[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorflow--tpu":3,"tool-tensorflow--tpu":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":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":113,"forks":114,"last_commit_at":115,"license":116,"difficulty_score":117,"env_os":118,"env_gpu":119,"env_ram":118,"env_deps":120,"category_tags":125,"github_topics":75,"view_count":24,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":126,"updated_at":127,"faqs":128,"releases":159},10154,"tensorflow\u002Ftpu","tpu","Reference models and tools for Cloud TPUs.","tpu 是谷歌官方提供的开源资源库，专为在 Cloud TPUs（云端张量处理单元）上运行机器学习模型而设计。它汇集了一系列经过优化的参考模型和实用工具，旨在帮助开发者快速上手并利用 TPU 强大的算力进行高效的模型训练与推理。\n\n对于希望突破传统 GPU 算力瓶颈、加速大规模深度学习任务的用户来说，tpu 解决了环境配置复杂和模型适配困难的问题。通过内置的教程和一键启动功能，用户可以直接在 Google Cloud Shell 中快速搭建实验环境，无需从零开始编写底层代码。此外，仓库中的参考模型涵盖了多种主流架构，为算法优化提供了可靠的基准。\n\n这套工具主要面向人工智能研究人员、机器学习工程师以及需要处理海量数据的企业开发者。如果你正在探索高性能计算领域，或需要将大型神经网络部署到云端，tpu 能提供标准化的代码范例和流畅的开发体验。值得注意的是，该项目作为官方公共镜像，虽不直接接受代码贡献，但通过开放的议题追踪机制持续响应用户的功能需求与故障反馈，确保资源的稳定与更新。","# Cloud TPUs #\n\nThis repository is a collection of reference models and tools used with\n[Cloud TPUs](https:\u002F\u002Fcloud.google.com\u002Ftpu\u002F).\n\nThe fastest way to get started training a model on a Cloud TPU is by following\nthe tutorial. Click the button below to launch the tutorial using Google Cloud\nShell.\n\n[![Open in Cloud Shell](http:\u002F\u002Fgstatic.com\u002Fcloudssh\u002Fimages\u002Fopen-btn.svg)](https:\u002F\u002Fconsole.cloud.google.com\u002Fcloudshell\u002Fopen?git_repo=https%3A%2F%2Fgithub.com%2Ftensorflow%2Ftpu&page=shell&tutorial=tools%2Fctpu%2Ftutorial.md)\n\n_Note:_ This repository is a public mirror, pull requests will not be accepted.\nPlease file an issue if you have a feature or bug request.\n\n## Running Models\n\nTo run models in the `models` subdirectory, you may need to add the top-level\n`\u002Fmodels` folder to the Python path with the command:\n\n```\nexport PYTHONPATH=\"$PYTHONPATH:\u002Fpath\u002Fto\u002Fmodels\"\n```\n","# 云TPU #\n\n此仓库汇集了与[云TPU](https:\u002F\u002Fcloud.google.com\u002Ftpu\u002F)一起使用的参考模型和工具。\n\n在云TPU上开始训练模型的最快方式是按照教程操作。点击下方按钮，使用 Google Cloud Shell 启动教程。\n\n[![在 Cloud Shell 中打开](http:\u002F\u002Fgstatic.com\u002Fcloudssh\u002Fimages\u002Fopen-btn.svg)](https:\u002F\u002Fconsole.cloud.google.com\u002Fcloudshell\u002Fopen?git_repo=https%3A%2F%2Fgithub.com%2Ftensorflow%2Ftpu&page=shell&tutorial=tools%2Fctpu%2Ftutorial.md)\n\n_注意:_ 本仓库为公开镜像，不接受拉取请求。如有功能或 bug 相关的需求，请提交 issue。\n\n## 运行模型\n\n要在 `models` 子目录中运行模型，您可能需要通过以下命令将顶级 `\u002Fmodels` 文件夹添加到 Python 路径：\n\n```\nexport PYTHONPATH=\"$PYTHONPATH:\u002Fpath\u002Fto\u002Fmodels\"\n```","# Cloud TPUs 快速上手指南\n\n## 环境准备\n\n*   **系统要求**：需要拥有 Google Cloud Platform (GCP) 账号，并启用 Cloud TPU API。