[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-rstudio--tensorflow":3,"tool-rstudio--tensorflow":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",159636,2,"2026-04-17T23:33:34",[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。",108322,"2026-04-10T11:39:34",[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":76,"owner_email":77,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":89,"env_deps":91,"category_tags":97,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":130},8933,"rstudio\u002Ftensorflow","tensorflow","TensorFlow for R","tensorflow 是专为 R 语言开发者打造的开源工具，旨在让 R 用户能够无缝调用强大的 TensorFlow 深度学习框架。它解决了 R 语言生态中原生缺乏高效数值计算与大规模神经网络构建能力的痛点，使研究人员和数据科学家无需切换至 Python 环境，即可在熟悉的 R 界面中完成从数据预处理到模型训练的全流程工作。\n\n该工具特别适合习惯使用 R 进行统计分析的研究人员、高校师生以及希望将机器学习融入现有数据分析工作流的开发者。其核心技术亮点在于通过数据流图架构，将复杂的数学运算抽象为节点，将多维数据数组（张量）作为边进行传输，从而灵活支持在 CPU 或 GPU 上进行高效计算。安装过程简便，只需几行代码即可部署默认环境，并支持进阶配置以利用 Nvidia GPU 加速。此外，当在 RStudio 集成开发环境中使用时，tensorflow 还能提供智能代码补全和内置帮助文档，极大提升了开发效率与体验，是让 R 语言拥抱现代人工智能技术的理想桥梁。","\n## TensorFlow for R\n[![R build status](https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Fworkflows\u002FR-CMD-check\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Factions?workflow=R-CMD-check) [![CRAN\\_Status\\_Badge](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frstudio_tensorflow_readme_2ab0b21dc3e9.png)](https:\u002F\u002Fcran.r-project.org\u002Fpackage=tensorflow) \n\n[TensorFlow™](https:\u002F\u002Fwww.tensorflow.org) is an open source software library for numerical computation using data flow graphs. Nodes in the graph represent mathematical operations, while the graph edges represent the multidimensional data arrays (tensors) communicated between them. The flexible architecture allows you to deploy computation to one or more CPUs or GPUs in a desktop, server, or mobile device with a single API. \n\nThe [TensorFlow API](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Fall_symbols) is composed of a set of Python modules that enable constructing and executing TensorFlow graphs. The tensorflow package provides access to the complete TensorFlow API from within R. \n\n## Installation\n\nTo get started, install the tensorflow R package from GitHub as follows:\n\n```r\ndevtools::install_github(\"rstudio\u002Ftensorflow\")\n```\n\nThen, use the `install_tensorflow()` function to install TensorFlow:\n\n```r\nlibrary(tensorflow)\ninstall_tensorflow()\n```\n\nYou can confirm that the installation succeeded with:\n\n```r\nhello \u003C- tf$constant(\"Hello\")\nprint(hello)\n```\n\nThis will provide you with a default installation of TensorFlow suitable for getting started with the tensorflow R package. See the [article on installation](https:\u002F\u002Ftensorflow.rstudio.com\u002Finstall\u002F) to learn about more advanced options, including installing a version of TensorFlow that takes advantage of Nvidia GPUs if you have the correct CUDA libraries installed.