[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-sgugger--Deep-Learning":3,"tool-sgugger--Deep-Learning":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":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":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":76,"difficulty_score":24,"env_os":90,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":97,"github_topics":76,"view_count":24,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":112},8116,"sgugger\u002FDeep-Learning","Deep-Learning","A few notebooks about deep learning in pytorch","Deep-Learning 是一个基于 PyTorch 框架的深度学习教程与代码实现合集，由一系列 Jupyter Notebook 组成。它主要解决了初学者在搭建神经网络时的入门难题，以及研究人员在复现前沿论文算法时的代码参考需求。\n\n这套资源非常适合开发者、数据科学学生及 AI 研究人员使用。对于刚接触深度学习的新手，它提供了从零构建简单神经网络的详细步骤；对于进阶用户，它深入解析了 fastai 库的核心机制，包括全新的训练 API 调度策略和灵活的回调系统。\n\n其独特的技术亮点在于不仅包含基础教学，还精准复现了多篇具有影响力的学术论文算法。例如，它实现了 Grave 等人提出的“神经缓存指针”技术、Leslie Smith 倡导的\"1cycle\"超收敛学习率策略，以及针对 Adam 优化器权重衰减问题的修正方案。此外，还涵盖了如“深度绘画和谐化”等有趣的视觉应用案例。这些内容并非枯燥的理论堆砌，而是可运行、可修改的实战代码，帮助用户直观理解复杂模型背后的逻辑，是连接理论学习与工程实践的优质桥梁。","# Deep Learning Notebooks\n\nHere are my jupyter notebooks on deep learning. All of them are written in pytorch and most of them use the [fastai library](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai).\n\n* \n\n----\n## Tutorials\n\n* [Using the new training API in fastai](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FUnderstanding%20the%20new%20fastai%20API%20for%20scheduling%20training.ipynb).\n* [Building a simple neural net in pytorch](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FFirst%20neural%20net%20in%20pytorch.ipynb).\n* [Explore the fastai callback system](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FUsing%20the%20callback%20system%20in%20fastai.ipynb).\n\n----\n## Implementation of articles\n\n* [Neural cache pointer](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FCache%20pointer.ipynb) introduce by [Grave et al.](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.04426)\n* [Superconvergence on cifar10](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FCyclical%20LR%20and%20momentums.ipynb) using the 1cycle policy introduce by [Leslie Smith](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.09820)\n* [Deep painterly harmonization](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FDeepPainterlyHarmonization.ipynb) from [this article](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.03189)\n* [Adam and weight decay](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Ftree\u002Fmaster\u002FAdam%20and%20weight%20decay) for the correction preoposed in [this article](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.05101)\n\n----\nThe rest is just a bun of random stuff shared with fellow fastai students.\n\n\n","# 深度学习笔记本\n\n这里是我的深度学习 Jupyter 笔记本。