[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-qiaohaoforever--DeepLearningFromScratch":3,"tool-qiaohaoforever--DeepLearningFromScratch":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",148568,2,"2026-04-09T23:34:24",[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。",108111,"2026-04-08T11:23:26",[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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":76,"owner_email":75,"owner_twitter":72,"owner_website":77,"owner_url":78,"languages":79,"stars":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":88,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":97,"github_topics":98,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":103,"updated_at":104,"faqs":105,"releases":106},6116,"qiaohaoforever\u002FDeepLearningFromScratch","DeepLearningFromScratch","《深度学习入门：基于Python的理论与实现》电子版及配套代码​。​","DeepLearningFromScratch 是经典著作《深度学习入门：基于 Python 的理论与实现》的官方配套代码库，旨在帮助学习者从零开始构建深度学习知识体系。针对初学者在面对复杂框架时容易“知其然而不知其所以然”的痛点，该项目摒弃了黑盒式调用，引导用户仅依赖 NumPy 和 Matplotlib 等基础库，亲手编写神经网络的核心算法与训练流程。通过分章节的代码实践，用户能够直观理解反向传播、激活函数及参数更新等底层数学原理，从而真正掌握深度学习的运作机制。\n\n这套资源特别适合希望夯实理论基础的开发者、计算机专业学生以及刚踏入 AI 领域的研究人员。对于不满足于直接调用现成 API，而是渴望深入探究模型内部逻辑的学习者而言，它是极佳的实战教材。其独特的技术亮点在于“去框架化”的教学设计，将复杂的深度学习概念拆解为简洁易懂的 Python 代码，配合书籍理论讲解，实现了从数学公式到代码实现的无缝衔接。项目采用宽松的 MIT 许可协议，代码结构清晰，涵盖从基础感知机到深层网络优化的完整路径，是通往高阶 AI 研究的坚实阶梯。","# 深度学习入门\n\n关注微信公众号：`正版乔`\n\n如果你觉得不错，可以提供小额打赏，谢谢支持。[面包🍞 面包多 \u002F 顿顿饭](https:\u002F\u002Fdun.mianbaoduo.com\u002F@qiao)\n\n## 文件结构\n\n|文件夹名   |说明                         |\n|:--        |:--                          |\n|ch01       |第1章使用的源代码            |\n|ch02       |第2章使用的源代码            |\n|...        |...                          |\n|ch08       |第8章使用的源代码            |\n|common     |共同使用的源代码             |\n|dataset    |数据集用的源代码             |\n\n\n源代码的解释请参考本书。\n\n## 必要条件\n执行源代码需要按照以下软件。\n\n* Python 3.x\n* NumPy\n* Matplotlib\n\n※Python的版本为Python 3。\n\n## 执行方法\n\n前进到各章节的文件夹，执行Python命令。\n\n```\n$ cd ch01\n$ python man.py\n\n$ cd ..\u002Fch05\n$ python train_nueralnet.py\n```\n\n## 使用许可\n\n本源代码使用[MIT许可协议](http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002FMIT)。\n无论是否为商业行为，均可自由使用。\n\n## 勘误表\n\n本书的勘误信息在以下网址中公开。读者可以在以下网址中查看和提交勘误。\n\nhttp:\u002F\u002Fwww.ituring.com.cn\u002Fbook\u002F1921\n\n\n","# 深度学习入门\n\n关注微信公众号：`正版乔`\n\n如果你觉得不错，可以提供小额打赏，谢谢支持。[面包🍞 面包多 \u002F 顿顿饭](https:\u002F\u002Fdun.mianbaoduo.com\u002F@qiao)\n\n## 文件结构\n\n|文件夹名   |说明                         |\n|:--        |:--                          |\n|ch01       |第1章使用的源代码            |\n|ch02       |第2章使用的源代码            |\n|...        |...                          |\n|ch08       |第8章使用的源代码            |\n|common     |共同使用的源代码             |\n|dataset    |数据集用的源代码             |\n\n\n源代码的解释请参考本书。\n\n## 必要条件\n执行源代码需要按照以下软件。\n\n* Python 3.x\n* NumPy\n* Matplotlib\n\n※Python的版本为Python 3。\n\n## 执行方法\n\n前进到各章节的文件夹，执行Python命令。\n\n```\n$ cd ch01\n$ python man.py\n\n$ cd ..