[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-random-forests--tensorflow-workshop":3,"tool-random-forests--tensorflow-workshop":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},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",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":71,"owner_location":79,"owner_email":71,"owner_twitter":71,"owner_website":80,"owner_url":81,"languages":82,"stars":91,"forks":92,"last_commit_at":93,"license":94,"difficulty_score":95,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":101,"github_topics":71,"view_count":23,"oss_zip_url":71,"oss_zip_packed_at":71,"status":102,"created_at":103,"updated_at":104,"faqs":105,"releases":135},3083,"random-forests\u002Ftensorflow-workshop","tensorflow-workshop","Slides and code from our TensorFlow workshop.","tensorflow-workshop 是一套源自官方 TensorFlow 工作坊的精选教学资源，主要包含演示幻灯片与配套代码示例。它旨在解决初学者在入门深度学习框架时面临的“理论抽象、实践困难”这一痛点，通过结构化的课程安排和可运行的代码，帮助用户快速跨越从概念理解到实际动手的门槛。\n\n这套资源非常适合开发者、数据科学家以及高校研究人员使用，尤其是那些希望系统掌握 TensorFlow 基础操作、模型构建及训练流程的技术人员。虽然其原始仓库内容已迁移至 tensorflow.org\u002Ftutorials 以获得持续更新，但作为经典的教学沉淀，它依然保留了清晰的技术演进脉络。其独特的技术亮点在于将复杂的神经网络原理拆解为循序渐进的实战模块，让用户能在真实的编码环境中直观体会张量运算、自动微分等核心机制。无论你是想夯实基础的编程新手，还是寻求教学灵感的讲师，都能从中获得切实可行的指导，轻松开启人工智能开发之旅。","# Welcome! \n\nUpdate again! This material has been migrated to [tensorflow.org\u002Ftutorials](https:\u002F\u002Ftensorflow.org\u002Ftutorials).\n",null,"# tensorflow-workshop 快速上手指南\n\n> **重要提示**：原 `tensorflow-workshop` 仓库的材料已迁移至官方教程站点。本指南将引导您访问最新资源并开始学习。\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 10\u002F11、macOS 或 Linux (Ubuntu 18.04+)\n- **Python 版本**：Python 3.8 - 3.11\n- **前置依赖**：\n  - pip (Python 包管理工具)\n  - 虚拟环境工具 (推荐 `venv` 或 `conda`)\n- **硬件建议**：如需进行模型训练，建议配备 NVIDIA GPU 并安装对应的 CUDA 驱动（可选，CPU 亦可运行基础教程）\n\n## 安装步骤\n\n由于项目内容已迁移，您无需克隆旧仓库。请直接通过浏览器访问官方教程，或在本地安装 TensorFlow 以运行相关代码示例。\n\n### 1. 创建并激活虚拟环境\n\n```bash\npython -m venv tf-env\n# Windows\ntf-env\\Scripts\\activate\n# macOS\u002FLinux\nsource tf-env\u002Fbin\u002Factivate\n```\n\n### 2. 安装 TensorFlow\n\n推荐使用国内镜像源加速安装（如清华大学开源软件镜像站）：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow\n```\n\n若需使用 GPU 版本（请确保已安装对应 CUDA 和 cuDNN）：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow-gpu\n```\n\n### 3. 验证安装\n\n```bash\npython -c \"import tensorflow as tf; print(tf.__version__)\"\n```\n\n## 基本使用\n\n所有教程内容现已整合至 [tensorflow.org\u002Ftutorials](https:\u002F\u002Ftensorflow.org\u002Ftutorials)。您可以直接在线浏览，或将代码复制到本地运行。\n\n以下是一个最简单的图像分类示例（基于官方教程简化）：\n\n```python\nimport tensorflow as tf\n\n# 加载 MNIST 数据集\nmnist = tf.keras.datasets.mnist\n(x_train, y_train), (x_test, y_test) = mnist.load_data()\n\n# 数据预处理\nx_train, x_test = x_train \u002F 255.0, x_test \u002F 255.0\n\n# 构建模型\nmodel = tf.keras.models.Sequential([\n  tf.keras.layers.Flatten(input_shape=(28, 28)),\n  tf.keras.layers.Dense(128, activation='relu'),\n  tf.keras.layers.Dropout(0.2),\n  tf.keras.layers.Dense(10)\n])\n\n# 编译模型\nmodel.compile(optimizer='adam',\n              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),\n              metrics=['accuracy'])\n\n# 训练模型\nmodel.fit(x_train, y_train, epochs=5)\n\n# 评估模型\nmodel.evaluate(x_test, y_test, verbose=2)\n```\n\n请访问 [TensorFlow 官方教程](https:\u002F\u002Ftensorflow.org\u002Ftutorials) 获取更多进阶案例，包括文本生成、对象检测、强化学习等主题。","某高校数据科学团队正筹备为期两天的 TensorFlow 入门集训营，旨在帮助零基础的研究生快速掌握深度学习核心概念并上手实践。\n\n### 没有 tensorflow-workshop 时\n- 讲师需从零开始搜集分散的教程片段，花费数天拼凑幻灯片与代码示例，内容风格割裂且版本混乱。\n- 学员在本地环境配置环节频频受阻，因缺乏统一的依赖管理指南，导致课堂前半小时完全浪费在解决报错上。