[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-replicate--keepsake":3,"tool-replicate--keepsake":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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":10,"last_commit_at":50,"category_tags":51,"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":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":76,"owner_email":77,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":109,"forks":110,"last_commit_at":111,"license":112,"difficulty_score":32,"env_os":113,"env_gpu":113,"env_ram":113,"env_deps":114,"category_tags":121,"github_topics":122,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":125,"updated_at":126,"faqs":127,"releases":163},4509,"replicate\u002Fkeepsake","keepsake","Version control for machine learning","Keepsake 是一款专为机器学习打造的版本控制工具，旨在帮助开发者和研究人员轻松管理实验过程中的代码、超参数、训练数据、模型权重及评估指标。在机器学习迭代中，实验记录往往分散且难以复现，Keepsake 通过自动追踪所有关键信息，让用户能够随时回溯到任意历史节点，完美解决结果复现难、实验对比混乱等痛点。\n\n该工具特别适合使用 PyTorch、TensorFlow 或 scikit-learn 等框架的 AI 工程师与科研人员。其独特亮点在于无需部署额外服务器，所有数据均以普通文件形式存储在您自有的 Amazon S3 或 Google Cloud 存储桶中，确保数据完全可控且易于集成至生产系统。用户只需在训练代码中添加两行指令，即可开启全方位追踪。此外，Keepsake 提供强大的命令行界面和 Notebook 支持，不仅能像可编程版 TensorBoard 那样可视化分析结果，还能细致对比不同实验间的依赖包版本与性能差异。甚至当实验成功后，它还能协助您将特定状态的代码和权重提取出来，方便地提交至 Git 仓库，让从实验探索到生产部署的流程更加顺畅高效。","# 📣 This project is not actively maintained. If you'd like to help maintain it, please [let us know](https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F873).\n\n---\n\n# Keepsake\n\nVersion control for machine learning.\n\nKeepsake is a Python library that uploads files and metadata (like hyperparameters) to Amazon S3 or Google Cloud Storage. You can get the data back out using the command-line interface or a notebook.\n\n- **Track experiments:** Automatically track code, hyperparameters, training data, weights, metrics, Python dependencies — _everything_.\n- **Go back in time:** Get back the code and weights from any checkpoint if you need to replicate your results or commit to Git after the fact.\n- **Version your models:** Model weights are stored on your own Amazon S3 or Google Cloud bucket, so it's really easy to feed them into production systems.\n\n## How it works\n\nJust add two lines to your training code:\n\n```python\nimport torch\nimport keepsake\n\ndef train():\n    # Save training code and hyperparameters\n    experiment = keepsake.init(path=\".\", params={...})\n    model = Model()\n\n    for epoch in range(num_epochs):\n        # ...\n\n        torch.save(model, \"model.pth\")\n        # Save model weights and metrics\n        experiment.checkpoint(path=\"model.pth\", metrics={...})\n```\n\nThen Keepsake will start tracking everything: code, hyperparameters, training data, weights, metrics, Python dependencies, and so on.