[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-terryum--TensorFlow_Exercises":3,"tool-terryum--TensorFlow_Exercises":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",154349,2,"2026-04-13T23:32:16",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":32,"env_os":92,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":98,"github_topics":91,"view_count":32,"oss_zip_url":91,"oss_zip_packed_at":91,"status":17,"created_at":99,"updated_at":100,"faqs":101,"releases":102},7368,"terryum\u002FTensorFlow_Exercises","TensorFlow_Exercises","The codes I made while I practiced various TensorFlow examples","TensorFlow_Exercises 是一套专为深度学习初学者打造的 TensorFlow 实战练习代码库。它并非原创算法集合，而是作者在学习过程中，参考了多个经典开源教程后重新编写和整理的实践成果，旨在帮助学习者通过动手复现来巩固理论知识。\n\n这套资源有效解决了新手在面对庞大 TensorFlow 生态系统时“不知从何下手”或“理论难以落地”的痛点。它将复杂的机器学习概念拆解为循序渐进的编程任务，覆盖了从基础的线性回归、逻辑回归，到多层感知机（MLP）及其现代变体，再到卷积神经网络（CNN）等核心模型。每个练习都提供了完整的 Notebook 代码，并配有相应的教学幻灯片，让用户能边看边练，直观理解模型构建与训练的全过程。\n\nTensorFlow_Exercises 特别适合正在入门深度学习的学生、转行开发者以及希望夯实基础的研究人员。对于想要系统掌握 TensorFlow 1.x 经典写法（注：基于项目时间背景）的用户来说，这里提供了一个结构清晰、由浅入深的最佳实践路径。虽然代码源于对现有优秀教程的复现，但其条理分明的编排方式和配套的讲解资料，使其成为一份独特且友好的自学指南，","TensorFlow_Exercises 是一套专为深度学习初学者打造的 TensorFlow 实战练习代码库。它并非原创算法集合，而是作者在学习过程中，参考了多个经典开源教程后重新编写和整理的实践成果，旨在帮助学习者通过动手复现来巩固理论知识。\n\n这套资源有效解决了新手在面对庞大 TensorFlow 生态系统时“不知从何下手”或“理论难以落地”的痛点。它将复杂的机器学习概念拆解为循序渐进的编程任务，覆盖了从基础的线性回归、逻辑回归，到多层感知机（MLP）及其现代变体，再到卷积神经网络（CNN）等核心模型。每个练习都提供了完整的 Notebook 代码，并配有相应的教学幻灯片，让用户能边看边练，直观理解模型构建与训练的全过程。\n\nTensorFlow_Exercises 特别适合正在入门深度学习的学生、转行开发者以及希望夯实基础的研究人员。对于想要系统掌握 TensorFlow 1.x 经典写法（注：基于项目时间背景）的用户来说，这里提供了一个结构清晰、由浅入深的最佳实践路径。虽然代码源于对现有优秀教程的复现，但其条理分明的编排方式和配套的讲解资料，使其成为一份独特且友好的自学指南，帮助用户在反复调试与运行中真正吃透神经网络原理。","# TensorFlow_Exercises\nThe codes I made while I practiced various TensorFlow examples\n\n### About the codes\nI didn't create these codes by myself, but re-create the codes while I was practicing other TensorFlow examples. Here is the list of example codes I refered to.\n\n- Sungjun Choi, [Tensorflow-101](https:\u002F\u002Fgithub.com\u002Fsjchoi86\u002FTensorflow-101)\n- Aymeric Damien, [Tensorflow-Examples](https:\u002F\u002Fgithub.com\u002Faymericdamien\u002FTensorFlow-Examples\u002F)\n- Nathan Lints, [Tensorflow-Tutorials](https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials)\n- Parag K. Mital, [Tensorflow-Tutorials](https:\u002F\u002Fgithub.com\u002Fpkmital\u002Ftensorflow_tutorials)\n\n### List of the exercise codes\n\n1. [Linear Regression](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F1_LinearRegression_160516.ipynb) \n2. [Logistic Regression](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F2_LogisticRegression_MNIST_160516.ipynb)\n3. [Multilayer Perceptron](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F3a_MLP_MNIST_160516.ipynb)\n4. [Modern Multilayer Perceptron](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F3b_MLP_MNIST_Modern_160517.ipynb)\n5. [Multilayer Perceptron: Top-N results](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F3c_MLP_MNIST_topNresults_160712.ipynb)\n6. [Convolutional Neural Network](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F4a_CNN_MNIST_160712.ipynb)\n\n(More exercises will be updating...)