[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tflearn--tflearn":3,"tool-tflearn--tflearn":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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":64,"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":84,"forks":85,"last_commit_at":86,"license":87,"difficulty_score":32,"env_os":74,"env_gpu":88,"env_ram":89,"env_deps":90,"category_tags":94,"github_topics":96,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":102,"updated_at":103,"faqs":104,"releases":135},9312,"tflearn\u002Ftflearn","tflearn","Deep learning library featuring a higher-level API for TensorFlow.","TFLearn 是一个构建在 TensorFlow 之上的模块化深度学习库，旨在通过提供更高级的 API 来简化神经网络的开发与实验流程。它主要解决了原生 TensorFlow 代码繁琐、上手门槛高的问题，让开发者能够用更少的代码快速搭建并训练复杂的深度模型。\n\n这款工具非常适合希望高效进行原型验证的 AI 研究人员、深度学习开发者以及正在学习神经网络的学生。借助 TFLearn，用户可以轻松实现卷积网络、LSTM、残差网络等主流架构，无需深陷底层细节。其核心技术亮点包括高度模块化的内置层与优化器、对多输入多输出模型的强力支持、自动化的多 CPU\u002FGPU 设备分配，以及直观精美的网络结构可视化功能。值得注意的是，TFLearn 在提供便捷封装的同时，保持了对 TensorFlow 的完全透明兼容，所有操作均基于张量构建，用户可随时切换回原生模式进行精细控制。无论是快速复现论文算法，还是开展教学演示，TFLearn 都能让深度学习实践变得更加流畅高效。","[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Ftflearn\u002Ftflearn.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Ftflearn\u002Ftflearn)\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftflearn.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftflearn)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg)](LICENSE)\n[![Join the chat at https:\u002F\u002Fgitter.im\u002Feinsteinsci\u002Fbetterbeginnings](https:\u002F\u002Fbadges.gitter.im\u002Ftflearn\u002Ftflearn.svg)](https:\u002F\u002Fgitter.im\u002Ftflearn\u002Ftflearn?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n\n# TFLearn: Deep learning library featuring a higher-level API for TensorFlow.\n\nTFlearn is a modular and transparent deep learning library built on top of Tensorflow.  It was designed to provide a higher-level API to TensorFlow in order to facilitate and speed-up experimentations, while remaining fully transparent and compatible with it.\n\nTFLearn features include:\n\n- Easy-to-use and understand high-level API for implementing deep neural networks, with tutorial and examples.\n- Fast prototyping through highly modular built-in neural network layers, regularizers, optimizers, metrics...\n- Full transparency over Tensorflow. All functions are built over tensors and can be used independently of TFLearn.\n- Powerful helper functions to train any TensorFlow graph, with support of multiple inputs, outputs and optimizers.\n- Easy and beautiful graph visualization, with details about weights, gradients, activations and more...\n- Effortless device placement for using multiple CPU\u002FGPU.\n\nThe high-level API currently supports most of recent deep learning models, such as Convolutions, LSTM, BiRNN, BatchNorm, PReLU, Residual networks, Generative networks... In the future, TFLearn is also intended to stay up-to-date with latest deep learning techniques.\n\nNote: Latest TFLearn (v0.5) is only compatible with TensorFlow v2.0 and over.