\n\n- **Open source & community-built:** We’re trying to pull together the ML community so we can build this foundational piece of technology together.\n- **You're in control of your data:** All the data is stored on your own Amazon S3 or Google Cloud Storage as plain old files. There's no server to run.\n- **It works with everything:** Tensorflow, PyTorch, scikit-learn, XGBoost, you name it. It's just saving files and dictionaries – export however you want.\n\n## Features\n\n### Throw away your spreadsheet\n\nYour experiments are all in one place, with filter and sort. Because the data's stored on S3, you can even see experiments that were run on other machines.\n\n```shell-session\n$ keepsake ls --filter \"val_loss\u003C0.2\"\nEXPERIMENT   HOST         STATUS    BEST CHECKPOINT\ne510303      10.52.2.23   stopped   49668cb (val_loss=0.1484)\n9e97e07      10.52.7.11   running   41f0c60 (val_loss=0.1989)\n```\n\n### Analyze in a notebook\n\nDon't like the CLI? No problem. You can retrieve, analyze, and plot your results from within a notebook. Think of it like a programmable Tensorboard.\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freplicate_keepsake_readme_596cafccd446.png\" width=\"700\" \u002F>\n\n### Compare experiments\n\nIt diffs everything, all the way down to versions of dependencies, just in case that latest Tensorflow version did something weird.\n\n```shell-session\n$ keepsake diff 49668cb 41f0c60\nCheckpoint:       49668cb     41f0c60\nExperiment:       e510303     9e97e07\n\nParams\nlearning_rate:    0.001       0.002\n\nPython Packages\ntensorflow:       2.3.0       2.3.1\n\nMetrics\ntrain_loss:       0.4626      0.8155\ntrain_accuracy:   0.7909      0.7254\nval_loss:         0.1484      0.1989\nval_accuracy:     0.9607      0.9411\n```\n\n### Commit to Git, after the fact\n\nIf you eventually want to store your code on Git, there's no need to\ncommit everything as you go. Keepsake lets you get back to any\npoint you called `experiment.checkpoint()` so, you can\ncommit to Git once you've found something that works.\n\n```shell-session\n$ keepsake checkout f81069d\nCopying code and weights to working directory...\n\n# save the code to git\n$ git commit -am \"Use hinge loss\"\n```\n\n### Load models in production\n\nYou can use Keepsake to feed your models into production systems. Connect them back to how they were trained, who trained them, and what their metrics were.\n\n```python\nimport keepsake\nmodel = torch.load(keepsake.experiments.get(\"e45a203\").best().open(\"model.pth\"))\n```\n\n## Install\n\n```\npip install -U keepsake\n```\n\n## Get started\n\nIf you prefer **training scripts and the CLI**, [follow the our tutorial to learn how Keepsake works](https:\u002F\u002Fkeepsake.ai\u002Fdocs\u002Ftutorial).