\n*   **前置依赖**：\n    *   已安装并配置好 `gcloud` 命令行工具。\n    *   推荐使用 **Google Cloud Shell**，该环境已预装所有必要依赖，可免去本地配置烦恼。\n    *   Python 环境（通常 Cloud Shell 默认提供兼容版本）。\n\n> **注意**：由于网络原因，中国开发者直接访问 GCP 服务可能需要配置代理或使用特定的网络环境。本项目为官方镜像仓库，不接受 Pull Request，如有功能需求或 Bug 反馈请提交 Issue。\n\n## 安装步骤\n\n本仓库主要包含参考模型和工具脚本，无需传统的“安装”过程，但需要正确配置环境变量以便运行 `models` 目录下的示例。\n\n1.  **克隆仓库**（建议在 Cloud Shell 中执行）：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftpu.git\n    cd tpu\n    ```\n\n2.  **配置 Python 路径**：\n    为了能够导入 `models` 子目录中的模块，需要将顶层 `\u002Fmodels` 文件夹添加到 Python 搜索路径中。请执行以下命令（将 `\u002Fpath\u002Fto\u002Fmodels` 替换为你实际的绝对路径）：\n\n    ```bash\n    export PYTHONPATH=\"$PYTHONPATH:\u002Fpath\u002Fto\u002Fmodels\"\n    ```\n\n## 基本使用\n\n最快捷的开始方式是通过官方提供的教程在 Cloud TPU 上训练模型。\n\n### 方式一：一键启动教程（推荐）\n点击下方按钮，直接在 Google Cloud Shell 中打开交互式教程：\n\n[![Open in Cloud Shell](http:\u002F\u002Fgstatic.com\u002Fcloudssh\u002Fimages\u002Fopen-btn.svg)](https:\u002F\u002Fconsole.cloud.google.com\u002Fcloudshell\u002Fopen?git_repo=https%3A%2F%2Fgithub.com%2Ftensorflow%2Ftpu&page=shell&tutorial=tools%2Fctpu%2Ftutorial.md)\n\n### 方式二：手动运行模型\n配置好环境变量后，你可以进入 `models` 目录选择具体的模型脚本进行运行。例如：\n\n```bash\ncd models\npython \u003Cmodel_script_name>.py --tpu=\u003Cyour-tpu-name> --data_dir=\u003Cyour-data-path>\n```\n\n*请将 `\u003Cmodel_script_name>`、`\u003Cyour-tpu-name>` 和 `\u003Cyour-data-path>` 替换为实际的脚本名称、TPU 实例名称及数据路径。*","某医疗 AI 团队正致力于训练一个基于 3D CT 影像的肿瘤检测模型，需要在极短时间内完成大规模数据的迭代验证以赶上临床试点截止日期。\n\n### 没有 tpu 时\n- **训练周期漫长**：使用传统 GPU 集群训练高分辨率 3D 模型，单次完整迭代需耗时数天，严重拖慢算法调优节奏。\n- **环境配置繁琐**：手动搭建分布式训练环境时，常因节点通信配置错误导致任务中断，排查问题耗费大量工程精力。\n- **资源利用率低**：难以高效利用多卡并行能力，显存瓶颈频发，迫使团队不得不降低输入图像分辨率，牺牲了微小病灶的检测精度。\n- **复现成本高**：缺乏标准化的参考实现，不同成员编写的训练脚本差异大，导致实验结果难以复现和对比。\n\n### 使用 tpu 后\n- **训练速度飞跃**：借助 Cloud TPUs 的高带宽内存和专用矩阵计算单元，将原本数天的训练时间压缩至数小时，实现每日多次全量迭代。\n- **一键快速启动**：直接调用官方提供的参考模型和 Cloud Shell 教程，几分钟内即可拉起标准化的分布式训练环境，零配置开销。\n- **精度与效率兼得**：TPU 的大内存支持维持原始高分辨率输入，显著提升了微小肿瘤的识别率，同时线性扩展能力确保了算力满负荷运转。\n- **标准统一可靠**：基于官方维护的基准代码库进行开发，确保了实验架构的一致性，团队成员可无缝协作并快速复现彼此的最佳结果。\n\ntpu 通过提供专为云端优化的参考模型与工具链，将医疗影像模型的研发周期从“周级”缩短至“小时级”，让算法团队能专注于核心业务创新而非底层基建。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_tpu_d022437a.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",[80,84,88,92,96,100,104,107,110],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",92.5,{"name":85,"color":86,"percentage":87},"Python","#3572A5",5.8,{"name":89,"color":90,"percentage":91},"C","#555555",1.2,{"name":93,"color":94,"percentage":95},"Go","#00ADD8",0.4,{"name":97,"color":98,"percentage":99},"HCL","#844FBA",0.1,{"name":101,"color":102,"percentage":103},"Shell","#89e051",0,{"name":105,"color":106,"percentage":103},"Dockerfile","#384d54",{"name":108,"color":109,"percentage":103},"Makefile","#427819",{"name":111,"color":112,"percentage":103},"Starlark","#76d275",5275,1754,"2026-04-16T09:06:02","Apache-2.0",5,"未说明","不需要本地 GPU（基于 Google Cloud TPU 云端硬件）",{"notes":121,"python":118,"dependencies":122},"该工具集专为 Google Cloud TPU 设计，需通过 Google Cloud Shell 或 Google Cloud 平台使用。