[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorflow--examples":3,"tool-tensorflow--examples":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",145895,2,"2026-04-08T11:32:59",[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。",108111,"2026-04-08T11:23:26",[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},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],"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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"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":121,"forks":122,"last_commit_at":123,"license":124,"difficulty_score":125,"env_os":75,"env_gpu":126,"env_ram":126,"env_deps":127,"category_tags":130,"github_topics":131,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":133,"updated_at":134,"faqs":135,"releases":136},5535,"tensorflow\u002Fexamples","examples","TensorFlow examples","examples 是 TensorFlow 官方维护的开源代码示例库，旨在为开发者提供丰富、可运行的学习资源与实践参考。它汇集了涵盖基础教程到进阶应用的各类代码案例，不仅包含 Udacity 深度学习课程的教学材料，还同步更新 TensorFlow 官方博客、YouTube 频道中的演示项目，并展示了社区贡献的优秀实践。\n\n对于许多初学者而言，阅读理论文档往往难以直接转化为动手能力，而 examples 正好解决了这一痛点。它将抽象的算法概念转化为具体的可执行代码，用户可以直接在 Google Colab 中运行这些笔记本（Notebooks），快速验证想法并理解模型构建细节。此外，仓库中的内容大多遵循官方文档标准，确保了代码的规范性和时效性。\n\n无论是刚接触深度学习的学生、需要快速原型验证的工程师，还是希望了解最新技术动态的研究人员，都能从中获益。其独特的价值在于“学以致用”的理念：大部分示例不仅是静态文档，更是交互式的教学工具，帮助用户在修改参数、调整结构的过程中深入掌握 TensorFlow 的核心用法。如果你希望系统性地提升 TensorFlow 实战技能，examples 无","examples 是 TensorFlow 官方维护的开源代码示例库，旨在为开发者提供丰富、可运行的学习资源与实践参考。它汇集了涵盖基础教程到进阶应用的各类代码案例，不仅包含 Udacity 深度学习课程的教学材料，还同步更新 TensorFlow 官方博客、YouTube 频道中的演示项目，并展示了社区贡献的优秀实践。\n\n对于许多初学者而言，阅读理论文档往往难以直接转化为动手能力，而 examples 正好解决了这一痛点。它将抽象的算法概念转化为具体的可执行代码，用户可以直接在 Google Colab 中运行这些笔记本（Notebooks），快速验证想法并理解模型构建细节。此外，仓库中的内容大多遵循官方文档标准，确保了代码的规范性和时效性。\n\n无论是刚接触深度学习的学生、需要快速原型验证的工程师，还是希望了解最新技术动态的研究人员，都能从中获益。其独特的价值在于“学以致用”的理念：大部分示例不仅是静态文档，更是交互式的教学工具，帮助用户在修改参数、调整结构的过程中深入掌握 TensorFlow 的核心用法。如果你希望系统性地提升 TensorFlow 实战技能，examples 无疑是不可或缺的起点。","# TensorFlow Examples\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_examples_readme_7cc2bb63a5ca.png\" \u002F>\u003Cbr \u002F>\u003Cbr \u002F>\n\u003C\u002Fdiv>\n\n\u003Ch2>Most important links!\u003C\u002Fh2>\n\n* [Community examples](.\u002Fcommunity)\n* [Course materials](.\u002Fcourses\u002Fudacity_deep_learning) for the [Deep Learning](https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fdeep-learning--ud730) class on Udacity\n\nIf you are looking to learn TensorFlow, don't miss the\n[core TensorFlow documentation](http:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fdocs)\nwhich is largely runnable code.\nThose notebooks can be opened in Colab from\n[tensorflow.org](https:\u002F\u002Ftensorflow.org).\n\n\u003Ch2>What is this repo?\u003C\u002Fh2>\n\nThis is the TensorFlow example repo.  It has several classes of material:\n\n* Showcase examples and documentation for our fantastic [TensorFlow Community](https:\u002F\u002Ftensorflow.org\u002Fcommunity)\n* Provide examples mentioned on TensorFlow.org\n* Publish material supporting official TensorFlow courses\n* Publish supporting material for the [TensorFlow Blog](https:\u002F\u002Fblog.tensorflow.org) and [TensorFlow YouTube Channel](https:\u002F\u002Fyoutube.com\u002Ftensorflow)\n\nWe welcome community contributions, see [CONTRIBUTING.md](CONTRIBUTING.md) and, for style help,\n[Writing TensorFlow documentation](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs_style)\nguide.