\n\n## Documentation\n\nSee the package website for additional details on using the TensorFlow API from R: \u003Chttps:\u002F\u002Ftensorflow.rstudio.com>\n\nSee the TensorFlow API reference for details on all of the modules, classes, and functions within the API: \u003Chttps:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Fall_symbols>\n\nThe tensorflow package provides code completion and inline help for the TensorFlow API when running within the RStudio IDE. In order to take advantage of these features you should also install the [Current Release](https:\u002F\u002Fposit.co\u002Fdownload\u002Frstudio-desktop\u002F) of RStudio.\n\n\n\n\n","## TensorFlow for R\n[![R 构建状态](https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Fworkflows\u002FR-CMD-check\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Factions?workflow=R-CMD-check) [![CRAN_状态_徽章](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frstudio_tensorflow_readme_2ab0b21dc3e9.png)](https:\u002F\u002Fcran.r-project.org\u002Fpackage=tensorflow) \n\n[TensorFlow™](https:\u002F\u002Fwww.tensorflow.org) 是一个开源的数值计算软件库，采用数据流图进行计算。图中的节点代表数学运算，而边则表示在这些节点之间传递的多维数据数组（张量）。其灵活的架构允许您使用单一 API 将计算部署到台式机、服务器或移动设备上的一个或多个 CPU 或 GPU 上。\n\n[TensorFlow API](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Fall_symbols) 由一组 Python 模块组成，这些模块可用于构建和执行 TensorFlow 图。tensorflow 包提供了从 R 中访问完整 TensorFlow API 的功能。\n\n## 安装\n\n要开始使用，请按以下步骤从 GitHub 安装 tensorflow R 包：\n\n```r\ndevtools::install_github(\"rstudio\u002Ftensorflow\")\n```\n\n然后，使用 `install_tensorflow()` 函数安装 TensorFlow：\n\n```r\nlibrary(tensorflow)\ninstall_tensorflow()\n```\n\n您可以通过以下命令确认安装是否成功：\n\n```r\nhello \u003C- tf$constant(\"Hello\")\nprint(hello)\n```\n\n这将为您提供一个默认的 TensorFlow 安装，适合开始使用 tensorflow R 包。有关更高级选项的信息，请参阅[安装文章](https:\u002F\u002Ftensorflow.rstudio.com\u002Finstall\u002F)，其中包括在已安装正确 CUDA 库的情况下，安装可利用 Nvidia GPU 的 TensorFlow 版本的方法。\n\n## 文档\n\n有关如何从 R 使用 TensorFlow API 的更多详细信息，请参阅软件包网站：\u003Chttps:\u002F\u002Ftensorflow.rstudio.com>\n\n有关 API 中所有模块、类和函数的详细信息，请参阅 TensorFlow API 参考文档：\u003Chttps:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Fall_symbols>\n\n当在 RStudio IDE 中运行时，tensorflow 包会为 TensorFlow API 提供代码补全和内联帮助。为了充分利用这些功能，您还应安装 [当前版本](https:\u002F\u002Fposit.co\u002Fdownload\u002Frstudio-desktop\u002F) 的 RStudio。","# TensorFlow for R 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、macOS 或 Linux。\n*   **R 语言环境**：已安装最新版本的 R。\n*   **IDE（推荐）**：建议安装 [RStudio](https:\u002F\u002Fposit.co\u002Fdownload\u002Frstudio-desktop\u002F) 以获得代码补全和内置帮助支持。\n*   **前置依赖**：需要安装 `devtools` 包以便从 GitHub 安装开发版工具。\n\n> **注意**：默认安装适用于 CPU 计算。