\n\nIf you prefer **working in notebooks**, \u003Ca href=\"https:\u002F\u002Fkeepsake.ai\u002Fdocs\u002Fnotebook-tutorial\" target=\"_blank\">follow our notebook tutorial on Colab\u003C\u002Fa>.\n\nIf you like to **learn concepts first**, [read our guide about how Keepsake works](https:\u002F\u002Fkeepsake.ai\u002Fdocs\u002Flearn\u002Fhow-it-works).\n\n## Get involved\n\nEveryone uses version control for software, but it is much less common in machine learning.\n\nWhy is this? We spent a year talking to people in the ML community and this is what we found out:\n\n- **Git doesn’t work well with machine learning.** It can’t handle large files, it can’t handle key\u002Fvalue metadata like metrics, and it can’t commit automatically in your training script. There are some solutions for this, but they feel like band-aids.\n- **It should be open source.** There are a number of proprietary solutions, but something so foundational needs to be built by and for the ML community.\n- **It needs to be small, easy to use, and extensible.** We found people struggling to integrate with “AI Platforms”. We want to make a tool that does one thing well and can be combined with other tools to produce the system you need.\n\nWe think the ML community needs a good version control system. But, version control systems are complex, and to make this a reality we need your help.\n\nHave you strung together some shell scripts to build this for yourself? Are you interested in the problem of making machine learning reproducible?\n\nHere are some ways you can help out:\n\n- [Join our Discord to chat to us and other contributors.](https:\u002F\u002Fdiscord.gg\u002FQmzJApGjyE)\n- [Have your say about what you want from a version control system on our public roadmap.](https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fprojects\u002F1)\n- [Try your hand at one of our issues labelled \"help wanted\".](https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Flabels\u002Fhelp%20wanted)\n\n## Contributing & development environment\n\n[Take a look at our contributing instructions.](CONTRIBUTING.md)\n","# 📣 该项目目前未处于积极维护状态。如果您愿意参与维护，请[告知我们](https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F873)。\n\n---\n\n# Keepsake\n\n机器学习的版本控制工具。\n\nKeepsake 是一个 Python 库，可将文件和元数据（如超参数）上传至 Amazon S3 或 Google Cloud Storage。您可以通过命令行界面或 Jupyter 笔记本取回这些数据。\n\n- **跟踪实验：** 自动记录代码、超参数、训练数据、模型权重、指标以及 Python 依赖项——_一切_。\n- **时光倒流：** 如果需要复现结果或事后提交到 Git，您可以从任意检查点获取代码和权重。\n- **为模型版本化：** 模型权重存储在您自己的 Amazon S3 或 Google Cloud 存储桶中，因此非常容易将其部署到生产系统中。\n\n## 工作原理\n\n只需在您的训练代码中添加两行：\n\n```python\nimport torch\nimport keepsake\n\ndef train():\n    # 保存训练代码和超参数\n    experiment = keepsake.init(path=\".\", params={...})\n    model = Model()\n\n    for epoch in range(num_epochs):\n        # ...