[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-rosejn--cortex":3,"tool-rosejn--cortex":61},[4,18,28,37,45,53],{"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":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},10095,"AutoGPT","Significant-Gravitas\u002FAutoGPT","AutoGPT 是一个旨在让每个人都能轻松使用和构建 AI 的强大平台，核心功能是帮助用户创建、部署和管理能够自动执行复杂任务的连续型 AI 智能体。它解决了传统 AI 应用中需要频繁人工干预、难以自动化长流程工作的痛点，让用户只需设定目标，AI 即可自主规划步骤、调用工具并持续运行直至完成任务。\n\n无论是开发者、研究人员，还是希望提升工作效率的普通用户，都能从 AutoGPT 中受益。开发者可利用其低代码界面快速定制专属智能体；研究人员能基于开源架构探索多智能体协作机制；而非技术背景用户也可直接选用预置的智能体模板，立即投入实际工作场景。\n\nAutoGPT 的技术亮点在于其模块化“积木式”工作流设计——用户通过连接功能块即可构建复杂逻辑，每个块负责单一动作，灵活且易于调试。同时，平台支持本地自托管与云端部署两种模式，兼顾数据隐私与使用便捷性。配合完善的文档和一键安装脚本，即使是初次接触的用户也能在几分钟内启动自己的第一个 AI 智能体。AutoGPT 正致力于降低 AI 应用门槛，让人人都能成为 AI 的创造者与受益者。",183572,"2026-04-20T04:47:55",[13,36,27,14,15],"语言模型",{"id":38,"name":39,"github_repo":40,"description_zh":41,"stars":42,"difficulty_score":10,"last_commit_at":43,"category_tags":44,"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":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"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",161147,"2026-04-19T23:31:47",[14,13,36],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"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":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":76,"owner_website":80,"owner_url":81,"languages":82,"stars":110,"forks":111,"last_commit_at":112,"license":113,"difficulty_score":114,"env_os":115,"env_gpu":116,"env_ram":117,"env_deps":118,"category_tags":127,"github_topics":76,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":128,"updated_at":129,"faqs":130,"releases":161},10098,"rosejn\u002Fcortex","cortex","Machine learning in Clojure","Cortex 是一个专为 Clojure 语言打造的机器学习库，由 ThinkTopic 与社区开发者共同维护。它旨在让 Clojure 开发者能够直接在熟悉的函数式编程环境中构建和训练神经网络、回归模型及进行特征学习，无需切换到 Python 等其他生态即可处理复杂的 AI 任务。\n\n对于希望将机器学习能力集成到现有 Clojure 项目中的软件工程师、数据科学家以及函数式编程爱好者来说，Cortex 提供了理想的解决方案。它特别适用于那些偏好静态类型安全、不可变数据结构以及 Lisp 宏强大表达力的技术团队。\n\n在技术亮点方面，Cortex 不仅支持基础的分类与回归训练，还具备 GPU 加速计算能力（基于 CUDA 和 cuDNN），能够高效处理如 MNIST 手写数字识别等实际场景。其架构设计灵活，正逐步完善对大型预训练模型导入、多 GPU 并行计算以及循环神经网络（RNN）的支持。尽管目前仍处于持续迭代阶段，部分接口和存储格式可能随版本更新而调整，但它已足以帮助开发者快速验证算法原型并落地初步的智能化应用。通过简洁的 API 和详尽的示例代码，Cortex 降低了在 JVM 生","Cortex 是一个专为 Clojure 语言打造的机器学习库，由 ThinkTopic 与社区开发者共同维护。它旨在让 Clojure 开发者能够直接在熟悉的函数式编程环境中构建和训练神经网络、回归模型及进行特征学习，无需切换到 Python 等其他生态即可处理复杂的 AI 任务。\n\n对于希望将机器学习能力集成到现有 Clojure 项目中的软件工程师、数据科学家以及函数式编程爱好者来说，Cortex 提供了理想的解决方案。它特别适用于那些偏好静态类型安全、不可变数据结构以及 Lisp 宏强大表达力的技术团队。\n\n在技术亮点方面，Cortex 不仅支持基础的分类与回归训练，还具备 GPU 加速计算能力（基于 CUDA 和 cuDNN），能够高效处理如 MNIST 手写数字识别等实际场景。其架构设计灵活，正逐步完善对大型预训练模型导入、多 GPU 并行计算以及循环神经网络（RNN）的支持。尽管目前仍处于持续迭代阶段，部分接口和存储格式可能随版本更新而调整，但它已足以帮助开发者快速验证算法原型并落地初步的智能化应用。通过简洁的 API 和详尽的示例代码，Cortex 降低了在 JVM 生态中探索深度学习的门槛。","# Cortex ![TravisCI](https:\u002F\u002Ftravis-ci.com\u002Fthinktopic\u002Fcortex.svg?token=pNFS4aJt3yqGNNwZvG5z&branch=master)\n\nNeural networks, regression and feature learning in Clojure.