若需使用 Nvidia GPU 加速，请确保已预先安装对应的 CUDA 库，并在安装步骤中选择高级选项（详见官方文档）。\n\n## 安装步骤\n\n### 1. 安装 R 包\n首先，使用 `devtools` 从 GitHub 安装 `tensorflow` R 包：\n\n```r\ndevtools::install_github(\"rstudio\u002Ftensorflow\")\n```\n\n*(国内用户若访问 GitHub 较慢，可尝试配置 Git 代理或使用国内镜像源克隆后本地安装)*\n\n### 2. 安装 TensorFlow 核心库\n加载包并运行安装函数，该函数会自动下载并配置适合当前环境的 TensorFlow 版本：\n\n```r\nlibrary(tensorflow)\ninstall_tensorflow()\n```\n\n### 3. 验证安装\n运行以下代码确认安装成功。如果输出了包含 \"Hello\" 的 Tensor 对象，则表示环境就绪：\n\n```r\nhello \u003C- tf$constant(\"Hello\")\nprint(hello)\n```\n\n## 基本使用\n\n`tensorflow` 包允许您在 R 中直接构建和执行数据流图。以下是最基础的常量创建与打印示例：\n\n```r\nlibrary(tensorflow)\n\n# 创建一个常量张量\nhello \u003C- tf$constant(\"Hello from TensorFlow in R!\")\n\n# 打印张量内容\nprint(hello)\n\n# 执行简单的数学运算 (例如: 2 + 3)\na \u003C- tf$constant(2)\nb \u003C- tf$constant(3)\nc \u003C- a + b\n\n# 输出计算结果\nprint(c)\n```\n\n更多详细的 API 用法、模块说明及高级教程，请访问 [TensorFlow for R 官方网站](https:\u002F\u002Ftensorflow.rstudio.com) 或查阅 [TensorFlow Python API 参考文档](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Fall_symbols)（R 包接口与之对应）。","某生物制药公司的数据分析师团队需要利用 R 语言构建深度学习模型，以预测新化合物对特定靶点的结合亲和力。\n\n### 没有 tensorflow 时\n- **生态割裂严重**：团队虽精通 R 语言的统计分析与可视化，但主流深度学习框架仅支持 Python，导致必须重写代码或进行跨语言调用，开发流程繁琐且易出错。\n- **算力利用受限**：现有的 R 包难以直接调度 GPU 资源，处理大规模分子描述符矩阵时只能依赖 CPU，训练一个模型往往需要数天甚至更久。\n- **模型迭代缓慢**：由于缺乏统一的计算图架构，尝试不同的网络层结构（如卷积层、循环层）需要手动推导梯度并编写底层算法，极大阻碍了实验验证速度。\n- **协作成本高昂**：数据预处理在 R 中完成，而模型训练需切换至 Python 环境，两种语言间的数据格式转换不仅耗时，还容易引发维度不匹配等隐蔽错误。\n\n### 使用 tensorflow 后\n- **原生无缝集成**：通过 tensorflow for R，分析师可直接在熟悉的 R 环境中调用完整的 TensorFlow API，无需切换语言即可构建复杂的深度神经网络。\n- **硬件加速直达**：只需简单配置，tensorflow 便能自动识别并利用服务器上的 NVIDIA GPU，将原本数天的训练时间压缩至几小时，显著提升研发效率。\n- **灵活架构部署**：借助其数据流图机制，团队能快速搭建并测试多种前沿模型架构，自动微分功能让研究人员专注于业务逻辑而非数学推导。\n- **工作流统一高效**：从数据清洗、特征工程到模型训练与评估，全流程均在 RStudio 中一气呵成，消除了跨语言数据交换的开销，确保了结果的可复现性。\n\ntensorflow 成功打破了 R 语言在深度学习领域的壁垒，让统计学家能直接驾驭工业级 AI 算力，实现了从数据洞察到智能预测的无缝闭环。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Frstudio_tensorflow_a0604203.png","rstudio","RStudio","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Frstudio_df187234.png","",null,"info@rstudio.org","http:\u002F\u002Frstudio.org","https:\u002F\u002Fgithub.com\u002Frstudio",[81],{"name":82,"color":83,"percentage":84},"R","#198CE7",100,1339,318,"2026-04-08T16:26:37","Apache-2.0","未说明","非必需。若需使用 NVIDIA GPU，需安装正确的 CUDA 库（具体版本未说明）。",{"notes":92,"python":93,"dependencies":94},"该工具是用于在 R 语言中访问 TensorFlow API 的接口包。默认安装适用于入门，若需启用 GPU 加速，需手动配置 NVIDIA CUDA 库。建议在 RStudio IDE 中使用以获得代码补全和内置帮助功能。","未说明（通过 R 包调用 TensorFlow API，底层依赖 Python 环境）",[95,96],"R (devtools)","RStudio (推荐安装最新版以支持代码补全和帮助)",[14],"2026-03-27T02:49:30.150509","2026-04-18T14:13:35.863079",[101,106,111,116,121,125],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},40074,"如何在 R 中支持 TensorFlow 2.0 的 tf.function 和 AutoGraph？","R 语言可以通过安装 'tfautograph' 包来支持 TensorFlow 2.0 的 AutoGraph 功能。