运行 models 子目录下的模型时，可能需要将顶层 \u002Fmodels 文件夹添加到 Python 路径中。此仓库为公开镜像，不接受 Pull Request，如有需求请提交 Issue。",[123,124],"tensorflow (隐含依赖)","ctpu (工具组件)",[14],"2026-03-27T02:49:30.150509","2026-04-20T19:22:55.385454",[129,134,139,144,149,154],{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},45591,"TPU 在训练约 3 小时后停止响应且无错误提示，该如何解决？","该问题通常与底层基础设施事件有关。虽然相关修复已推送到所有 TPU，但用户需要重新创建（recreate）TPU 实例才能生效。如果遇到此情况，请尝试关闭并重新创建您的 TPU 资源。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftpu\u002Fissues\u002F609",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},45592,"为什么在 GPU 上训练 EfficientNet 时速度过慢或使用 channels_first 格式？","在 GPU 训练中使用 `channels_first` 数据格式是为了提高负载与计算的比例（load to compute ratio），从而优化性能。如果您遇到训练缓慢的问题，请确保使用了正确的数据格式，并尝试升级 TensorFlow 版本（如从 1.10 升级到 1.13 或更高），尽管某些深度卷积操作在特定版本中可能仍然较慢。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftpu\u002Fissues\u002F389",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},45593,"连接 TPU Pod 时出现 'PERMISSION_DENIED' 或 'Insufficient authentication scopes' 错误怎么办？","此错误通常是由于认证范围不足导致的。首先运行 `gcloud init` 确保使用了正确的账户。如果问题依旧，请检查您的连接字符串配置。您可以参考社区提供的示例代码库（如 TPU-Pod-Examples）来获取正确的连接配置和指令。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftpu\u002Fissues\u002F596",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},45594,"使用自定义数据集训练时报 'Invalid JPEG data or crop window' 错误，但图片确实是 JPEG 格式，如何解决？","即使文件扩展名是 .jpg，文件内部数据也可能损坏或格式不完整。建议编写脚本遍历 TFRecord 中的图像数据，通过解析 JPEG 标记（如 0xffd8, 0xffd9 等）来验证文件的完整性，而不仅仅依赖文件扩展名或简单的打开操作。可以使用 Python 的 `struct` 模块读取二进制头信息来确认是否为合法的 JPEG 流。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftpu\u002Fissues\u002F455",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},45595,"使用 ctpu 命令时出现 'Read access to project was denied' (403) 错误，或者配置不生效怎么办？","这通常是 Cloud Shell 会话的临时状态问题或权限缓存问题。最有效的解决方法是重启 Cloud Shell 环境。此外，请确保您使用的区域（Zone）支持 Cloud TPU（可查阅官方文档确认可用区域），因为选择了不支持的区域也会导致连接失败。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftpu\u002Fissues\u002F142",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},45596,"如何使用提供的检查点进行 EfficientNet 的迁移学习？","推荐使用官方的 Keras 教程进行 EfficientNet 的微调（Fine-tuning）。您可以参考 Keras 官方网站上的 'Image Classification with EfficientNet' 示例代码。此外，Google Cloud TPU 文档中也提供了针对 EfficientNet 2.x 的详细教程，展示了如何加载预训练权重并进行迁移学习。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Ftpu\u002Fissues\u002F384",[]]