\n\nCortex has been developed by [ThinkTopic](http:\u002F\u002Fthinktopic.com) in collaboration with [Mike Anderson](https:\u002F\u002Fgithub.com\u002Fmikera).\n\n\u003Ca href=\"https:\u002F\u002Fwww.thinktopic.com\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frosejn_cortex_readme_26df3ee2128d.jpg\" width=\"200\"\u002F>\u003C\u002Fa>\n\n## Mailing List\n\nhttps:\u002F\u002Fgroups.google.com\u002Fforum\u002F#!forum\u002Fclojure-cortex\n\n## Usage\n\n[![Clojars Project](https:\u002F\u002Fclojars.org\u002Fthinktopic\u002Fcortex\u002Flatest-version.svg)](https:\u002F\u002Fclojars.org\u002Fthinktopic\u002Fcortex)\n\n\nAll libraries are released on [clojars](https:\u002F\u002Fclojars.org\u002Fthinktopic\u002Fcortex).  Cortex is not 1.0 yet preliminary and you should expect quite a few things to change\nover time but it should allow you to train some initial classifiers or regressions.  Note that the save format has not stabilized and although we do\njust save edn data in nippy format it may require some effort to bring versions of saved forward.\n\n## Cortex Design\n\nDesign is detailed here:\n[Cortex Design Document](docs\u002Fdesign.md)\n\nPlease see the various unit tests and examples for training a model.  Specifically see:\n[mnist verification](src\u002Fcortex\u002Fverify\u002Fnn\u002Ftrain.clj)\n\nAlso, for an example of using cortex in a more real-world scenario please see:\n[mnist example](examples\u002Fmnist-classification\u002Fsrc\u002Fmnist_classification\u002Fcore.clj).\n\n\n\n### Existing Framework Comparisons\n\n* Stanford CS 231 [Lecture 12](http:\u002F\u002Fcs231n.stanford.edu\u002Fslides\u002F2016\u002Fwinter1516_lecture12.pdf) contains a detailed\n  breakdown of Caffe, Torch, Theano, and TensorFlow.\n\n\n\n### TODO:\n\n * hdf5 import of major keras models (vgg-net).  This requires each model along with a single input and per-layer outputs for that input.  Please don't ask for anything to be supported unless you can provide the appropriate thorough test.\n\n * Recurrence in all forms.  There is some work towards that direction in the compute branch and it is specifically designed to match the cudnn API for recurrence.  This is less important at this point than running some of the larger pre-trained models.\n\n * Speaking of larger nets, multiple GPU support and multiple machine support (which could be helped by the above graph based description layer).\n\n * Profiling GPU system to make sure we are using as much GPU as possible in the single-gpu case.\n\n * Better data import\u002Fvisualization support.  We have geom and we have a clear definition of the datasets, now we need to put together the pieces and build some great visualizations as examples.