该包现已发布在 CRAN 上，允许用户在 R 函数中使用类似 tf.function 的图执行模式。安装方法：install.packages(\"tfautograph\")。","https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Fissues\u002F308",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},40075,"在 Mac 上使用 Anaconda 安装后，R 加载 tensorflow 包时提示未安装怎么办？","此问题通常是由于文档过时或环境配置未正确识别导致的。请确保参考最新的官方安装文档（https:\u002F\u002Ftensorflow.rstudio.com\u002Finstallation.html）。如果问题依旧，尝试显式指定 Python 环境路径，使用 reticulate::use_python() 指向 Anaconda 中的 python 可执行文件，并重启 R 会话。","https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Fissues\u002F8",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},40076,"在 Windows 上安装 tensorflow 包时遇到错误 status 127 或二进制不可用提示，如何解决？","TensorFlow 在 Windows 上仅支持 64 位版本的 R。如果您使用的是 32 位 R（sessionInfo() 中显示 i386 或 32-bit），请卸载当前 R 版本，并从 CRAN 下载并安装最新的 64 位 R 版本。安装完成后重新运行 install_tensorflow()。","https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Fissues\u002F144",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},40077,"安装时出现 'The system cannot find the path specified' 且指向 conda.exe 找不到，如何处理？","这通常是因为 reticulate 默认优先查找其自行创建的 miniconda 环境（r-reticulate），而未检测到用户已安装的 Anaconda。解决方法是在脚本开头显式指定 Python 路径，例如：use_python(\"C:\u002FUsers\u002F用户名\u002FAppData\u002FLocal\u002Fr-miniconda\u002Fenvs\u002Fr-reticulate\u002Fpython.exe\")。也可以使用 py_config() 或 py_exe() 查看当前 R 正在使用的 Python 路径，确保路径存在且有效。","https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Fissues\u002F500",{"id":122,"question_zh":123,"answer_zh":124,"source_url":120},40078,"如何确定 R 当前正在使用哪个 Python 解释器？","在 R 中运行 reticulate::py_config() 或 reticulate::py_exe() 命令，可以查看当前会话绑定的 Python 解释器路径、版本及相关环境信息。这对于调试安装问题和确认环境一致性非常有用。",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},40079,"为什么在 R 中对 TensorFlow 张量进行切片操作时会出现意外行为（如忽略缺失索引）？","这是由于早期版本中 `[` 操作符直接调用 tf$strided_slice() 导致的非标准求值（NSE）问题。维护者计划改进实现，使 `[` 内部调用 `x$`__getitem__`()`，并支持标准的 R 序列语法（如 start:stop:step 或 seq()）。建议更新到最新版本以获得修复，或在临时方案中避免使用复杂的切片表达式，改用显式的 tf$strided_slice() 函数调用。","https:\u002F\u002Fgithub.com\u002Frstudio\u002Ftensorflow\u002Fissues\u002F230",[131,136,141,146,151,156,161,166,171,176,181,186,191,195,200,205],{"id":132,"version":133,"summary_zh":134,"released_at":135},323583,"v2.20.0","- 为 reticulate 1.41 和 `reticulate::py_require()` 提供更新。\n  新增函数 `py_require_tensorflow()`，可在 R 会话开始时调用，以使 reticulate 能够正确解析 TensorFlow。在大多数情况下，不再需要调用 `install_tensorflow()`。\n- `install_tensorflow()` 默认安装 TensorFlow 2.20 版本。\n- 修复了在 Windows WSL Linux 上运行时无法检测到 GPU 的问题（报告于 rstudio\u002Fkeras3#1456，已在 #599 中修复）。\n- 修复了与 NumPy 2.0 相关的问题 (#601)。\n- 修复了与 R-devel (4.5) 相关的问题。\n","2025-08-22T19:17:01",{"id":137,"version":138,"summary_zh":139,"released_at":140},323584,"v2.16.0","- 该软件包现在建议使用 'keras3' 而不是 'keras'\n- `install_tensorflow()` 默认安装 TensorFlow 2.16 版本。