[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-shliang0603--Awesome-DeepLearning-500FAQ":3,"tool-shliang0603--Awesome-DeepLearning-500FAQ":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",150720,2,"2026-04-11T11:33:10",[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":10,"last_commit_at":59,"category_tags":60,"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":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":73,"owner_company":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":75,"languages":76,"stars":81,"forks":82,"last_commit_at":83,"license":73,"difficulty_score":84,"env_os":85,"env_gpu":86,"env_ram":87,"env_deps":88,"category_tags":91,"github_topics":73,"view_count":32,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":93,"updated_at":94,"faqs":95,"releases":106},6623,"shliang0603\u002FAwesome-DeepLearning-500FAQ","Awesome-DeepLearning-500FAQ","深度学习500问，以问答形式对常用的概率知识、线性代数、机器学习、深度学习、计算机视觉等热点问题进行阐述，以帮助自己及有需要的读者。 全书分为18个章节，50余万字。声明：所有内容来自（仅供学习）：https:\u002F\u002Fgithub.com\u002Fscutan90\u002FDeepLearning-500-questions  ","Awesome-DeepLearning-500FAQ 是一部专为深度学习爱好者打造的系统性知识问答集。它涵盖了从数学基础、机器学习原理到卷积神经网络、自然语言处理及模型部署等 18 个核心章节，通过 500 个精选问题与详尽解答，串联起超过 50 万字的技术干货。\n\n该项目主要解决了学习者在面对庞杂的 AI 理论时“知识点分散”和“公式阅读困难”的痛点。传统文档常因格式问题导致数学公式无法显示，而 Awesome-DeepLearning-500FAQ 特别提供了优化后的 HTML 和 PDF 版本，确保复杂的 LaTeX 公式能完美渲染，并支持目录锚点快速跳转，极大提升了阅读体验。此外，项目还提供百度网盘下载通道，方便网络环境受限的用户获取资源。\n\n无论是刚入门的学生、需要夯实理论基础的研发工程师，还是希望系统梳理知识体系的算法研究人员，都能从中获益。它不仅适合作为面试前的复习宝典，也是日常工作中查阅概念的理想参考书。所有内容均源自开源社区贡献，旨在以通俗易懂的问答形式，帮助读者高效掌握深度学习领域的关键热点。","# Awesome-DeepLearning-500FAQ\n\n## 章节分布\n```python\n01_第一章_数学基础\n02_第二章_机器学习基础\n03_第三章_深度学习基础\n04_第四章_经典网络\n05_第五章 卷积神经网络(CNN)\n06_第六章_循环神经网络(RNN)\n07_第七章 生成对抗网络\n08_第八章_目标检测\n09_第九章_图像分割\n10_第十章_强化学习\n11_第十一章_迁移学习\n12_第十二章_网络搭建及训练\n13_第十三章_优化算法\n14_第十四章_超参数调整\n15_第十五章_异构运算、GPU及框架选型\n16_第十六章_NLP\n17_第十七章_模型压缩、加速及移动端部署\n18_第十八章_后端架构选型、离线及实时计算\n18_第十八章_后端架构选型及应用场景\n```\n\n## 格式转换显示\n由于之前全部是markdown格式的文件，有些没有安装markdown工具，或者markdown工具不支持LaTex公式的，则会导致公式不能够正常显示。于是我对所有的markdown文件进行了格式转换，转换成：\n* HTML格式，下载后直接用浏览器就可以打开查看\n* PDF格式，下载后也可以直接查看\n\n注意：在查看内容的时候，可以直接点击目录中的章节，由于目录是做了锚点的，所以可以直接快速跳转到指定的章节。\n\n## 格式转换之后的效果：\n1、HTML的章节显示效果：\n\n![章节](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshliang0603_Awesome-DeepLearning-500FAQ_readme_06c62e5f5ab9.png)\n\n2、公式显示效果：\n\n![公式](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshliang0603_Awesome-DeepLearning-500FAQ_readme_b07e00bed753.png)\n\n\n# 百度网盘下载\n可能有些人clone网速过慢，或者中途中断。