\n\n\n### Getting Started:\n\n * Get the project and run `lein test` in both cortex and compute.  The various unit tests train various models.\n\n### GPU Compute Install Instructions\n\n#### Ubuntu\n\n    $ sudo apt install nvidia-cuda-toolkit\n    reboot\n    \n\n[Install cuDNN](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcudnn) and copy the cuDNN files to the corresponding folders in the local cuda installation (probably at \u002Fusr\u002Flocal\u002Fcuda). For reference, follow the \"Installing cuDNN\" section [here](http:\u002F\u002Fwww.pyimagesearch.com\u002F2016\u002F07\u002F04\u002Fhow-to-install-cuda-toolkit-and-cudnn-for-deep-learning\u002F).\n\nTo check everything is working, run `$ nvidia-smi`\n\nYou should now have cuda8.0 installed. Current master is 8.0, so if you're running 7.5 you will need to change the javacpp dependency in your project file of the [mnist Example](https:\u002F\u002Fgithub.com\u002Fthinktopic\u002Fcortex\u002Fblob\u002Fmaster\u002Fexamples\u002Fmnist-classification\u002Fproject.clj).\n\n#### Mac OS\nThese instructions follow the gpu setup from [Tensor Flow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fblob\u002Fmaster\u002Ftensorflow\u002Fg3doc\u002Fget_started\u002Fos_setup.md#optional-setup-gpu-for-mac), i.e.:\n\nInstall coreutils and cuda:\n\n    $ brew install coreutils\n    $ brew tap caskroom\u002Fdrivers\n    $ brew cask install nvidia-cuda\n\nAdd CUDA Tool kit to bash profile\n\n    export CUDA_HOME=\u002Fusr\u002Flocal\u002Fcuda\n    export DYLD_LIBRARY_PATH=\"$DYLD_LIBRARY_PATH:$CUDA_HOME\u002Flib\"\n    export PATH=\"$CUDA_HOME\u002Fbin:$PATH\"\n\nDownload the CUDA Deep Neural Network [libraries](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcudnn).\n\nOnce downloaded and unzipped, moving the files:\n\n    $ sudo mv include\u002Fcudnn.h \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Finclude\u002F\n    $ sudo mv lib\u002Flibcudnn* \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Flib\n    $ sudo ln -s \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Flib\u002Flibcudnn* \u002Fusr\u002Flocal\u002Fcuda\u002Flib\u002F\n\nShould you see a jni linking error similar to this\n\n```\nRetrieving org\u002Fbytedeco\u002Fjavacpp-presets\u002Fcuda\u002F8.0-1.2\u002Fcuda-8.0-1.2-macosx-x86_64.jar from central\nException in thread \"main\" java.lang.UnsatisfiedLinkError: no jnicudnn in java.library.path, compiling:(think\u002Fcompute\u002Fnn\u002Fcuda_backend.c\nlj:82:28)\n        at clojure.lang.Compiler.analyze(Compiler.java:6688)\n        at clojure.lang.Compiler.analyze(Compiler.java:6625)\n        at clojure.lang.Compiler$HostExpr$Parser.parse(Compiler.java:1009)\n```\n\nMake sure you have installed the appropriate CUDNN for your version of CUDA.