它们全部使用 PyTorch 编写，其中大多数还使用了 [fastai 库](https:\u002F\u002Fgithub.com\u002Ffastai\u002Ffastai)。\n\n* \n\n----\n## 教程\n\n* [在 fastai 中使用新的训练 API](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FUnderstanding%20the%20new%20fastai%20API%20for%20scheduling%20training.ipynb)。\n* [用 PyTorch 构建一个简单的神经网络](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FFirst%20neural%20net%20in%20pytorch.ipynb)。\n* [探索 fastai 的回调系统](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FUsing%20the%20callback%20system%20in%20fastai.ipynb)。\n\n----\n## 论文实现\n\n* [神经缓存指针](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FCache%20pointer.ipynb)，由 [Grave 等人](https:\u002F\u002Farxiv.org\u002Fabs\u002F1612.04426) 提出。\n* [CIFAR-10 上的超收敛](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FCyclical%20LR%20and%20momentums.ipynb)，采用 [Leslie Smith](https:\u002F\u002Farxiv.org\u002Fabs\u002F1803.09820) 提出的 1cycle 策略。\n* [深度绘画风格调和](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fblob\u002Fmaster\u002FDeepPainterlyHarmonization.ipynb)，基于 [这篇文章](https:\u002F\u002Farxiv.org\u002Fabs\u002F1804.03189)。\n* [Adam 优化器与权重衰减](https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Ftree\u002Fmaster\u002FAdam%20and%20weight%20decay)，用于修正 [这篇文章](https:\u002F\u002Farxiv.org\u002Fabs\u002F1711.05101) 中提出的建议。\n\n----\n其余内容只是一些与 fastai 学习者分享的零散资料。","# Deep Learning Notebooks 快速上手指南\n\n本仓库包含一系列基于 **PyTorch** 和 **fastai** 库的深度学习 Jupyter Notebook 教程与论文复现。适合希望快速掌握 fastai 新 API、理解底层神经网络构建以及复现前沿论文的开发者。\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**：Linux, macOS 或 Windows (推荐 Linux 以获得最佳 GPU 支持)\n*   **Python 版本**：Python 3.7 或更高版本\n*   **硬件要求**：推荐使用带有 CUDA 支持的 NVIDIA GPU 以加速训练（CPU 亦可运行，但速度较慢）\n*   **前置依赖**：\n    *   Jupyter Lab \u002F Jupyter Notebook\n    *   PyTorch\n    *   fastai (v2+)\n\n## 安装步骤\n\n建议使用 `conda` 或 `pip` 创建独立的虚拟环境。以下提供使用 `pip` 的安装方案，并优先配置国内镜像源以提升下载速度。\n\n### 1. 创建并激活虚拟环境\n\n```bash\npython -m venv dl-env\n# Linux\u002FmacOS\nsource dl-env\u002Fbin\u002Factivate\n# Windows\ndl-env\\Scripts\\activate\n```\n\n### 2. 安装依赖包\n\n使用清华大学镜像源安装 PyTorch 和 fastai：\n\n```bash\n# 安装 PyTorch (根据是否需要 CUDA 选择，此处以 CPU 版本为例，如需 GPU 请访问 pytorch.org 获取对应命令)\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装 fastai 及相关数据处理库\npip install fastai matplotlib jupyterlab -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 克隆项目仓库\n\n使用 Gitee 镜像（如果可用）或 GitHub 克隆本项目到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning.git\ncd Deep-Learning\n```\n\n## 基本使用\n\n本项目主要由一系列 `.ipynb` (Jupyter Notebook) 文件组成，无需编译，直接在 Jupyter 环境中打开即可运行。\n\n### 1. 启动 Jupyter Lab\n\n在项目根目录下运行：\n\n```bash\njupyter lab\n```\n\n浏览器将自动打开 Jupyter 界面。\n\n### 2. 运行入门教程\n\n在文件浏览器中，依次打开以下文件进行练习：\n\n*   **构建第一个神经网络**：\n    打开 `First neural net in pytorch.ipynb`，按顺序执行单元格，学习如何使用纯 PyTorch 构建简单网络。