\n\n### Slides\n\nYou can follow the above examples with the [slides](http:\u002F\u002Fterryum.io\u002Fml_practice\u002F2016\u002F05\u002F28\u002FTFIntroSlides\u002F). \n\nFeel free to make changes for your own project. And please let me know if you have a suggestion to improve the codes. Thank you!\n","# TensorFlow_练习\n我在练习各种 TensorFlow 示例时编写的代码\n\n### 关于这些代码\n这些代码并非我独立编写，而是在学习其他 TensorFlow 示例的过程中重新实现的。以下是我在学习时参考的示例代码列表：\n\n- Sungjun Choi，《Tensorflow-101》（https:\u002F\u002Fgithub.com\u002Fsjchoi86\u002FTensorflow-101）\n- Aymeric Damien，《Tensorflow-Examples》（https:\u002F\u002Fgithub.com\u002Faymericdamien\u002FTensorFlow-Examples\u002F）\n- Nathan Lints，《Tensorflow-Tutorials》（https:\u002F\u002Fgithub.com\u002Fnlintz\u002FTensorFlow-Tutorials）\n- Parag K. Mital，《Tensorflow-Tutorials》（https:\u002F\u002Fgithub.com\u002Fpkmital\u002Ftensorflow_tutorials）\n\n### 练习代码列表\n\n1. [线性回归](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F1_LinearRegression_160516.ipynb) \n2. [逻辑回归](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F2_LogisticRegression_MNIST_160516.ipynb)\n3. [多层感知机](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F3a_MLP_MNIST_160516.ipynb)\n4. [现代多层感知机](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F3b_MLP_MNIST_Modern_160517.ipynb)\n5. [多层感知机：Top-N 结果](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F3c_MLP_MNIST_topNresults_160712.ipynb)\n6. [卷积神经网络](https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises\u002Fblob\u002Fmaster\u002F4a_CNN_MNIST_160712.ipynb)\n\n（更多练习将持续更新……）\n\n### 幻灯片\n\n您可以结合上述示例，使用[幻灯片](http:\u002F\u002Fterryum.io\u002Fml_practice\u002F2016\u002F05\u002F28\u002FTFIntroSlides\u002F)进行学习。\n\n欢迎根据您的项目需求对代码进行修改。如果您有任何改进建议，请随时告知我。谢谢！","# TensorFlow_Exercises 快速上手指南\n\n本指南旨在帮助开发者快速使用 `TensorFlow_Exercises` 仓库中的代码，通过复现经典案例掌握 TensorFlow 基础。该仓库汇集了线性回归、逻辑回归、多层感知机（MLP）及卷积神经网络（CNN）等核心算法的练习代码。\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\n*   **Python 版本**：推荐 Python 3.6 - 3.8（原项目基于较早期 TensorFlow 版本，建议使用兼容的虚拟环境）\n*   **前置依赖**：\n    *   TensorFlow (建议安装 `tensorflow==1.x` 以完美匹配原代码，或使用 `tensorflow==2.x` 并配合 `tf.compat.v1` 运行)\n    *   Jupyter Notebook (用于运行 `.ipynb` 文件)\n    *   NumPy, Matplotlib\n\n## 安装步骤\n\n1.  **克隆仓库**\n    打开终端，执行以下命令获取源代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fterryum\u002FTensorFlow_Exercises.git\n    cd TensorFlow_Exercises\n    ```\n\n2.  **安装依赖**\n    推荐使用国内镜像源加速安装。