\n\n        torch.save(model, \"model.pth\")\n        # 保存模型权重和指标\n        experiment.checkpoint(path=\"model.pth\", metrics={...})\n```\n\n随后，Keepsake 将开始跟踪所有内容：代码、超参数、训练数据、权重、指标、Python 依赖项等。\n\n- **开源且由社区共建：** 我们正努力汇聚机器学习社区的力量，共同构建这一基础性技术。\n- **数据由您掌控：** 所有数据都以普通文件的形式存储在您自己的 Amazon S3 或 Google Cloud Storage 中，无需运行任何服务器。\n- **兼容各类框架：** TensorFlow、PyTorch、scikit-learn、XGBoost 等，无论您使用哪种框架，它都只是保存文件和字典——您可以按自己习惯的方式导出数据。\n\n## 功能特性\n\n### 告别电子表格\n\n您的所有实验都集中在一个地方，并支持筛选和排序。由于数据存储在 S3 上，您甚至可以查看在其他机器上运行的实验。\n\n```shell-session\n$ keepsake ls --filter \"val_loss\u003C0.2\"\nEXPERIMENT   HOST         STATUS    BEST CHECKPOINT\ne510303      10.52.2.23   stopped   49668cb (val_loss=0.1484)\n9e97e07      10.52.7.11   running   41f0c60 (val_loss=0.1989)\n```\n\n### 在笔记本中分析\n\n不喜欢命令行？没问题。您可以在笔记本中检索、分析并绘制实验结果。这就像一个可编程的 TensorBoard。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freplicate_keepsake_readme_596cafccd446.png\" width=\"700\" \u002F>\n\n### 对比实验\n\n它会逐项比较差异，甚至包括依赖项的版本，以防最新版 TensorFlow 引入了某些异常行为。\n\n```shell-session\n$ keepsake diff 49668cb 41f0c60\nCheckpoint:       49668cb     41f0c60\nExperiment:       e510303     9e97e07\n\nParams\nlearning_rate:    0.001       0.002\n\nPython Packages\ntensorflow:       2.3.0       2.3.1\n\nMetrics\ntrain_loss:       0.4626      0.8155\ntrain_accuracy:   0.7909      0.7254\nval_loss:         0.1484      0.1989\nval_accuracy:     0.9607      0.9411\n```\n\n### 事后提交到 Git\n\n如果您最终希望将代码存储在 Git 中，无需在每次运行时都提交。Keepsake 允许您回到调用 `experiment.checkpoint()` 的任意时间点，这样当您找到一个有效结果后，就可以一次性提交到 Git。\n\n```shell-session\n$ keepsake checkout f81069d\n复制代码和权重到工作目录...\n\n# 将代码提交到 Git\n$ git commit -am \"使用铰链损失\"\n```\n\n### 在生产环境中加载模型\n\n您可以使用 Keepsake 将模型部署到生产系统中，并关联其训练方式、训练者以及相关指标。\n\n```python\nimport keepsake\nmodel = torch.load(keepsake.experiments.get(\"e45a203\").best().open(\"model.pth\"))\n```\n\n## 安装\n\n```\npip install -U keepsake\n```\n\n## 开始使用\n\n如果您更喜欢 **训练脚本和命令行界面**，请按照我们的教程了解 Keepsake 的工作原理：[教程链接](https:\u002F\u002Fkeepsake.ai\u002Fdocs\u002Ftutorial)。\n\n如果您更倾向于 **在笔记本中操作**，请访问我们的 Colab 笔记本教程：[教程链接](https:\u002F\u002Fkeepsake.ai\u002Fdocs\u002Fnotebook-tutorial)。\n\n如果您想先了解 **基本概念**，可以阅读我们的指南：[如何工作](https:\u002F\u002Fkeepsake.ai\u002Fdocs\u002Flearn\u002Fhow-it-works)。\n\n## 参与贡献\n\n软件开发中普遍使用版本控制系统，但在机器学习领域却并不常见。\n\n这是为什么呢？我们花了一年时间与机器学习社区的从业者交流，发现了以下几点：\n\n- **Git 不太适合机器学习：** 它无法处理大文件，也无法存储像指标这样的键值型元数据，更无法在训练脚本中自动提交。虽然有一些解决方案，但更像是临时补救措施。\n- **应该采用开源模式：** 目前有许多专有解决方案，但如此基础性的工具应当由机器学习社区共建并服务于社区。\n- **体积小巧、易于使用且可扩展：** 我们发现许多人在尝试集成“AI 平台”时遇到了困难。我们希望打造一款专注于单一任务、同时又能与其他工具无缝结合的工具，从而满足您的需求。\n\n我们认为，机器学习社区确实需要一套优秀的版本控制系统。然而，版本控制系统的实现较为复杂，要让这一愿景成为现实，离不开您的帮助。\n\n您是否曾编写过一些 Shell 脚本来自行搭建类似系统？或者您对提高机器学习的可重复性这一问题感兴趣吗？