\n\n*   **探索 fastai 新训练 API**：\n    打开 `Understanding the new fastai API for scheduling training.ipynb`，了解如何利用 fastai 简化训练流程和学习率调度。\n\n*   **回调系统实践**：\n    打开 `Using the callback system in fastai.ipynb`，学习如何自定义和扩展训练行为。\n\n### 3. 复现论文算法\n\n如果您希望复现特定论文成果，可找到 `Implementation of articles` 部分对应的 Notebook，例如：\n\n*   **超收敛策略 (Superconvergence)**：运行 `Cyclical LR and momentums.ipynb` 体验 1cycle 策略在 CIFAR-10 上的效果。\n*   **深度绘画和谐化**：运行 `DeepPainterlyHarmonization.ipynb` 复现风格迁移相关研究。\n\n> **提示**：首次运行包含数据集下载的 Notebook 时，数据会自动下载到 `~\u002F.fastai\u002Fdata` 目录。如遇网络问题，建议手动下载数据集并放置于相应目录。","一位计算机视觉工程师正尝试复现论文中的“深度绘画风格和谐化”算法，以开发一款自动艺术滤镜应用。\n\n### 没有 Deep-Learning 时\n- 开发者需从零搭建 PyTorch 训练循环，手动处理学习率调度（如 1cycle 策略），极易因代码错误导致模型无法收敛。\n- 复现前沿论文（如神经缓存指针或 Adam 权重衰减修正）时，缺乏参考实现，需花费数周时间调试数学公式与代码的对应关系。\n- 想要修改训练行为（如添加自定义监控指标）时，必须深入底层修改核心代码，缺乏灵活的回调机制支持。\n- 面对 fastai 新 API 的更新，官方文档往往滞后，开发者只能靠猜测摸索参数含义，试错成本极高。\n\n### 使用 Deep-Learning 后\n- 直接调用仓库中已验证的\"Superconvergence on cifar10\"笔记，一键应用正确的循环学习率策略，模型训练速度提升且稳定性大增。\n- 基于\"Deep painterly harmonization\"等现成实现笔记，工程师只需替换数据集即可运行论文算法，将复现周期从数周缩短至几天。\n- 利用\"Explore the fastai callback system\"教程，通过简单的回调函数插入自定义逻辑，无需改动主训练流程即可实现复杂控制。\n- 参考\"Using the new training API\"指南，快速掌握 fastai 最新调度接口，避免版本兼容陷阱，让实验迭代更加顺畅。\n\nDeep-Learning 通过将抽象的论文理论转化为可执行的 PyTorch 代码模板，极大地降低了深度学习算法的工程落地门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fsgugger_Deep-Learning_b56922e5.png","sgugger","Sylvain Gugger","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fsgugger_74df6bff.jpg","All things Machine Learning\r\nprev Hugging Face\u002Ffast.ai",null,"https:\u002F\u002Fgithub.com\u002Fsgugger",[79,83],{"name":80,"color":81,"percentage":82},"Jupyter Notebook","#DA5B0B",99.8,{"name":84,"color":85,"percentage":86},"Python","#3572A5",0.2,598,111,"2026-03-23T09:01:49","","未说明",{"notes":93,"python":91,"dependencies":94},"该项目主要为 Jupyter Notebook 教程集合，基于 PyTorch 和 fastai 库编写。README 中未明确列出具体的操作系统、硬件配置或版本要求，实际运行环境需参考 PyTorch 和 fastai 的官方文档进行配置。",[95,96],"pytorch","fastai",[14,98],"其他","2026-03-27T02:49:30.150509","2026-04-20T16:34:56.419351",[102,107],{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},36307,"为什么运行笔记本时出现 'ImageClassifierData is not defined' 错误？","这是因为版本不兼容。该代码是基于 fastai v0.7 编写的，不适用于 fastai v1。如果您使用的是 fastai v1（例如在 Windows 10 的 Jupyter Notebook 中），会报此错误。请确保您安装并使用的是 fastai v0.7 版本来运行此项目。","https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fissues\u002F5",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},36308,"运行代码时遇到 'numpy.ndarray' object has no attribute 'cuda' 错误怎么办？","这通常是因为 fastai 库的版本过旧，导致与当前的 PyTorch 版本（如 0.4.0）不兼容。即使您的环境配置（如 CUDA 9.1, Windows 10）正确，也需要更新代码库。请尝试在项目中执行 `git pull` 拉取最新代码，以确保包含修复了 PyTorch 0.4 兼容性问题的最新合并请求（PR）。","https:\u002F\u002Fgithub.com\u002Fsgugger\u002FDeep-Learning\u002Fissues\u002F1",[]]