\n\n## Overview\n```python\n# Classification\ntflearn.init_graph(num_cores=8, gpu_memory_fraction=0.5)\n\nnet = tflearn.input_data(shape=[None, 784])\nnet = tflearn.fully_connected(net, 64)\nnet = tflearn.dropout(net, 0.5)\nnet = tflearn.fully_connected(net, 10, activation='softmax')\nnet = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')\n\nmodel = tflearn.DNN(net)\nmodel.fit(X, Y)\n```\n\n```python\n# Sequence Generation\nnet = tflearn.input_data(shape=[None, 100, 5000])\nnet = tflearn.lstm(net, 64)\nnet = tflearn.dropout(net, 0.5)\nnet = tflearn.fully_connected(net, 5000, activation='softmax')\nnet = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')\n\nmodel = tflearn.SequenceGenerator(net, dictionary=idx, seq_maxlen=100)\nmodel.fit(X, Y)\nmodel.generate(50, temperature=1.0)\n```\n\nThere are many more examples available *[here](http:\u002F\u002Ftflearn.org\u002Fexamples)*.\n\n## Compatibility\nTFLearn is based on the original tensorflow v1 graph API. When using TFLearn, make sure to import tensorflow that way:\n```\nimport tflearn\nimport tensorflow.compat.v1 as tf\n```\n\n## Installation\n\n**TensorFlow Installation**\n\nTFLearn requires Tensorflow (version 2.0+) to be installed.\n\nTo install TensorFlow, simply run:\n```\npip install tensorflow\n```\nor, with GPU-support:\n```\npip install tensorflow-gpu\n```\n\nFor more details see *[TensorFlow installation instructions](https:\u002F\u002Fwww.tensorflow.org\u002Finstall)*\n\n**TFLearn Installation**\n\nTo install TFLearn, the easiest way is to run\n\nFor the bleeding edge version (recommended):\n```python\npip install git+https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn.git\n```\nFor the latest stable version:\n```python\npip install tflearn\n```\nOtherwise, you can also install from source by running (from source folder):\n```python\npython setup.py install\n```\n\n- For more details, please see the *[Installation Guide](http:\u002F\u002Ftflearn.org\u002Finstallation)*.\n\n## Getting Started\n\nSee *[Getting Started with TFLearn](http:\u002F\u002Ftflearn.org\u002Fgetting_started)* to learn about TFLearn basic functionalities or start browsing *[TFLearn Tutorials](http:\u002F\u002Ftflearn.org\u002Ftutorials)*.\n\n## Examples\n\nThere are many neural network implementation available, see *[Examples](http:\u002F\u002Ftflearn.org\u002Fexamples)*.\n\n## Documentation\n\n[http:\u002F\u002Ftflearn.org\u002Fdoc_index](http:\u002F\u002Ftflearn.org\u002Fdoc_index)\n\n## Model Visualization\n\n**Graph**\n\n![Graph Visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftflearn_tflearn_readme_39514c68226a.png)\n\n**Loss & Accuracy (multiple runs)**\n\n![Loss Visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftflearn_tflearn_readme_8dada0a08328.png)\n\n**Layers**\n\n![Layers Visualization](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftflearn_tflearn_readme_77a9a3582c5c.png)\n\n## Contributions\n\nThis is the first release of TFLearn, if you find any bug, please report it in the GitHub issues section.\n\nImprovements and requests for new features are more than welcome! Do not hesitate to twist and tweak TFLearn, and send pull-requests.\n\nFor more info: *[Contribute to TFLearn](http:\u002F\u002Ftflearn.org\u002Fcontributions)*.\n\n## License\n\nMIT License\n","[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Ftflearn\u002Ftflearn.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Ftflearn\u002Ftflearn)\n[![PyPI版本](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftflearn.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Ftflearn)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-MIT-blue.svg)](LICENSE)\n[![加入聊天 https:\u002F\u002Fgitter.im\u002Feinsteinsci\u002Fbetterbeginnings](https:\u002F\u002Fbadges.gitter.im\u002Ftflearn\u002Ftflearn.svg)](https:\u002F\u002Fgitter.im\u002Ftflearn\u002Ftflearn?