\n\n#### Windows\n\nSome preliminary information about getting gpu-acceleration working on windows is available here:\nhttps:\u002F\u002Fgroups.google.com\u002Fforum\u002F#!topic\u002Fclojure-cortex\u002FhNFW1T_2PZc\n\n### See also:\n\n[Roadmap](docs\u002FROADMAP.md)\n","# Cortex ![TravisCI](https:\u002F\u002Ftravis-ci.com\u002Fthinktopic\u002Fcortex.svg?token=pNFS4aJt3yqGNNwZvG5z&branch=master)\n\n在 Clojure 中进行神经网络、回归和特征学习。\n\nCortex 由 [ThinkTopic](http:\u002F\u002Fthinktopic.com) 与 [Mike Anderson](https:\u002F\u002Fgithub.com\u002Fmikera) 合作开发。\n\n\u003Ca href=\"https:\u002F\u002Fwww.thinktopic.com\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frosejn_cortex_readme_26df3ee2128d.jpg\" width=\"200\"\u002F>\u003C\u002Fa>\n\n## 邮件列表\n\nhttps:\u002F\u002Fgroups.google.com\u002Fforum\u002F#!forum\u002Fclojure-cortex\n\n## 使用方法\n\n[![Clojars 项目](https:\u002F\u002Fclojars.org\u002Fthinktopic\u002Fcortex\u002Flatest-version.svg)](https:\u002F\u002Fclojars.org\u002Fthinktopic\u002Fcortex)\n\n\n所有库都发布在 [clojars](https:\u002F\u002Fclojars.org\u002Fthinktopic\u002Fcortex) 上。Cortex 目前尚未达到 1.0 版本，仍处于初步阶段，因此未来可能会有较多变化。不过，它已经可以用来训练一些初始的分类器或回归模型。需要注意的是，保存格式尚未稳定，尽管我们目前使用 nippy 格式保存 edn 数据，但可能需要一定的努力才能兼容不同版本的保存文件。\n\n## Cortex 设计\n\n设计细节请参见：\n[Cortex 设计文档](docs\u002Fdesign.md)\n\n请查看各类单元测试和示例以了解如何训练模型。特别是：\n[mnist 验证](src\u002Fcortex\u002Fverify\u002Fnn\u002Ftrain.clj)\n\n此外，若想了解在更实际场景中使用 Cortex 的示例，请参阅：\n[mnist 示例](examples\u002Fmnist-classification\u002Fsrc\u002Fmnist_classification\u002Fcore.clj)。\n\n\n\n### 现有框架对比\n\n* 斯坦福大学 CS 231 课程的 [第 12 讲](http:\u002F\u002Fcs231n.stanford.edu\u002Fslides\u002F2016\u002Fwinter1516_lecture12.pdf) 对 Caffe、Torch、Theano 和 TensorFlow 进行了详细分析。\n\n\n\n### 待办事项：\n\n * 导入主要 Keras 模型的 hdf5 格式（例如 VGG-Net）。这需要每个模型连同单个输入及其各层输出的数据。请不要要求支持任何功能，除非你能提供相应的全面测试。\n\n * 支持各种形式的循环神经网络。compute 分支中已有相关工作，其设计专门匹配 cuDNN 的循环 API。不过，相比运行一些较大的预训练模型，这一点的重要性较低。\n\n * 关于大型网络，我们需要实现多 GPU 支持以及多机分布式支持（后者可以通过上述基于图的描述层来实现）。\n\n * 对 GPU 系统进行性能分析，确保在单 GPU 情况下充分利用 GPU 资源。\n\n * 提升数据导入和可视化支持。我们已经有了 geom 库，并且对数据集也有清晰定义，现在需要将这些工具整合起来，构建一些优秀的可视化示例。\n\n\n### 开始使用：\n\n * 克隆项目并在 cortex 和 compute 两个模块中分别运行 `lein test`。各类单元测试会训练不同的模型。\n\n### GPU 计算安装说明\n\n#### Ubuntu\n\n    $ sudo apt install nvidia-cuda-toolkit\n    重启\n    \n\n安装 [cuDNN](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcudnn)，并将 cuDNN 文件复制到本地 CUDA 安装目录下的相应文件夹中（通常位于 \u002Fusr\u002Flocal\u002Fcuda）。参考链接：[此处](http:\u002F\u002Fwww.pyimagesearch.com\u002F2016\u002F07\u002F04\u002Fhow-to-install-cuda-toolkit-and-cudnn-for-deep-learning\u002F)的“安装 cuDNN”部分。\n\n检查是否安装成功：运行 `$ nvidia-smi`\n\n此时应已安装 CUDA 8.0。当前主分支使用的是 CUDA 8.0，因此如果你使用的是 CUDA 7.5，则需要修改 [mnist 示例](https:\u002F\u002Fgithub.com\u002Fthinktopic\u002Fcortex\u002Fblob\u002Fmaster\u002Fexamples\u002Fmnist-classification\u002Fproject.clj) 项目文件中的 javacpp 依赖项。