\n\n以下是几种您可以参与的方式：\n\n- [加入我们的 Discord 社区，与我们和其他贡献者交流。](https:\u002F\u002Fdiscord.gg\u002FQmzJApGjyE)\n- [在我们的公开路线图上分享您对版本控制系统的期望。](https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fprojects\u002F1)\n- [尝试解决我们标记为“寻求帮助”的问题。](https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Flabels\u002Fhelp%20wanted)\n\n## 贡献与开发环境\n\n[请参阅我们的贡献指南。](CONTRIBUTING.md)","# Keepsake 快速上手指南\n\nKeepsake 是一个专为机器学习设计的版本控制工具。它能自动追踪代码、超参数、训练数据、模型权重、指标及 Python 依赖，并将所有数据上传至你自有的 Amazon S3 或 Google Cloud Storage 存储桶中，无需额外搭建服务器。\n\n> **注意**：本项目目前处于非活跃维护状态。如需协助维护，可前往官方 GitHub 页面联系团队。\n\n## 环境准备\n\n在开始之前，请确保满足以下条件：\n\n*   **操作系统**：支持 Linux、macOS 或 Windows。\n*   **Python 版本**：建议 Python 3.6 及以上。\n*   **云存储账户**：你需要拥有 **Amazon S3** 或 **Google Cloud Storage (GCS)** 的访问凭证（Access Key\u002FSecret Key 或服务账号密钥），用于存储实验数据。\n*   **前置依赖**：根据你的深度学习框架安装相应库（如 `torch`, `tensorflow`, `scikit-learn` 等）。Keepsake 本身不限制框架。\n\n## 安装步骤\n\n使用 pip 进行安装。国内用户若遇到下载速度慢的问题，推荐使用清华或阿里镜像源。\n\n```bash\n# 使用默认源安装\npip install -U keepsake\n\n# 或使用国内镜像加速（推荐）\npip install -U keepsake -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n安装完成后，你需要配置云存储凭证。通常通过设置环境变量或配置文件完成（具体参照云服务商文档），例如配置 AWS 凭证：\n\n```bash\nexport AWS_ACCESS_KEY_ID=your_access_key\nexport AWS_SECRET_ACCESS_KEY=your_secret_key\nexport KEEPSAKE_BUCKET_NAME=your-bucket-name\n```\n\n## 基本使用\n\n只需在现有的训练脚本中添加两行核心代码，即可开启全自动追踪。\n\n### 1. 修改训练代码\n\n在你的训练脚本（如 `train.py`）中引入 `keepsake`，初始化实验并记录检查点。\n\n```python\nimport torch\nimport keepsake\n\ndef train():\n    # 初始化实验：自动保存当前目录代码和超参数\n    # params 字典中放入你的超参数\n    experiment = keepsake.init(path=\".\", params={\"learning_rate\": 0.001, \"batch_size\": 32})\n    \n    model = Model()\n\n    for epoch in range(num_epochs):\n        # ... 执行训练逻辑 ...\n        \n        # 保存模型权重\n        torch.save(model, \"model.pth\")\n        \n        # 记录检查点：上传模型文件并记录当前指标\n        experiment.checkpoint(path=\"model.pth\", metrics={\"val_loss\": 0.1484, \"val_accuracy\": 0.96})\n```\n\n运行该脚本后，Keepsake 会自动将代码快照、依赖列表、超参数、模型文件及指标上传至你配置的云存储桶。\n\n### 2. 查看与分析实验\n\n训练完成后，你可以使用命令行工具查看和管理实验。\n\n**列出实验并筛选结果：**\n查看验证损失小于 0.2 的实验：\n\n```shell-session\n$ keepsake ls --filter \"val_loss\u003C0.2\"\nEXPERIMENT   HOST         STATUS    BEST CHECKPOINT\ne510303      10.52.2.23   stopped   49668cb (val_loss=0.1484)\n9e97e07      10.52.7.11   running   41f0c60 (val_loss=0.1989)\n```\n\n**对比实验差异：**\n比较两个检查点的超参数、依赖版本及指标差异：\n\n```shell-session\n$ keepsake diff 49668cb 41f0c60\nCheckpoint:       49668cb     41f0c60\nExperiment:       e510303     9e97e07\n\nParams\nlearning_rate:    0.001       0.002\n\nPython Packages\ntensorflow:       2.3.0       2.3.1\n\nMetrics\ntrain_loss:       0.4626      0.8155\nval_loss:         0.1484      0.1989\n```\n\n### 3. 恢复代码与部署\n\n**回溯代码到 Git：**\n如果你找到了效果好的实验，可以将当时的代码和权重恢复到本地，再提交到 Git：\n\n```shell-session\n$ keepsake checkout f81069d\nCopying code and weights to working directory...