\n- 如果 `install_tensorflow()` 在 Linux 系统上检测到 GPU，它将自动安装 CUDA 包，并为 cuDNN 和 PTX 编译器配置所需的符号链接。\n","2024-04-15T16:43:58",{"id":142,"version":143,"summary_zh":144,"released_at":145},323585,"v2.15.0","- `install_tensorflow()` 默认安装 TensorFlow 2.15 版本\n- 增加了与 reticulate 最新版本（> 1.34）的兼容性。\n","2024-02-01T13:22:43",{"id":147,"version":148,"summary_zh":149,"released_at":150},323586,"v2.14.0","- `install_tensorflow()` 的变更：\n  - 默认安装 TensorFlow 2.14。\n  - 现在如果运行在 Linux 系统且检测到 GPU，会自动通过 pip 包安装所需的 NVIDIA CUDA 运行时。可以通过传递 `install_tensorflow(cuda = FALSE)` 来选择不安装。除 NVIDIA 驱动程序外，不再需要其他已存在的 NVIDIA CUDA 相关包。\n  - `configure_cudnn` 参数已被新的 `cuda` 参数取代。\n  - 新增 `metal` 参数，用于指定是否在 Arm 架构的 Mac 上安装 `tensorflow-metal` pip 包。在 Arm 架构的 Mac 上，默认值为 `TRUE`。\n\n- 修复了一个问题：当张量通过 `r_to_py()` 或 `convert = FALSE` 禁用了转换功能时，`as.array()` 等方法可能会失败。\n- 修复了一个问题：当操作组的泛化分派中，一个对象是张量而另一个是非张量的 Python 对象（例如 NumPy 数组）时，会导致错误。\n- 移除了长期废弃的符号：\n    `install_tensorflow_extras()` 和 `tfe_enable_eager_execution()`。\n- `tfestimator` 泛化函数 `train()` 和 `train_and_evaluate()` 在被调用时会警告其已弃用的状态。这些函数将在未来的版本中被移除。","2023-09-29T14:46:38",{"id":152,"version":153,"summary_zh":154,"released_at":155},323587,"v2.13.0","- `install_tensorflow()` 的变更：\n  - 现在默认安装 TensorFlow 2.13。\n  - `envname` 参数的新默认值为 `\"r-tensorflow\"`。这意味着，除非显式提供 `envname` 参数，否则 `install_tensorflow()` 将会安装到名为 `\"r-tensorflow\"` 的环境中；如果该环境尚不存在，则会自动创建一个同名的虚拟环境。\n  - 新增了 `new_env` 参数。若设置为 `TRUE`，则会删除并重新创建由 `envname` 指定的现有环境。当 `envname` 为 `\"r-tensorflow\"` 时，默认值为 `TRUE`；否则，默认值为 `FALSE`。\n  - 如果在 Linux 系统上运行，现在会检测是否已安装 NVIDIA GPU；如果已安装，则会通过 pip 安装 cuDNN，配置符号链接以便 TensorFlow 找到 cuDNN，并输出进一步的说明，指导用户如何安装必要的 CUDA 驱动程序以启用 GPU 加速。可通过设置新参数 `configure_cudnn = FALSE` 来禁用此功能。\n  - `pip_ignore_installed` 的默认值现已恢复为 `FALSE`。\n  - 在 Arm 架构的 Mac 设备（M1\u002FM2）上，将再次安装默认的 TensorFlow 软件包，而不是 `tensorflow-macos` 和 `tensorflow-metal`。\n\n- 为 Tensor 新增了 `pillar:type_sum()` 方法，可在 R 的调用栈和 tibble 中提供更具信息量的 Tensor 打印输出。","2023-08-15T17:33:25",{"id":157,"version":158,"summary_zh":159,"released_at":160},323588,"v2.11.0","- `install_tensorflow()` 现在默认安装 TensorFlow 2.11 版本。\n\n- `as_tensor()` 现在会在转换之前将裸 R 原子向量强制转换为 R 数组。因此，R 原子双精度向量默认会转换为 `float64` 数据类型的张量，而不是 `float32`。\n\n- `shape()` 现在支持在 `...` 参数中接受长度大于 1 的向量，包括其他 `tf.TensorShape` 对象。形状会自动展平。\n\n- 修复了一个问题：可跟踪的 Keras 层的 `ListWrapper` 对象（例如作为 Keras 模型的一部分）无法转换为 R 列表。\n","2022-12-20T13:54:27",{"id":162,"version":163,"summary_zh":164,"released_at":165},323589,"v2.9.0","- 通用方法更新：\n  - 新增方法：\n      `all()`、`any()`、`sum()`、`prod()`、`min()`、`max()`、`mean()`、`range()`、\n      `cbind()`、`rbind()`、`t()`、`aperm()`、`sort()`、\n      `as.vector()`、`as.character()`、`as.raster()`、\n      `is.infinite()`、`is.finite()`、`is.nan()`\n  - `^` 现在会在适当的时候直接调用 `tf.square()` 或 `tf.sqrt()`\n  - `|`、`&` 和 `!