\n\n#### Mac OS\n以下说明遵循 [TensorFlow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fblob\u002Fmaster\u002Ftensorflow\u002Fg3doc\u002Fget_started\u002Fos_setup.md#optional-setup-gpu-for-mac) 的 GPU 设置流程，即：\n\n安装 coreutils 和 CUDA：\n\n    $ brew install coreutils\n    $ brew tap caskroom\u002Fdrivers\n    $ brew cask install nvidia-cuda\n\n将 CUDA 工具包添加到 bash 配置文件中：\n\n    export CUDA_HOME=\u002Fusr\u002Flocal\u002Fcuda\n    export DYLD_LIBRARY_PATH=\"$DYLD_LIBRARY_PATH:$CUDA_HOME\u002Flib\"\n    export PATH=\"$CUDA_HOME\u002Fbin:$PATH\"\n\n下载 CUDA 深度神经网络 [库](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcudnn)。\n\n下载并解压后，移动文件：\n\n    $ sudo mv include\u002Fcudnn.h \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Finclude\u002F\n    $ sudo mv lib\u002Flibcudnn* \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Flib\n    $ sudo ln -s \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Flib\u002Flibcudnn* \u002Fusr\u002Flocal\u002Fcuda\u002Flib\u002F\n\n如果遇到类似以下的 JNI 链接错误：\n\n```\n从中央仓库检索 org\u002Fbytedeco\u002Fjavacpp-presets\u002Fcuda\u002F8.0-1.2\u002Fcuda-8.0-1.2-macosx-x86_64.jar\n主线程异常：java.lang.UnsatisfiedLinkError: 在 java.library.path 中找不到 jnicudnn，编译位置：(think\u002Fcompute\u002Fnn\u002Fcuda_backend.c\nlj:82:28)\n        at clojure.lang.Compiler.analyze(Compiler.java:6688)\n        at clojure.lang.Compiler.analyze(Compiler.java:6625)\n        at clojure.lang.Compiler$HostExpr$Parser.parse(Compiler.java:1009)\n```\n\n请确保你已为当前版本的 CUDA 安装了正确的 cuDNN。\n\n#### Windows\n\n关于在 Windows 上启用 GPU 加速的一些初步信息，请参阅：\nhttps:\u002F\u002Fgroups.google.com\u002Fforum\u002F#!topic\u002Fclojure-cortex\u002FhNFW1T_2PZc\n\n### 另请参阅：\n\n[路线图](docs\u002FROADMAP.md)","# Cortex 快速上手指南\n\nCortex 是一个基于 Clojure 的深度学习库，支持神经网络、回归分析和特征学习。本指南将帮助你快速搭建环境并运行第一个模型。\n\n## 环境准备\n\n### 系统要求\n- **操作系统**: Linux (推荐 Ubuntu), macOS, 或 Windows\n- **JDK**: Java 8 或更高版本\n- **构建工具**: Leiningen (`lein`)\n- **GPU 加速 (可选)**:\n  - NVIDIA GPU (支持 CUDA)\n  - CUDA Toolkit 8.0 (当前主分支版本)\n  - cuDNN 库\n\n### 前置依赖\n若需启用 GPU 加速，请预先安装以下驱动和库：\n\n**Ubuntu:**\n```bash\nsudo apt install nvidia-cuda-toolkit\n# 安装后重启系统\nreboot\n```\n随后前往 [NVIDIA 官网](https:\u002F\u002Fdeveloper.nvidia.com\u002Fcudnn) 下载并安装 cuDNN，将其文件复制到本地 CUDA 安装目录（通常为 `\u002Fusr\u002Flocal\u002Fcuda`）。\n\n**macOS:**\n```bash\nbrew install coreutils\nbrew tap caskroom\u002Fdrivers\nbrew cask install nvidia-cuda\n```\n配置环境变量（添加到 `~\u002F.bash_profile` 或 `~\u002F.zshrc`）：\n```bash\nexport CUDA_HOME=\u002Fusr\u002Flocal\u002Fcuda\nexport DYLD_LIBRARY_PATH=\"$DYLD_LIBRARY_PATH:$CUDA_HOME\u002Flib\"\nexport PATH=\"$CUDA_HOME\u002Fbin:$PATH\"\n```\n下载 cuDNN 库后，执行以下命令链接文件：\n```bash\nsudo mv include\u002Fcudnn.h \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Finclude\u002F\nsudo mv lib\u002Flibcudnn* \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Flib\nsudo ln -s \u002FDeveloper\u002FNVIDIA\u002FCUDA-8.0\u002Flib\u002Flibcudnn* \u002Fusr\u002Flocal\u002Fcuda\u002Flib\u002F\n```\n\n> **注意**: 安装完成后，运行 `nvidia-smi` 确认 GPU 状态正常。