\n\n# 此时工作目录已恢复至该检查点状态，可执行 git 提交\n$ git commit -am \"Use hinge loss\"\n```\n\n**在生产环境中加载模型：**\n直接通过代码加载最佳模型用于推理：\n\n```python\nimport keepsake\n# 获取指定实验的最佳检查点并加载模型文件\nmodel = torch.load(keepsake.experiments.get(\"e45a203\").best().open(\"model.pth\"))\n```","某初创公司的算法团队正在并行调试多个深度学习模型，试图在有限的算力资源下找到最优的超参数组合以优化图像分类准确率。\n\n### 没有 keepsake 时\n- **实验记录混乱**：工程师依赖本地 Excel 表格手动记录每次训练的超参数和结果，多人协作时极易出现版本冲突或数据遗漏。\n- **复现极其困难**：当发现某个中间效果不错但未被最终选中的模型时，由于缺乏代码、依赖包版本与权重的自动关联，几乎无法重新还原当时的训练环境。\n- **对比分析低效**：想要比较两次训练中 TensorFlow 版本差异对精度的影响，需要人工翻找日志文件，耗时且容易出错。\n- **生产部署脱节**：模型上线时，运维人员难以追溯该权重文件具体是由哪段代码、在什么数据分布下训练得出的，导致排查问题缺乏依据。\n\n### 使用 keepsake 后\n- **全自动追踪**：只需在代码中插入两行初始化命令，keepsake 即可自动将代码快照、超参数、Python 依赖及训练指标上传至团队共用的 S3 存储桶，彻底告别手工记账。\n- **随时时光倒流**：通过命令行一键检出任意历史检查点（checkpoint），keepsake 能瞬间恢复当时的代码环境与模型权重，让复现结果变得轻而易举。\n- **智能差异对比**：利用 `keepsake diff` 命令，团队能直观看到不同实验间从学习率到第三方库版本的细微差别，快速定位性能波动的根本原因。\n- **无缝衔接生产**：生产系统可直接通过 API 调用 keepsake 获取经过验证的最佳模型及其完整的元数据背景，确保上线模型的可解释性与可靠性。\n\nkeepsake 通过将分散的实验资产标准化并集中管理，让机器学习团队从繁琐的文件整理中解放出来，专注于核心算法的创新与迭代。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Freplicate_keepsake_596cafcc.png","replicate","Replicate","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Freplicate_be746598.jpg","Run AI with an API",null,"team@replicate.com","https:\u002F\u002Freplicate.com","https:\u002F\u002Fgithub.com\u002Freplicate",[81,85,89,93,97,101,105],{"name":82,"color":83,"percentage":84},"Python","#3572A5",56.7,{"name":86,"color":87,"percentage":88},"Go","#00ADD8",29.4,{"name":90,"color":91,"percentage":92},"MDX","#fcb32c",6.1,{"name":94,"color":95,"percentage":96},"SCSS","#c6538c",3.3,{"name":98,"color":99,"percentage":100},"JavaScript","#f1e05a",3.1,{"name":102,"color":103,"percentage":104},"Makefile","#427819",1.1,{"name":106,"color":107,"percentage":108},"Shell","#89e051",0.4,1671,75,"2026-03-10T17:43:16","Apache-2.0","未说明",{"notes":115,"python":113,"dependencies":116},"该项目目前不再积极维护。工具本身无服务器需求，数据存储在用户自有的 Amazon S3 或 Google Cloud Storage 中。它兼容多种机器学习框架（如 PyTorch, TensorFlow, scikit-learn 等），具体依赖取决于用户使用的框架。安装命令为 'pip install -U keepsake'。",[117,118,119,120],"torch (示例)","tensorflow (示例)","scikit-learn (示例)","XGBoost (示例)",[14],[123,124],"version-control","machine-learning","2026-03-27T02:49:30.150509","2026-04-07T00:46:22.977223",[128,133,138,143,148,153,158],{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},20513,"在 Windows 上遇到 'No module named replicate.keras_callback' 错误怎么办？","这是因为旧版本的 Windows 包可能缺少该模块，而 Linux 版本已更新。解决方案是在 Windows 上使用 WSL (Windows Subsystem for Linux) 运行项目。在 WSL 环境中，pip 会自动安装最新版本的包，问题即可解决。目前原生 Windows 支持可能尚不完善，推荐使用 WSL。","https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F390",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},20514,"如何在 `replicate run` 运行时安全地中断任务而不让其在后台继续运行？","直接按 Ctrl-C 应该立即退出任务（如果未退出可能是信号处理缺失）。为了避免意外让任务在后台长时间运行，建议在启动前台训练时注意提示信息，如果希望任务在断开连接后继续运行，请在启动时添加 `-d` 参数以在后台运行。