由于都是固定文本不能够进行二次修改，所以也可以不采取clone的方式。因此我把该文档资源上传到了百度云，需要学习的同鞋也可以直接去百度云进行下载：\n\n>链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1nK8HytJ-cdy7Nu49vYbxVA \u003Cbr> \n提取码：eivv \n\n\n\n**声明：仅用于个人学习，请勿转载！！！**\n","# 令人惊叹的深度学习500问\n\n## 章节分布\n```python\n01_第一章_数学基础\n02_第二章_机器学习基础\n03_第三章_深度学习基础\n04_第四章_经典网络\n05_第五章 卷积神经网络(CNN)\n06_第六章_循环神经网络(RNN)\n07_第七章 生成对抗网络\n08_第八章_目标检测\n09_第九章_图像分割\n10_第十章_强化学习\n11_第十一章_迁移学习\n12_第十二章_网络搭建及训练\n13_第十三章_优化算法\n14_第十四章_超参数调整\n15_第十五章_异构运算、GPU及框架选型\n16_第十六章_NLP\n17_第十七章_模型压缩、加速及移动端部署\n18_第十八章_后端架构选型、离线及实时计算\n18_第十八章_后端架构选型及应用场景\n```\n\n## 格式转换显示\n由于之前全部是markdown格式的文件，有些没有安装markdown工具，或者markdown工具不支持LaTex公式的，则会导致公式不能够正常显示。于是我对所有的markdown文件进行了格式转换，转换成：\n* HTML格式，下载后直接用浏览器就可以打开查看\n* PDF格式，下载后也可以直接查看\n\n注意：在查看内容的时候，可以直接点击目录中的章节，由于目录是做了锚点的，所以可以直接快速跳转到指定的章节。\n\n## 格式转换之后的效果：\n1、HTML的章节显示效果：\n\n![章节](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshliang0603_Awesome-DeepLearning-500FAQ_readme_06c62e5f5ab9.png)\n\n2、公式显示效果：\n\n![公式](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshliang0603_Awesome-DeepLearning-500FAQ_readme_b07e00bed753.png)\n\n\n# 百度网盘下载\n可能有些人clone网速过慢，或者中途中断。由于都是固定文本不能够进行二次修改，所以也可以不采取clone的方式。因此我把该文档资源上传到了百度云，需要学习的同鞋也可以直接去百度云进行下载：\n\n>链接：https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1nK8HytJ-cdy7Nu49vYbxVA \u003Cbr> \n提取码：eivv \n\n\n\n**声明：仅用于个人学习，请勿转载！！！**","# Awesome-DeepLearning-500FAQ 快速上手指南\n\nAwesome-DeepLearning-500FAQ 是一份涵盖深度学习全栈知识的问答合集，包含数学基础、经典网络、NLP、模型部署等 18 个章节。本项目主要提供整理好的文档资源，无需复杂的环境配置即可阅读。\n\n## 环境准备\n\n本项目为静态文档资源，**无需安装 Python 环境或深度学习框架**即可使用。\n\n*   **系统要求**：Windows \u002F macOS \u002F Linux\n*   **前置依赖**：\n    *   现代网页浏览器（推荐 Chrome, Edge, Firefox），用于查看 HTML 格式文档（支持 LaTeX 公式渲染）。\n    *   PDF 阅读器（如 Adobe Reader, WPS），用于查看 PDF 格式文档。\n    *   （可选）Git 客户端，若选择通过代码仓库克隆方式获取。\n\n## 安装步骤\n\n由于项目核心为固定文本资料，推荐直接下载预转换好的文档包，或通过 Git 克隆源码。\n\n### 方案一：百度网盘下载（推荐国内用户）\n针对国内网络环境优化，直接下载已转换好的 HTML 和 PDF 文件。\n\n1.  访问百度网盘链接：`https:\u002F\u002Fpan.baidu.com\u002Fs\u002F1nK8HytJ-cdy7Nu49vYbxVA`\n2.  输入提取码：`eivv`\n3.  下载压缩包并解压到本地任意目录。\n\n### 方案二：Git 克隆（适合开发者）\n如果你需要查看原始 Markdown 文件或参与贡献，可以使用 Git 克隆。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FChenweiZhang\u002FAwesome-DeepLearning-500FAQ.git\ncd Awesome-DeepLearning-500FAQ\n```\n\n> **提示**：若克隆速度过慢，可尝试使用国内镜像源（如 Gitee 镜像，若有）或配置 Git 代理加速。\n\n## 基本使用\n\n下载完成后，根据你的需求选择以下方式阅读：\n\n### 1. 浏览 HTML 版本（推荐）\n此格式完美支持 LaTeX 数学公式显示，并带有可跳转的目录锚点。\n\n*   **操作**：进入解压后的文件夹，找到 `.html` 格式的章节文件（例如 `01_第一章_数学基础.html`）。