若使用非 8.0 版本的 CUDA，需在项目配置文件中调整 `javacpp` 依赖版本。\n\n## 安装步骤\n\nCortex 通过 Clojars 发布。在你的 Clojure 项目配置文件 `project.clj` 中添加以下依赖：\n\n```clojure\n:dependencies [[thinktopic\u002Fcortex \"LATEST_VERSION\"]]\n```\n*(请将 `LATEST_VERSION` 替换为 Clojars 上的最新版本号)*\n\n获取源码并验证安装（需要同时克隆 `cortex` 和 `compute` 仓库）：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fthinktopic\u002Fcortex.git\ngit clone https:\u002F\u002Fgithub.com\u002Fthinktopic\u002Fcompute.git\n\n# 进入目录并运行测试以验证环境\ncd cortex\nlein test\n\ncd ..\u002Fcompute\nlein test\n```\n*注：单元测试会自动训练一些小型模型，是验证安装是否成功的最佳方式。*\n\n## 基本使用\n\nCortex 的核心功能包括定义网络结构、加载数据和训练模型。以下是一个极简的使用流程概念示例（参考官方 MNIST 示例）：\n\n1. **定义网络层**: 使用 Cortex 提供的 API 构建神经网络层。\n2. **准备数据**: 加载数据集（如 MNIST）并转换为 Cortex 可用的格式。\n3. **训练模型**: 调用训练函数进行迭代优化。\n\n你可以参考官方提供的完整示例来开始实际开发：\n\n- **基础验证示例**: `src\u002Fcortex\u002Fverify\u002Fnn\u002Ftrain.clj`\n- **实战分类示例 (MNIST)**: `examples\u002Fmnist-classification\u002Fsrc\u002Fmnist_classification\u002Fcore.clj`\n\n在 REPL 中加载命名空间并开始实验：\n\n```clojure\n(require '[cortex.nn.execute :as execute]\n         '[cortex.nn.layers :as layers])\n\n;; 定义简单的网络结构示例\n(def my-network\n  (layers\u002Finfer-network-shape\n    [:input-layer]\n    [:dense-layer {:n-out 100 :activation :relu}]\n    [:output-layer {:n-out 10 :activation :softmax}]))\n\n;; 后续步骤涉及数据绑定与执行训练，详见 examples 目录下的完整代码\n```\n\n> **提示**: Cortex 目前尚未达到 1.0 稳定版，API 和数据保存格式（EDN\u002FNippy）可能会随版本更新而变化。建议定期查看单元测试以了解最新用法。","一家专注于金融风控的初创团队，希望利用 Clojure 生态快速构建一个自定义的信用评分回归模型，以预测用户违约概率。\n\n### 没有 cortex 时\n- **技术栈割裂**：团队必须跨越语言边界，通过复杂的 API 调用 Python 的 TensorFlow 或 Scikit-learn，导致数据序列化开销大且调试困难。\n- **原型验证缓慢**：由于缺乏原生的神经网络支持，每次调整算法逻辑都需要重新部署外部服务，迭代周期从小时级拉长到天级。\n- **环境配置繁琐**：为了运行简单的回归测试，开发人员不得不维护庞大的 Python 依赖环境和 GPU 驱动配置，分散了核心业务逻辑的开发精力。\n- **模型持久化风险**：不同版本的外部模型文件格式不兼容，导致训练好的模型难以在 Clojure 生产环境中稳定加载和复用。\n\n### 使用 cortex 后\n- **原生无缝集成**：直接在 Clojure 代码中定义神经网络层和回归函数，利用 JVM 生态实现数据流转零损耗，开发体验流畅统一。\n- **敏捷迭代升级**：借助 Leiningen 单元测试框架，团队能在几分钟内完成从数据预处理到模型训练的全流程验证，大幅缩短试错时间。\n- **简化部署架构**：无需额外安装 Python 运行时，仅需配置 CUDA 工具包即可在单台服务器上启用 GPU 加速计算，运维成本显著降低。\n- **标准化模型管理**：利用 Cortex 基于 Nippy 的 EDN 数据保存格式，轻松实现模型版本的序列化与向前兼容，确保生产环境稳定性。\n\nCortex 让 Clojure 开发者能够在熟悉的函数式编程范式中，高效地完成从实验性特征学习到生产级深度学习模型的全链路构建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frosejn_cortex_c9b372ae.png","rosejn","Jeff Rose","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frosejn_0cc23b88.png",null,"Spatial Logic Inc","Colorado, USA","jeff@originrose.com","http:\u002F\u002Flifeisagraph.com","https:\u002F\u002Fgithub.com\u002Frosejn",[83,87,91,94,98,102,106],{"name":84,"color":85,"percentage":86},"Clojure","#db5855",93.5,{"name":88,"color":89,"percentage":90},"C++","#f34b7d",2.8,{"name":92,"color":93,"percentage":24},"Cuda","#3A4E3A",{"name":95,"color":96,"percentage":97},"Python","#3572A5",1.2,{"name":99,"color":100,"percentage":101},"Shell","#89e051",0.3,{"name":103,"color":104,"percentage":105},"Java","#b07219",0.2,{"name":107,"color":108,"percentage":109},"Makefile","#427819",0.1,1269,109,"2026-04-15T03:13:41","EPL-1.0",4,"Linux (Ubuntu), macOS, Windows","需要 NVIDIA GPU，需安装 CUDA Toolkit 8.0 和 cuDNN；多 GPU 支持在计划中但尚未完善","未说明",{"notes":119,"python":120,"dependencies":121},"该项目主要使用 Clojure 语言开发。GPU 加速功能在 Ubuntu 和 macOS 上有详细安装指南，Windows 支持尚处于初步阶段。当前主分支默认针对 CUDA 8.0，若使用其他版本（如 7.5）需手动调整项目依赖配置。模型保存格式尚未稳定，不同版本间加载已保存的模型可能需要额外工作。","不适用 (基于 Clojure\u002FJVM)",[84,122,123,124,125,126],"Leiningen","nvidia-cuda-toolkit (8.0)","cuDNN","javacpp-presets (cuda 8.0-1.2)","nippy",[14],"2026-03-27T02:49:30.150509","2026-04-20T19:23:52.137799",[131,136,141,146,151,156],{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},45345,"Cortex 是否支持 Clojure 1.9？","是的，Cortex 已经支持 Clojure 1.9。维护者确认该工作已完成，且内部项目也已迁移至 1.9 版本。","https:\u002F\u002Fgithub.com\u002Frosejn\u002Fcortex\u002Fissues\u002F95",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},45342,"如何在 macOS 上配置 Cortex 以使用 GPU？","在 macOS 上安装 CUDA 的步骤已更新。由于 `cuda` 已从 `caskroom\u002Fcask` 移至 `caskroom\u002Fdrivers`，请使用以下命令：\n1. `$ brew install coreutils`\n2. `$ brew tap caskroom\u002Fdrivers`\n3. `$ brew cask install cuda`\n如果尝试旧的 `caskroom\u002Fcask` 源，Brew 会自动提示此更改。","https:\u002F\u002Fgithub.com\u002Frosejn\u002Fcortex\u002Fissues\u002F24",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},45343,"构建类似 VGG 的大型网络时遇到显存不足（OOM）错误怎么办？","该问题通常由内存管理效率引起，已通过 Pull Request #22 修复。建议更新到包含该修复的版本。修复后，即使在 Tesla K80 等显卡上使用批量大小（batch size）为 32 运行 VGG 风格网络，显存占用也能得到有效控制（例如约占用 6915MiB）。如果遇到此错误，请确保代码库已更新至最新状态。","https:\u002F\u002Fgithub.com\u002Frosejn\u002Fcortex\u002Fissues\u002F19",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},45344,"重新开始训练时，如何重置损失函数的“最高分”（high score）以避免旧验证集数据干扰？","当使用新的保持数据集（holdout dataset）重新训练时，旧的损失分数阈值可能导致新模型无法保存。解决方案是在 `train-n` 函数中添加了一个标志（flag）来显式重置最高分。请在分支 \"reset-score\" 中查看相关实现，或在更新后的版本中使用该标志来强制生成新的高分基准。","https:\u002F\u002Fgithub.com\u002Frosejn\u002Fcortex\u002Fissues\u002F80",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},45346,"Cortex 中序列化的数据结构包含哪些内容？","Cortex 序列化主要包含两大部分数据：\n1. **层图（Layer Graph）**：包含网络结构（边列表和节点）以及缓冲区列表。这是 Cortex 的核心，设计时需保持最小化以确保软件升级的兼容性。\n2. **遍历系统（Traversal System）**：神经网络通用的遍历逻辑，但其未来兼容性相对较弱。\n通常，在调用 `traversal->training` 或 `traversal->inference` 后，整个网络（包括参数缓冲区）会被保存。","https:\u002F\u002Fgithub.com\u002Frosejn\u002Fcortex\u002Fissues\u002F74",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},45347,"是否可以在 Cortex 中使用 Swish 激活函数？","是的，Swish 激活函数已被合并到项目中。维护者指出，除非有特定理由（如 CUDNN 对该操作有特殊加速路径，或该操作成为网络性能瓶颈），否则通常不需要为自定义张量操作专门编写底层实现。目前的实现已足够满足一般需求。","https:\u002F\u002Fgithub.com\u002Frosejn\u002Fcortex\u002Fissues\u002F242",[]]