\n- 练习代码缺乏循序渐进的设计，新手直接面对复杂的完整模型，难以理解张量运算与梯度下降等基础逻辑。\n- 课后复习困难，由于缺少官方维护的标准化资料库，学员无法找到与课程完全匹配的更新版文档进行巩固。\n\n### 使用 tensorflow-workshop 后\n- 团队直接复用迁移至 tensorflow.org 的成熟幻灯片与配套代码，瞬间构建起结构清晰、风格统一的教学大纲。\n- 依托工作坊提供的标准化环境配置脚本，学员能在开课前完成部署，课堂时间得以全部聚焦于算法原理与实战演练。\n- 借助精心设计的阶梯式代码案例，学员从简单的线性回归逐步过渡到图像分类，直观地掌握了核心 API 的调用逻辑。\n- 所有学习材料均指向官方最新教程链接，确保了知识的时效性与权威性，学员课后即可无缝衔接进阶学习路径。\n\ntensorflow-workshop 通过将碎片化的教学资源转化为标准化的成套方案，极大地降低了深度学习教育的门槛与筹备成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frandom-forests_tensorflow-workshop_a9945ce2.png","random-forests","Josh Gordon","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frandom-forests_3f755fee.jpg","Git is complicated ¯\\_(ツ)_\u002F¯","NYC","twitter.com\u002Frandom_forests","https:\u002F\u002Fgithub.com\u002Frandom-forests",[83,87],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",99.7,{"name":88,"color":89,"percentage":90},"Python","#3572A5",0.3,719,302,"2026-01-25T09:40:41","Apache-2.0",1,"","未说明",{"notes":99,"python":97,"dependencies":100},"该仓库内容已迁移至 tensorflow.org\u002Ftutorials，当前仓库不再维护，具体运行环境需求请参考官方教程页面。",[],[13],"ready_partial","2026-03-27T02:49:30.150509","2026-04-06T05:16:21.857394",[106,111,116,121,126,130],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},14195,"在运行笔记本时遇到 'NameError: name 'learn' is not defined' 错误怎么办？","这通常是因为代码执行顺序问题。如果在第二个代码块中使用了 `learn` 变量，但仅在第三个代码块中导入它，取消注释第二个块时会报错。请确保在使用 `tf.contrib.learn` 之前已经正确导入并定义了 `learn` 变量。维护者已更新笔记本以修复此问题。","https:\u002F\u002Fgithub.com\u002Frandom-forests\u002Ftensorflow-workshop\u002Fissues\u002F4",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},14196,"在 macOS 上使用 Matplotlib 时出现 'Python is not installed as a framework' 运行时错误如何解决？","这是因为 macOS 后端要求 Python 必须以框架形式安装。解决方法有两种：1. 重新安装为框架版本的 Python；2. 尝试使用其他后端（例如在非交互式环境中运行）。如果您在虚拟环境中工作，请参阅 Matplotlib 官方文档中关于 'Working with Matplotlib in Virtual environments' 的部分。维护者已更新安装说明以避免此问题。","https:\u002F\u002Fgithub.com\u002Frandom-forests\u002Ftensorflow-workshop\u002Fissues\u002F5",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},14197,"调用 fit() 函数时提示 'TypeError: got an unexpected keyword argument 'max_steps'' 是怎么回事？","这是由于 TensorFlow 版本不兼容导致的。在 TensorFlow 0.9.0 中可能不支持 `max_steps` 参数，或者参数名称有所不同。解决方案是将 TensorFlow 升级到 0.10.0 或更高版本。升级后，`max_steps` 参数即可正常使用，或者根据新版 API 调整参数名为 `steps`。","https:\u002F\u002Fgithub.com\u002Frandom-forests\u002Ftensorflow-workshop\u002Fissues\u002F2",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},14198,"第 4 个笔记本（4_mnist_low_level）在调用后无法加载 MNIST 数据怎么办？","如果在第二个代码块中取消注释了相关代码，但该块依赖的 `mnist` 变量是在第三个代码块中加载的，就会引发 `NameError`。请确保代码块的执行顺序正确，即先加载数据再使用数据。维护者已更新笔记本解决了此逻辑顺序问题。","https:\u002F\u002Fgithub.com\u002Frandom-forests\u002Ftensorflow-workshop\u002Fissues\u002F6",{"id":127,"question_zh":128,"answer_zh":129,"source_url":110},14199,"如何在 Anaconda 和 Python 2.7 环境下正确加载训练数据集？","如果在加载数据集时遇到 `NameError`，请检查是否已正确导入必要的库（如 `tf.contrib.learn` 并赋值给 `learn`）。确保在执行加载命令 `learn.datasets.load_dataset('mnist')` 之前，相关模块已成功导入且无拼写错误。维护者已通过更新笔记本修复了此类导入顺序问题。",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},14200,"MacOS 下运行 Jupyter Notebook 导入 matplotlib.pyplot 时报错如何处理？","错误信息 'RuntimeError: Python is not installed as a framework' 表明当前的 Python 环境不符合 MacOS 后端的要求。建议检查您的 Python 安装方式，如果是通过 Homebrew 或 Anaconda 安装的非框架版本，可能需要配置 matplotlib 使用非 MacOSX 后端（如在代码开头设置 `import matplotlib; matplotlib.use('Agg')`），或者重新安装框架版 Python。","https:\u002F\u002Fgithub.com\u002Frandom-forests\u002Ftensorflow-workshop\u002Fissues\u002F3",[]]