\n*   **打开**：双击文件或右键选择浏览器打开。\n*   **功能**：点击左侧或顶部的目录章节，即可快速跳转到对应内容区域。\n\n### 2. 浏览 PDF 版本\n适合离线打印或在平板设备上阅读。\n\n*   **操作**：找到对应的 `.pdf` 文件。\n*   **打开**：使用任意 PDF 阅读器打开即可。\n\n### 3. 查看原始 Markdown（仅限方案二）\n如果你安装了支持 LaTeX 公式的 Markdown 编辑器（如 Typora, VS Code + Markdown Preview Enhanced 插件）：\n\n```bash\n# 在终端中预览（以 VS Code 为例）\ncode .\n```\n*注意：原生 Markdown 查看器可能无法正确渲染复杂的 LaTeX 公式，建议优先使用 HTML 版本。*\n\n---\n**声明**：本资源仅用于个人学习，请勿用于商业用途或随意转载。","一名刚转行深度学习算法的工程师，在准备大厂面试及复现论文时，面对庞杂的数学推导和模型细节感到无从下手。\n\n### 没有 Awesome-DeepLearning-500FAQ 时\n- **知识检索零散低效**：遇到“反向传播推导”或\"Transformer 位置编码”等具体问题，需在 StackOverflow、知乎和各类博客间反复跳转搜索，耗时且信息质量参差不齐。\n- **公式阅读体验极差**：本地 Markdown 阅读器不支持 LaTeX 渲染，导致矩阵运算和概率公式显示为乱码，严重阻碍对核心原理的理解。\n- **知识体系缺乏系统性**：碎片化的学习笔记难以覆盖从数学基础到后端部署的全链路，面试前复习时容易遗漏“模型压缩”或“异构计算”等关键考点。\n- **环境配置成本高**：为了查看文档不得不安装特定的编辑器插件或配置 Python 环境，增加了额外的学习门槛。\n\n### 使用 Awesome-DeepLearning-500FAQ 后\n- **一站式精准查询**：直接通过目录锚点跳转至“第八章_目标检测”或“第十三章_优化算法”，50 万字的问答库提供了标准且深入的解析，秒级定位答案。\n- **公式完美可视化**：利用转换后的 HTML 或 PDF 版本，直接在浏览器中清晰查看复杂的线性代数与概率论公式，无需任何配置即可流畅阅读。\n- **构建完整知识图谱**：依托 18 个章节的结构化编排，快速梳理出从理论基础到移动端部署的完整技能树，面试复习有的放矢，不再盲人摸象。\n- **获取便捷无障碍**：通过百度网盘直接下载离线文档，即使在网络受限或无开发环境的场景下，也能随时翻阅学习，极大提升了灵活性。\n\nAwesome-DeepLearning-500FAQ 将碎片化的深度学习知识点重构为系统化的实战百科，让学习者从“大海捞针”转变为“按图索骥”，显著提升了技术内化与问题解决效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshliang0603_Awesome-DeepLearning-500FAQ_b61c3a09.png","shliang0603",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshliang0603_fee03513.jpg","https:\u002F\u002Fgithub.com\u002Fshliang0603",[77],{"name":78,"color":79,"percentage":80},"HTML","#e34c26",100,628,118,"2026-04-06T13:55:13",1,"Windows, macOS, Linux","非必需（文档主要涉及异构运算、GPU 选型理论及模型压缩部署知识，无具体训练代码运行需求）","未说明",{"notes":89,"python":87,"dependencies":90},"该项目主要为深度学习知识的问答文档（FAQ），不包含可执行的源代码。用户可直接下载 HTML 或 PDF 格式文件，使用浏览器或阅读器查看，无需配置 Python 环境、安装依赖库或使用 GPU。文档内容涵盖数学基础、经典网络、NLP、模型压缩及后端架构等 18 个章节的理论知识与选型建议。",[],[35,15,92],"其他","2026-03-27T02:49:30.150509","2026-04-11T22:00:03.249689",[96,101],{"id":97,"question_zh":98,"answer_zh":99,"source_url":100},29903,"百度云下载链接过期了怎么办？","如果云盘链接失效，可以直接在 GitHub 上下载文件或克隆（clone）整个仓库，里面的内容与云盘链接中的完全一致。","https:\u002F\u002Fgithub.com\u002Fshliang0603\u002FAwesome-DeepLearning-500FAQ\u002Fissues\u002F1",{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},29902,"如何获取最新版本的资料？","目前尚未进行专门的内容更新，因为更新过程较为繁琐。建议直接使用现有版本，内容依然有效。","https:\u002F\u002Fgithub.com\u002Fshliang0603\u002FAwesome-DeepLearning-500FAQ\u002Fissues\u002F3",[]]