\u002Fch05\n$ python train_nueralnet.py\n```\n\n## 使用许可\n\n本源代码使用[MIT许可协议](http:\u002F\u002Fwww.opensource.org\u002Flicenses\u002FMIT)。\n无论是否为商业行为，均可自由使用。\n\n## 勘误表\n\n本书的勘误信息在以下网址中公开。读者可以在以下网址中查看和提交勘误。\n\nhttp:\u002F\u002Fwww.ituring.com.cn\u002Fbook\u002F1921","# DeepLearningFromScratch 快速上手指南\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要求：\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux\n*   **Python 版本**：Python 3.x（推荐 Python 3.6+）\n*   **核心依赖库**：\n    *   NumPy\n    *   Matplotlib\n\n## 安装步骤\n\n1.  **安装 Python**\n    请访问 Python 官网下载并安装最新版的 Python 3。安装时请勾选 \"Add Python to PATH\"。\n\n2.  **安装依赖库**\n    打开终端（Terminal）或命令提示符（CMD），运行以下命令安装必要的第三方库。\n    \n    > **国内加速建议**：推荐使用清华源或阿里源以提升下载速度。\n    \n    ```bash\n    pip install numpy matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **获取源代码**\n    克隆本仓库或下载源码包到本地，并进入项目根目录。\n\n    ```bash\n    git clone \u003Crepository_url>\n    cd DeepLearningFromScratch\n    ```\n\n## 基本使用\n\n本项目按章节组织代码，每个章节对应一个文件夹。以下是运行示例代码的步骤：\n\n1.  **进入章节目录**\n    切换到您想要运行的章节文件夹（例如第 1 章）：\n\n    ```bash\n    cd ch01\n    ```\n\n2.  **执行脚本**\n    使用 `python` 命令运行该章节的示例脚本：\n\n    ```bash\n    python man.py\n    ```\n\n3.  **运行其他章节示例**\n    若要运行其他章节（例如第 5 章的神经网络训练），请切换目录并执行相应脚本：\n\n    ```bash\n    cd ..\u002Fch05\n    python train_nueralnet.py\n    ```\n\n> **提示**：具体代码逻辑与算法原理请参考配套书籍《深度学习入门》。所有源代码均遵循 MIT 许可协议，可自由用于学习或商业用途。","一名计算机专业的大二学生试图深入理解反向传播算法的数学原理，却因直接阅读框架源码而感到困惑重重。\n\n### 没有 DeepLearningFromScratch 时\n- **黑盒困境**：直接学习 PyTorch 或 TensorFlow 等高级框架，只能调用现成 API，完全无法看清神经网络内部矩阵运算的具体流程。\n- **理论脱节**：手中虽有微积分教材，但无法将抽象的链式法则公式与具体的代码实现对应起来，导致“懂公式但写不出代码”。\n- **环境配置繁琐**：自行寻找零散的教学代码时，常遇到依赖缺失、版本不兼容或数据集路径错误等问题，大量时间浪费在调试环境而非学习算法上。\n- **缺乏系统性**：学习资料碎片化，从感知机到卷积神经网络的演进逻辑断裂，难以构建完整的知识体系。\n\n### 使用 DeepLearningFromScratch 后\n- **白盒透视**：通过逐章运行 `ch04` 至 `ch06` 的源代码，清晰地看到误差如何一层层反向传递，亲手用 NumPy 实现了原本神秘的梯度下降过程。\n- **理实合一**：书中理论与 `common` 文件夹下的通用代码完美对应，每行代码都能找到数学依据，真正实现了“基于 Python 的理论与实现”。\n- **开箱即用**：依托清晰的文件结构和明确的依赖说明（仅需 Python、NumPy、Matplotlib），几分钟内即可跑通 `train_nueralnet.py`，立即进入核心学习状态。\n- **循序渐进**：跟随 `ch01` 到 `ch08` 的目录结构，从最基础的感知机平滑过渡到复杂的 CNN 架构，建立起扎实且系统的深度学习认知框架。\n\nDeepLearningFromScratch 通过剥离高级框架的封装，让学习者从零构建神经网络，真正打通了数学理论与工程实现的最后一公里。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fqiaohaoforever_DeepLearningFromScratch_d6c1d268.png","qiaohaoforever","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fqiaohaoforever_37990db5.jpg","chill",null,"Beijing ","https:\u002F\u002Fqiaohaoforever.github.io","https:\u002F\u002Fgithub.com\u002Fqiaohaoforever",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,1070,262,"2026-04-09T06:23:16","MIT",1,"","未说明",{"notes":92,"python":93,"dependencies":94},"源代码按章节分文件夹存放，需进入对应章节目录执行 Python 脚本。具体代码逻辑请参考配套书籍《深度学习入门》。","3.x",[95,96],"NumPy","Matplotlib",[35,52,14],[99,100,101,102],"python","pdf","code","machine-learning","2026-03-27T02:49:30.150509","2026-04-10T11:25:20.658578",[],[]]