\n\nTo file an issue, use the tracker in the\n[tensorflow\u002Ftensorflow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002Fnew?template=20-documentation-issue.md) repo.\n\n## License\n\n[Apache License 2.0](LICENSE)\n","# TensorFlow 示例\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_examples_readme_7cc2bb63a5ca.png\" \u002F>\u003Cbr \u002F>\u003Cbr \u002F>\n\u003C\u002Fdiv>\n\n\u003Ch2>最重要的链接！\u003C\u002Fh2>\n\n* [社区示例](.\u002Fcommunity)\n* 针对 Udacity 上的[深度学习](https:\u002F\u002Fwww.udacity.com\u002Fcourse\u002Fdeep-learning--ud730)课程的[课程资料](.\u002Fcourses\u002Fudacity_deep_learning)\n\n如果你正打算学习 TensorFlow，请不要错过\n[核心 TensorFlow 文档](http:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fdocs)，其中大部分内容都是可运行的代码。这些笔记本可以在 Colab 中从\n[tensorflow.org](https:\u002F\u002Ftensorflow.org) 打开。\n\n\u003Ch2>这个仓库是做什么的？\u003C\u002Fh2>\n\n这是 TensorFlow 示例仓库。它包含几类内容：\n\n* 展示我们优秀的 [TensorFlow 社区](https:\u002F\u002Ftensorflow.org\u002Fcommunity) 的示例和文档\n* 提供 TensorFlow 官方网站上提到的示例\n* 发布支持官方 TensorFlow 课程的材料\n* 发布支持 [TensorFlow 博客](https:\u002F\u002Fblog.tensorflow.org) 和 [TensorFlow YouTube 频道](https:\u002F\u002Fyoutube.com\u002Ftensorflow) 的材料\n\n我们欢迎社区贡献，请参阅 [CONTRIBUTING.md](CONTRIBUTING.md)，如需样式方面的帮助，可参考\n[编写 TensorFlow 文档](https:\u002F\u002Fwww.tensorflow.org\u002Fcommunity\u002Fcontribute\u002Fdocs_style) 指南。\n\n如需提交问题，请使用\n[tensorflow\u002Ftensorflow](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftensorflow\u002Fissues\u002Fnew?template=20-documentation-issue.md) 仓库中的问题跟踪器。\n\n## 许可证\n\n[Apache License 2.0](LICENSE)","# TensorFlow Examples 快速上手指南\n\n本仓库汇集了 TensorFlow 官方社区示例、课程资料（如 Udacity 深度学习课程）、博客配套代码及 YouTube 频道演示项目，是学习 TensorFlow 的核心实践资源。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：3.7 - 3.10\n*   **前置依赖**：\n    *   已安装 Python 及 pip 包管理工具\n    *   推荐安装 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html) 以隔离虚拟环境\n    *   **网络建议**：国内开发者建议使用清华或阿里镜像源加速下载，或在 Google Colab 中直接运行（无需本地配置）\n\n## 安装步骤\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fexamples.git\n    cd examples\n    ```\n\n2.  **创建并激活虚拟环境**\n    ```bash\n    python -m venv tf-env\n    # Linux\u002FmacOS\n    source tf-env\u002Fbin\u002Factivate\n    # Windows\n    tf-env\\Scripts\\activate\n    ```\n\n3.  **安装 TensorFlow 及依赖**\n    *   **通用安装（使用国内镜像加速）**：\n        ```bash\n        pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow\n        ```\n    *   **若需 GPU 支持**：\n        ```bash\n        pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow-gpu\n        ```\n    *   **安装特定示例所需的额外依赖**（视具体子目录要求而定）：\n        ```bash\n        pip install -r requirements.txt\n        ```\n\n## 基本使用\n\n本仓库主要包含可运行的 Jupyter Notebook (`.ipynb`) 和 Python 脚本 (`.py`)。\n\n### 方式一：在 Google Colab 中运行（推荐）\n大多数示例支持直接在浏览器中运行，无需本地配置环境。\n1. 访问 [tensorflow.org](https:\u002F\u002Ftensorflow.org) 找到对应教程。\n2. 点击 \"Run in Google Colab\" 按钮即可加载并执行代码。\n\n### 方式二：本地运行示例\n以运行 `community` 目录下的某个示例为例：\n\n1.  **启动 Jupyter Notebook**\n    ```bash\n    jupyter notebook\n    ```\n2.  **浏览并打开文件**\n    在浏览器弹出的界面中，导航至 `examples\u002Fcommunity` 目录，选择任意 `.ipynb` 文件（例如 `mnist_basic.ipynb`）。\n3.  **执行代码**\n    按顺序点击单元格上方的 \"Run\" 按钮（或按 `Shift + Enter`）执行代码块。\n\n### 方式三：运行 Python 脚本\n对于独立的 `.py` 文件，可直接通过命令行运行：\n\n```bash\npython path\u002Fto\u002Fexample_script.py\n```\n\n> **提示**：具体示例的详细文档和参数说明，请参阅各子目录（如 `.\u002Fcommunity`, `.\u002Fcourses`）下的独立 `README.md` 文件。","一家初创公司的算法工程师团队正试图从零开始构建一个基于 TensorFlow 的图像分类模型，以识别生产线上的缺陷产品。\n\n### 没有 examples 时\n- **环境配置耗时**：团队成员需自行摸索复杂的依赖库版本兼容性问题，往往花费数天时间在报错调试上，而非核心算法开发。\n- **代码结构混乱**：缺乏官方参考标准，每个人编写的模型训练循环和数据加载逻辑风格迥异，导致后期代码合并与维护极其困难。\n- **学习曲线陡峭**：新手面对抽象的 API 文档难以理解具体用法，只能盲目试错，严重拖慢了从概念验证到原型落地的进度。\n- **最佳实践缺失**：由于不了解官方的性能优化技巧（如数据管道优化、混合精度训练），初始模型推理速度慢且资源占用高。\n\n### 使用 examples 后\n- **快速启动项目**：直接复用 examples 中经过验证的 Colab 笔记本和社区示例，几分钟内即可在本地或云端跑通基准流程。\n- **统一开发规范**：参照 examples 提供的标准代码架构，团队迅速确立了统一的数据输入、模型定义及训练评估模板，协作效率显著提升。\n- **直观上手学习**：结合 Udacity 课程配套材料，工程师通过可运行的代码片段快速掌握核心 API 用法，将学习周期从周缩短至天。\n- **性能即刻优化**：直接采纳 examples 中展示的高级技巧（如 `tf.data` 高效流水线），使模型训练速度提升数倍，并确保了生产环境的稳定性。\n\nexamples 通过将抽象的文档转化为可执行的最佳实践代码，极大地降低了 TensorFlow 的落地门槛并加速了 AI 项目的交付进程。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_examples_27449a85.png","tensorflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorflow_07ed5093.png","",null,"github-admin@tensorflow.org","http:\u002F\u002Fwww.tensorflow.org","https:\u002F\u002Fgithub.com\u002Ftensorflow",[81,85,89,93,97,101,105,109,113,117],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",35.6,{"name":86,"color":87,"percentage":88},"Python","#3572A5",25.4,{"name":90,"color":91,"percentage":92},"Kotlin","#A97BFF",14.4,{"name":94,"color":95,"percentage":96},"Swift","#F05138",11.4,{"name":98,"color":99,"percentage":100},"Java","#b07219",7.5,{"name":102,"color":103,"percentage":104},"C++","#f34b7d",2.8,{"name":106,"color":107,"percentage":108},"Shell","#89e051",0.9,{"name":110,"color":111,"percentage":112},"JavaScript","#f1e05a",0.5,{"name":114,"color":115,"percentage":116},"Starlark","#76d275",0.4,{"name":118,"color":119,"percentage":120},"Objective-C","#438eff",0.3,8259,7348,"2026-04-06T23:19:27","Apache-2.0",1,"未说明",{"notes":128,"python":126,"dependencies":129},"该仓库主要包含 TensorFlow 的示例代码、社区贡献案例及课程材料。具体运行环境需求（如操作系统、GPU、内存、Python 版本等）未在 README 中明确列出，通常取决于各个具体示例脚本的要求。建议参考 TensorFlow 官方文档或在 Google Colab 中直接运行相关 Notebook。",[73],[14],[73,132],"tensorflow-examples","2026-03-27T02:49:30.150509","2026-04-08T22:05:34.972616",[],[137,142,147],{"id":138,"version":139,"summary_zh":140,"released_at":141},154534,"tflmm\u002Fv0.3.2","* 小修复：将 librosa 移至音频任务的可选依赖库。\n* 更新 README，添加指向新 Colab 笔记本和 API 参考文档的链接。","2021-05-16T15:33:53",{"id":143,"version":144,"summary_zh":145,"released_at":146},154535,"tflmm\u002Fv0.3.1","*   在 https:\u002F\u002Fwww.tensorflow.org\u002Flite\u002Fapi_docs\u002Fpython\u002Ftflite_model_maker 上展示的波兰语文档。\n*   添加一些 0.2.x 版本的 API 以实现向后兼容。\n*   导出 TFLite Model Maker 的公共 API，并将 Colab 笔记本调整为示例代码。\n*   新增三项任务：目标检测、音频分类和推荐。","2021-05-12T08:39:12",{"id":148,"version":149,"summary_zh":150,"released_at":151},154536,"tflmm\u002Fv0.2.4","* 更新 `requirements.txt` 中的 TensorFlow 稳定版本。\n* 支持导出为 TF.js 模型。\n* 代码优化：重构 `DataLoader` 中的内部 API `gen_dataset`，并移除冗余方法。\n* 将依赖项拆分为稳定版本和 nightly 版本。","2021-02-05T06:54:52"]