_size？","这是因为网络是双向的（Bidirectional），并且包含 2 个 RNN 层。因此，线性层的输入大小计算为：2 (双向) * 2 (层数) * hidden_size = 4 * hidden_size。","https:\u002F\u002Fgithub.com\u002Fprakashpandey9\u002FText-Classification-Pytorch\u002Fissues\u002F7",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},41724,"如何配置并运行 CNN 模型？需要哪些参数？","运行 CNN 模型可以参考以下参数配置示例：\n\nbatch_size = 32\noutput_size = 2\nin_channels = 1 (文本输入通道数通常为 1)\nout_channels = 100 (滤波器数量)\nvocab_size = len(TEXT.vocab)\nkernel_heights = [3, 4, 5]\nstride = 1\npadding = 0\nkeep_probab = 0.5\nembedding_length = 300\nword_embeddings = TEXT.vocab.vectors\n\n初始化代码：\nmodel = CNN(batch_size, output_size, in_channels, out_channels, kernel_heights, stride, padding, keep_probab, vocab_size, embedding_length, word_embeddings)","https:\u002F\u002Fgithub.com\u002Fprakashpandey9\u002FText-Classification-Pytorch\u002Fissues\u002F10",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},41725,"如何在项目中导入和使用除 LSTM 以外的其他模型（如 SelfAttention, RNN, RCNN 等）？","您可以直接从 models 目录导入其他模型，例如：`from models.selfAttention import SelfAttention`。\n\n除了 CNN 模型外，所有模型的参数都是相同的。其中 \"weights\" 参数指的是 Glove 预训练词向量，可以通过 `load_data.load_dataset()` 函数获取（即 weights = word_embeddings）。\n\n如果是使用 CNN 模型，则需要额外指定以下参数：in_channels=1, out_channels=128, kernel_heights=[3, 4, 5], stride=1, padding=0, keep_probab=0.8。","https:\u002F\u002Fgithub.com\u002Fprakashpandey9\u002FText-Classification-Pytorch\u002Fissues\u002F1",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},41726,"如何使用自己的文本数据运行 LSTM 模型？","如果您有自己的文本数据，请先使用如 NLTK 这样的库进行预处理（包括去除停用词、分词等步骤）。然后，使用预训练的 Glove 或 Word2Vec 词向量嵌入数据。完成这些准备工作后，即可按照本仓库提供的流程继续运行模型。","https:\u002F\u002Fgithub.com\u002Fprakashpandey9\u002FText-Classification-Pytorch\u002Fissues\u002F6",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},41727,"如何在没有 GPU 的环境下（仅使用 CPU）运行此应用？","找到代码中 `if torch.cuda.is_available():` 的判断语句，添加一个 `else` 分支。在 `else` 分支中，移除所有 `.cuda()` 的操作调用，确保张量和模型仅在 CPU 上运行。","https:\u002F\u002Fgithub.com\u002Fprakashpandey9\u002FText-Classification-Pytorch\u002Fissues\u002F5",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},41728,"使用 torchtext.datasets.SST 时报错 \"Assertion t >= 0 && t \u003C n_classes failed\" 如何解决？","该错误通常是由于输出类别数量不匹配导致的。尝试修改模型的输出层大小（output size），使其与数据集的实际标签类别数量一致即可解决问题。","https:\u002F\u002Fgithub.com\u002Fprakashpandey9\u002FText-Classification-Pytorch\u002Fissues\u002F11",[]]