` 现在会将参数强制转换为 'bool' 数据类型。\n  - `print()` 现在显示一维形状时不再在末尾添加逗号。\n  - 张量的 `str()` 方法现在只返回一行简洁的信息；\n    对张量列表调用 `str()` 现在会给出更合理的输出。\n\n- `install_tensorflow()` 现在默认安装 TensorFlow 2.9。\n\n- `install_tensorflow()` 在 Windows 上不再需要 Conda，现在可以在普通的 venv 环境中运行。\n\n- 比较两个部分定义的 `TensorShape` 时，如果每个维度都匹配，则返回 `TRUE`。\n  例如：`shape(NA, 4) == shape(NA, 4)` 现在返回 `TRUE`，之前则返回 `FALSE`。\n\n- 数据类型为 'string' 的张量现在可以通过 `as.array()` 和 `as.matrix()` 方法转换为 R 字符向量。（之前它们会转换为 `python.builtin.bytes`，或者一个包含 `python.builtin.bytes` 对象的 R 列表）\n\n- `as_tensor()`：\n  - 原子型 R 整数向量现在会转换为 'int32'，而不是 'int64'。\n  - 整数和浮点数据类型的相互转换现在通过 `tf$dtypes$saturate_cast()` 进行，而不是 `tf$cast()`。\n  - `shape` 参数现在可以接受张量。\n  - 修复了当使用以张量形式提供的 `shape` 将标量张量扩展为多维数组时会引发错误的问题。\n\n- `tf.SparseTensor` 对象现在继承自 `\"tensorflow.tensor\"`。","2022-05-23T20:30:39",{"id":167,"version":168,"summary_zh":169,"released_at":170},323590,"v2.8.0","- `install_tensorflow()` 默认安装的 TensorFlow 版本更新为 2.8。\n\n- `as_tensor()` 新增了 `shape` 参数，可用于填充或重塑张量。标量可以被重用为任意形状的张量；否则，提供的对象将按照行优先（C 语言风格）语义进行重塑。\n\n- `install_tensorflow()` 现在为 Arm 架构的 Mac 提供实验性支持，但有以下限制：\n  - 仅支持使用 `conda` 进行安装。\n  - 不支持请求非默认版本或旧版本的 TensorFlow。\n\n- `install_tensorflow()` 的默认 `conda_python_version` 从 3.7 更改为 `NULL`。\n\n- `tf.TensorShape()` 增加了 `format()` 和 `print()` S3 方法。\n\n- 张量切片的 `[` 方法现在接受 `NA` 作为缺失值或 `NULL` 规范的同义词。例如，`x[NA:3]` 现在是合法的，等价于 Python 中的 `x[:3]`。","2022-02-09T21:32:16",{"id":172,"version":173,"summary_zh":174,"released_at":175},323591,"v2.7.0","- `install_tensorflow()` 默认安装的 TensorFlow 版本已更新至 2.7。\n\n- 破坏性变更：\n  - `shape()` 现在返回一个 `tf.TensorShape` 对象\n    （之前返回的是由 `NULL` 或整数组成的 R 列表）。\n  - `tf.TensorShape` 对象的 `[` 方法现在也返回 `tf.TensorShape`。\n    可使用 `[[`、`as.numeric`、`as.integer` 和\u002F或 `as.list` 将其转换为 R 对象。\n  - `tensorflow.tensor` 的 `length()` 方法现在对形状未完全定义的张量返回 `NA_integer_`\n    （之前返回长度为零的整数向量）。\n  - `tensorflow.tensor` 的 `dim()` 方法现在返回一个包含 `NA` 的 R 整数向量，\n    其中未定义的维度用 `NA` 表示。\n    （之前返回的是含有 `NULL` 的 R 列表，用于表示未定义的维度）。\n\n- 为 `tf.TensorShape` 新增了以下 S3 泛化函数：\n  `c`、`length`、`[\u003C-`、`[[\u003C-`、`merge`、`==`、`!=`、`as_tensor()`、\n  `as.list`、`as.integer`、`as.numeric`、`as.double`、`py_str`\n  （合并了之前的 `[` 和 `[[` 泛化函数）。更多示例请参阅 `?shape`。\n\n- 现在，接受两个参数的 `tensorflow.tensor` 的运算 S3 泛化函数会自动将提供的非张量对象转换为触发 S3 分派的张量的数据类型。\n  转换通过 `as_tensor()` 完成。例如，以下代码现在可以正常运行：\n    ```\n    as_tensor(5L) - 2     # 现在返回 tf.Tensor(3, shape=(), dtype=int32)\n    ```\n  而之前则会抛出错误：\n    ```\n    TypeError: `x` 和 `y` 必须具有相同的数据类型，但发现 tf.int32 != tf.float32\n    ```\n  现在支持自动类型转换的泛化函数包括：\n    `+`、`-`、`*`、`\u002F`、`%\u002F%`、`%%`、`^`、`&`、`|`、`==`、`!=`、`\u003C`、`\u003C=`、`>`、`>=`。\n\n- `install_tensorflow()`：新增参数 `pip_ignore_installed = TRUE`（默认值为 `TRUE`）。\n  此设置确保所有 TensorFlow 依赖项（如 NumPy）都通过 pip 安装，而非 conda。