首先创建并激活虚拟环境（可选但推荐），然后安装 TensorFlow 及必要库：\n    ```bash\n    # 使用清华源安装 tensorflow 1.15 (最兼容原版代码) 和其他依赖\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.15.0 jupyter numpy matplotlib\n\n    # 如果需要使用 TensorFlow 2.x，请安装最新版并注意代码可能需要微调\n    # pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow jupyter numpy matplotlib\n    ```\n\n3.  **启动 Jupyter Notebook**\n    ```bash\n    jupyter notebook\n    ```\n    浏览器将自动打开，导航至克隆的目录即可看到所有练习文件。\n\n## 基本使用\n\n本仓库的核心内容是系列 Jupyter Notebook 文件，按难度递增排列。\n\n### 1. 运行第一个示例：线性回归\n在 Jupyter 界面中，点击打开 `1_LinearRegression_160516.ipynb`。\n*   该示例演示了如何使用 TensorFlow 构建简单的线性回归模型。\n*   点击菜单栏的 **Cell** -> **Run All** 依次执行所有单元格，即可观察训练过程及结果可视化。\n\n### 2. 进阶练习路径\n建议按照以下顺序依次学习，以系统掌握深度学习基础：\n\n1.  **Linear Regression**: `1_LinearRegression_160516.ipynb` (基础回归)\n2.  **Logistic Regression**: `2_LogisticRegression_MNIST_160516.ipynb` (MNIST 手写数字分类基础)\n3.  **Multilayer Perceptron (MLP)**: \n    *   `3a_MLP_MNIST_160516.ipynb` (标准 MLP)\n    *   `3b_MLP_MNIST_Modern_160517.ipynb` (现代优化版 MLP)\n4.  **Convolutional Neural Network (CNN)**: `4a_CNN_MNIST_160712.ipynb` (卷积神经网络入门)\n\n### 3. 参考资源\n如果在运行过程中需要理论支持，可以参考作者提供的配套幻灯片：\n*   地址：[TF Intro Slides](http:\u002F\u002Fterryum.io\u002Fml_practice\u002F2016\u002F05\u002F28\u002FTFIntroSlides\u002F)\n\n> **提示**：本仓库代码主要参考了 Sungjun Choi, Aymeric Damien 等作者的开源教程。您可以自由修改代码以适应自己的项目需求。","一名刚入门深度学习的数据科学实习生，正试图从零开始掌握 TensorFlow 框架以完成公司的图像分类原型开发。\n\n### 没有 TensorFlow_Exercises 时\n- **学习路径混乱**：面对官方文档中碎片化的示例和 GitHub 上风格各异的教程（如 Tensorflow-101 或 Tensorflow-Examples），难以判断哪些代码适合新手循序渐进地练习。\n- **环境配置与调试耗时**：在复现线性回归或卷积神经网络（CNN）等基础模型时，常因版本兼容性或代码细节错误陷入长时间的调试，迟迟无法跑通第一个\"Hello World\"级别的模型。\n- **缺乏系统性进阶**：只能孤立地理解单个算法，不知道如何从简单的逻辑回归平滑过渡到现代多层感知机（Modern MLP），导致知识体系断裂，难以构建完整的实战能力。\n\n### 使用 TensorFlow_Exercises 后\n- **结构化学习路线**：直接跟随整理好的六大核心练习（从线性回归到 CNN），利用其清晰引用的权威教程列表，按部就班地建立扎实的知识框架。\n- **快速验证与迭代**：直接运行经过验证的 Jupyter Notebook 代码，迅速复现 MNIST 手写数字识别等经典案例，将原本数天的环境搭建与排错时间缩短至几小时。\n- **平滑的技能跃迁**：通过对比“传统 MLP\"与“现代 MLP\"以及\"Top-N 结果分析”等进阶练习，直观理解模型优化技巧，轻松将基础理论转化为可落地的工程代码。\n\nTensorFlow_Exercises 通过将散乱的优质资源重构为系统化的实战阶梯，帮助开发者大幅降低了深度学习框架的学习门槛与试错成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fterryum_TensorFlow_Exercises_ace2fa13.png","terryum","Terry Taewoong Um","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fterryum_e493a480.jpg","From lab to life. I'm an AI & robotics researcher, entrepreneur, and writer. I build Physical AI for the beauty industry.","Cosmax","Seoul, South Korea","terry.t.um@gmail.com","TerryUm_ML","https:\u002F\u002Fterry.artlab.ai\u002F","https:\u002F\u002Fgithub.com\u002Fterryum",[84],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",100,613,196,"2026-04-07T04:24:44",null,"","未说明",{"notes":95,"python":93,"dependencies":96},"该项目为基于 TensorFlow 的练习代码集合（包含线性回归、逻辑回归、多层感知机、CNN 等），主要依赖外部教程仓库的代码重构。README 中未明确指定具体的操作系统、Python 版本、GPU 配置或内存需求。由于代码文件多为 2016 年创建的 Jupyter Notebook，可能基于较旧版本的 TensorFlow（如 TF 1.x），在现代环境中运行可能需要调整兼容性。",[97],"TensorFlow",[14],"2026-03-27T02:49:30.150509","2026-04-14T12:26:56.084547",[],[]]