未来版本可能会增加更完善的分离（detach）功能。","https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F176",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},20515,"是否支持 PyTorch Lightning 集成？","是的，项目已支持 PyTorch Lightning 集成。它被实现为一个 Callback（回调），类似于 ModelCheckpoint 的使用方式。你可以参考相关的 Pull Request (如 #405) 来获取具体的实现代码和使用示例。","https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F367",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},20516,"如何只检出（checkout）实验中的特定文件或目录而不是整个目录？","可以使用 `--path` 参数来指定要检出的特定文件或目录路径。例如：`replicate checkout abc123 -o out\u002F --path data\u002Fmodel.pth`。使用 `--path` 比 `-f` 更合适，因为它能保持目录结构的一致性（类似于 git checkout 的行为），即如果源文件是 `data\u002Fmodel.pth`，检出后会保留为 `out\u002Fdata\u002Fmodel.pth`。","https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F358",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},20517,"配置文件必须命名为 `replicate.yaml` 吗？支持 `.yml` 扩展名吗？","现在支持两种扩展名。除了默认的 `replicate.yaml` 外，项目也已支持使用 `replicate.yml` 作为配置文件名。该功能已在 Python 和 Go 实现中完成，你可以直接使用 `.yml` 后缀创建配置文件。","https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F351",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},20518,"为什么过滤创建时间的参数名叫 \"started\" 而不是 \"created\"？","这确实是一个命名不一致的问题，容易造成混淆。该问题已被修复，现在过滤创建时间的参数名已统一改为 \"created\"，以保持与 CLI 其他部分及 Python API 的一致性。","https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F342",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},20519,"如何让 mypy 识别 keepsake 包的类型注解？","需要在 Python 包中添加一个空的 `py.typed` 文件，以符合 PEP 561 标准，这样 mypy 才能正确读取并使用包内的类型注解。不过请注意，根据最新反馈，Keepsake 项目目前已不再积极维护，如果需要类型支持，可能需要自行维护或寻找替代方案。","https:\u002F\u002Fgithub.com\u002Freplicate\u002Fkeepsake\u002Fissues\u002F596",[164,169,174,179,184,189,194],{"id":165,"version":166,"summary_zh":167,"released_at":168},126501,"v0.4.2","修复了一个错误：即使你已设置 Keepsake 不要签出，它仍然会执行签出操作。#567。\n\n运行 `pip install -U keepsake` 来升级。","2021-03-11T20:50:26",{"id":170,"version":171,"summary_zh":172,"released_at":173},126502,"v0.4.1","只修复了几个小 bug：\n\n- 为部分私有 Python API 添加下划线前缀，避免干扰 IDE 的自动补全功能。#542（感谢 @gabrielmbmb！）\n- 修复在同一个绘图上绘制不同图表时坐标轴显示错误的问题。#553（感谢 @enochkan！）\n- 使用 `AWS_DEFAULT_REGION` 环境变量来确定创建 S3 存储桶的区域。#561\n- 当传递给 `checkpoint()` 的 `path` 不存在时，正确抛出错误。#556\n- 修复仅保存单个文件时，checkout 操作会失败的问题。#560\n- 更新依赖项。（感谢 @dependabot！）\n\n运行 `pip install -U keepsake` 即可获得这些新功能和改进。","2021-03-10T00:41:28",{"id":175,"version":176,"summary_zh":177,"released_at":178},126503,"v0.4.0","**随本次发布，我们已将 Replicate 更名为 Keepsake。**\n\n我们将使用“Replicate”作为我们更广泛项目的名称，旨在使机器学习实验具有可复现性。我们认为工具应当专注于做好一件事，因此我们希望为多种工具留出空间。\n\n迁移过程非常简单：\n\n- 使用 `pip install keepsake` 进行安装，或在 `requirements.txt` 中添加 `keepsake`；\n- 在代码中将 `replicate` 全部替换为 `keepsake`，包括导入语句和使用位置；\n- 如果您使用 Keras 或 PyTorch Lightning 的回调函数，它们现在都称为 `KeepsakeCallback`；\n- 将 `replicate.yaml` 重命名为 `keepsake.yaml`；\n- 将 `.replicateignore` 重命名为 `.keepsakeignore`。