\n\n- 加载 Python 模块时，现在会显示 TensorFlow 版本信息，例如：“已加载 TensorFlow 版本 2.6.0”。","2021-11-09T19:51:21",{"id":177,"version":178,"summary_zh":179,"released_at":180},323592,"v2.6.0","# tensorflow 2.6.0\n\n- 将默认 TensorFlow 版本更新为 2.6。\n\n- 将 `tf_function()` 的默认值更改为 `autograph=TRUE`。\n\n- 添加了 S3 泛化方法 `as_tensor()`。\n\n- 重构了 `install_tensorflow()` 函数。\n  - 可能存在破坏性变更：如果提供的版本号未指定补丁级别，现在会自动安装最新的补丁版本。\n    （例如，`install_tensorflow(version=\"2.4\")` 将安装 `\"2.4.2\"`。此前则会安装 `\"2.4.0\"`）\n\n- 从 DESCRIPTION 文件中移除了“Config\u002Freticulate”声明。\n  - 使用非默认 TensorFlow 安装（如 `'tensorflow-cpu'`）时，不再需要设置环境变量 `RETICULATE_AUTOCONFIGURE=FALSE`。\n  - 用户现在必须调用 `install_tensorflow()` 才能自动完成安装。\n\n- 将 `tfautograph` 添加到 Imports 中。\n\n- 从 Imports 中移除 `jsonlite`，从 Suggests 中移除 `tfestimators`。\n\n- 重构了自动化测试，使其更接近默认的安装流程和大多数用户的计算环境。\n\n- 扩展了 CI 测试覆盖范围，新增对 R 开发版、旧稳定版以及 R 3.6 的支持。\n\n- 修复了一个问题：当使用带有版本约束的额外包时，例如 `install_tensorflow(extra_packages = \"Pillow\u003C8.3\")`，这些包名未被正确引用。\n\n- 修复了一个问题：当向 `log(x, base)`、`cospi()`、`tanpi()` 和 `sinpi()` 传递有效的张量类对象时，会引发错误。","2021-08-19T18:46:40",{"id":182,"version":183,"summary_zh":184,"released_at":185},323593,"v2.5.0","- Updated default Tensorflow version to 2.5.\r\n- Added support for additional arguments in `tf_function()` (e.g., `jit_compile`)\r\n- Added support for `expm1` S3 generic.\r\n- `tfe_enable_eager_execution` is deprecated. Eager mode has been the default since TF version 2.0.\r\n- Improved error message in `tf_config()` on unsuccessful installation.\r\n","2021-06-10T16:27:36",{"id":187,"version":188,"summary_zh":189,"released_at":190},323594,"v2.4.0","- Fixed error with `use_session_with_seed` (#428)\r\n- Added a new `set_random_seed` function that makes more sense for TensorFlow >= 2.0 (#442)\r\n- Updated the default version of TensorFlow to 2.4 as well as the default Python to 3.7 (#454)\r\n","2021-03-23T23:13:22",{"id":192,"version":193,"summary_zh":76,"released_at":194},323595,"2.2.0","2020-05-21T14:13:45",{"id":196,"version":197,"summary_zh":198,"released_at":199},323596,"2.0.0","- Upgraded default installed version to 2.0.0.\r\n\r\n- Tensorboard log directory path fixes (#360).\r\n\r\n- Allow for `v1` and `v2` compat (#358).\r\n\r\n- `install_tensorflow` now does not installs `tfprobability`, `tfhub` and other\r\n related packages.","2019-10-02T21:29:49",{"id":201,"version":202,"summary_zh":203,"released_at":204},323597,"1.14.0","- Upgraded default installed version to 1.14.0\r\n\r\n- Refactored the `install_tensorflow` code delegating to `reticulate` (#333, #341): We completely delegate to installation to `reticulate::py_install`, the main difference is that now the default environment name to install is `r-reticulate` and not `r-tensorflow`.","2019-08-01T13:28:58",{"id":206,"version":207,"summary_zh":76,"released_at":208},323598,"1.13.1","2019-04-05T13:48:22"]