\n\n如果您只想继续使用 `replicate` 包，也完全没问题，只是未来的新功能您将无法体验到。\n\n本次发布没有新增功能。继续加油吧！","2021-02-06T22:38:47",{"id":180,"version":181,"summary_zh":182,"released_at":183},126504,"v0.3.3","新功能：\n* [限制 `replicate show` 默认显示的 Python 包数量，以提高可读性](https:\u002F\u002Fgithub.com\u002Freplicate\u002Freplicate\u002Fpull\u002F494)\n\n错误修复：\n* [为保持一致性，将 `replicate ls` 过滤器名称 `started` 重命名为 `created`](https:\u002F\u002Fgithub.com\u002Freplicate\u002Freplicate\u002Fpull\u002F489) — 感谢 @murthy95 的贡献！\n* [修复实验中未保存 Python 版本的问题](https:\u002F\u002Fgithub.com\u002Freplicate\u002Freplicate\u002Fpull\u002F493)\n* [在使用 CLI 配合 S3 或 GCS 时立即显示输出，以提升响应速度](https:\u002F\u002Fgithub.com\u002Freplicate\u002Freplicate\u002Fpull\u002F497)","2021-01-15T18:07:18",{"id":185,"version":186,"summary_zh":187,"released_at":188},126505,"v0.3.2","修复了在上传大文件时，Replicate 会占用大量内存的 bug。","2021-01-12T17:39:23",{"id":190,"version":191,"summary_zh":192,"released_at":193},126506,"v0.3.1","修复缺失的 Python 依赖项。","2021-01-12T02:37:23",{"id":195,"version":196,"summary_zh":197,"released_at":198},126507,"v0.3.0","这是我们推出 Replicate 以来的首次重大发布，我们为你准备了一大堆新功能。\n\n如果你是第一次来到这里，简单介绍一下：[Replicate 是一个用于机器学习模型的版本控制系统](https:\u002F\u002Freplicate.ai)。\n\n以下是一些亮点：\n\n## 文件在后台上传\n\n现在，当你将文件传递给 `replicate.init()` 或 `experiment.checkpoint()` 时，这些文件会在训练继续进行的同时在后台上传。使用 Replicate 不会影响你的训练速度。\n\n此外，我们还对底层进行了大量优化，使整个流程更快、更稳定。例如，[从 Python 中打开文件的速度大幅提升](https:\u002F\u002Fgithub.com\u002Freplicate\u002Freplicate\u002Fissues\u002F287)。\n\n## 实验列表更易读\n\n`replicate ls` 的输出经过重新设计，能够更好地处理更多实验和参数：\n\n![Screen Shot 2021-01-06 at 15 02 36](https:\u002F\u002Fuser-images.githubusercontent.com\u002F40906\u002F103831120-3b641880-5030-11eb-9b47-e094b823a472.png)\n\n## 可以检出单个文件\n\n现在你可以只检出某个特定文件，而无需下载整个检查点及其关联的实验内容。例如，只需运行以下命令即可检出 `model.pth` 文件：\n\n```bash\nreplicate checkout 3b453f0 --path model.pth\n```\n\n感谢 @VastoLorde95 的辛勤工作！\n\n## PyTorch Lightning 集成\n\nReplicate 现在提供了一个回调函数，使得与 PyTorch Lightning 的集成更加简便。[详细说明请参阅文档](https:\u002F\u002Freplicate.ai\u002Fdocs\u002Fguides\u002Fpytorch-lightning-integration)。\n\n感谢 @gan3sh500 的贡献！\n\n## 还有一些其他改进\n\n此外还有一些小功能：\n\n- 如果你未指定步数，`experiment.checkpoint()` 会自动为其生成步数。（感谢 @justinchuby！）\n- 现在每次运行实验时都会记录使用的 Python 版本，这进一步提升了训练环境的可复现性。（感谢 @kvthr！）\n\n同时，我们也修复了一些 bug：\n\n- 当主要指标为 `NaN` 或 `None` 时，检查点不再被计入最佳状态。（感谢 @ryanbloom！）\n- 修复了在固定随机种子时 ID 生成的问题。\n\n再次感谢所有提出功能建议、反馈问题以及积极参与构建的朋友们！\n\n要升级，请运行 `pip install -U replicate`；如果你使用 `requirements.txt`，也可以将其添加到文件中：`replicate~=0.3.0`。\n\n- 如果你还没有试用过 Replicate，可以先 [查看文档开始使用](https:\u002F\u002Freplicate.ai\u002Fdocs)。\n- 如果有任何问题、想参与其中，或者只是想打个招呼，欢迎加入我们的 Discord 社区：[Discord 邀请链接](https:\u002F\u002Fdiscord.gg\u002FQmzJApGjyE)。\n- 想及时了解最新动态？请关注我们的 Twitter：[Twitter 账号](https:\u002F\u002Ftwitter.com\u002Freplicateai)","2021-01-08T16:23:35"]