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge&utm_content=badge)\n\n# TFLearn：一个具有更高层次 API 的深度学习库，专为 TensorFlow 设计。\n\nTFLearn 是一个基于 TensorFlow 构建的模块化且透明的深度学习库。它旨在为 TensorFlow 提供更高层次的 API，以简化和加速实验过程，同时保持完全透明并与 TensorFlow 完全兼容。\n\nTFLearn 的主要特性包括：\n\n- 易于使用和理解的高级 API，用于实现深度神经网络，并配有教程和示例。\n- 通过高度模块化的内置神经网络层、正则化器、优化器、指标等，实现快速原型设计。\n- 对 TensorFlow 的完全透明性。所有函数都基于张量构建，可以独立于 TFLearn 使用。\n- 强大的辅助函数，用于训练任何 TensorFlow 图，并支持多输入、多输出和多种优化器。\n- 简单美观的图可视化功能，可显示权重、梯度、激活值等详细信息。\n- 轻松实现多 CPU\u002FGPU 设备的自动分配。\n\n目前，高级 API 支持大多数最新的深度学习模型，例如卷积神经网络、LSTM、BiRNN、批归一化、PReLU、残差网络、生成对抗网络等。未来，TFLearn 还将继续紧跟最新的深度学习技术发展。\n\n注意：最新版 TFLearn（v0.5）仅兼容 TensorFlow v2.0 及以上版本。\n\n## 概述\n```python\n# 分类任务\ntflearn.init_graph(num_cores=8, gpu_memory_fraction=0.5)\n\nnet = tflearn.input_data(shape=[None, 784])\nnet = tflearn.fully_connected(net, 64)\nnet = tflearn.dropout(net, 0.5)\nnet = tflearn.fully_connected(net, 10, activation='softmax')\nnet = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')\n\nmodel = tflearn.DNN(net)\nmodel.fit(X, Y)\n```\n\n```python\n# 序列生成任务\nnet = tflearn.input_data(shape=[None, 100, 5000])\nnet = tflearn.lstm(net, 64)\nnet = tflearn.dropout(net, 0.5)\nnet = tflearn.fully_connected(net, 5000, activation='softmax')\nnet = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')\n\nmodel = tflearn.SequenceGenerator(net, dictionary=idx, seq_maxlen=100)\nmodel.fit(X, Y)\nmodel.generate(50, temperature=1.0)\n```\n\n更多示例请参见 *[这里](http:\u002F\u002Ftflearn.org\u002Fexamples)*。\n\n## 兼容性\nTFLearn 基于原始的 TensorFlow v1 图 API。使用 TFLearn 时，请确保以以下方式导入 TensorFlow：\n```\nimport tflearn\nimport tensorflow.compat.v1 as tf\n```\n\n## 安装\n\n**TensorFlow 安装**\n\nTFLearn 需要安装 TensorFlow（版本 2.0 及以上）。\n\n安装 TensorFlow 的命令如下：\n```\npip install tensorflow\n```\n或者，如果需要 GPU 支持：\n```\npip install tensorflow-gpu\n```\n\n更多详情请参阅 *[TensorFlow 安装说明](https:\u002F\u002Fwww.tensorflow.org\u002Finstall)*。\n\n**TFLearn 安装**\n\n安装 TFLearn 最简单的方式是运行：\n\n对于最新开发版本（推荐）：\n```python\npip install git+https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn.git\n```\n\n对于最新稳定版本：\n```python\npip install tflearn\n```\n\n此外，您也可以从源代码进行安装，方法是在源代码目录下运行：\n```python\npython setup.py install\n```\n\n- 更多详细信息请参阅 *[安装指南](http:\u002F\u002Ftflearn.org\u002Finstallation)*。\n\n## 快速入门\n\n请参阅 *[TFLearn 快速入门](http:\u002F\u002Ftflearn.org\u002Fgetting_started)*，了解 TFLearn 的基本功能，或浏览 *[TFLearn 教程](http:\u002F\u002Ftflearn.org\u002Ftutorials)*。\n\n## 示例\n\n有许多神经网络实现可供参考，请参阅 *[示例](http:\u002F\u002Ftflearn.org\u002Fexamples)*。\n\n## 文档\n\n[http:\u002F\u002Ftflearn.org\u002Fdoc_index](http:\u002F\u002Ftflearn.org\u002Fdoc_index)\n\n## 模型可视化\n\n**图结构**\n\n![图结构可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftflearn_tflearn_readme_39514c68226a.png)\n\n**损失与准确率（多次运行）**\n\n![损失与准确率可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftflearn_tflearn_readme_8dada0a08328.png)\n\n**各层可视化**\n\n![各层可视化](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftflearn_tflearn_readme_77a9a3582c5c.png)\n\n## 贡献\n\n这是 TFLearn 的首个发布版本，如果您发现任何问题，请在 GitHub 的 Issues 栏目中提交报告。\n\n我们非常欢迎改进意见和新功能请求！请随时对 TFLearn 进行修改和调整，并提交 Pull Request。\n\n更多信息请参阅 *[贡献 TFLearn](http:\u002F\u002Ftflearn.org\u002Fcontributions)*。\n\n## 许可证\n\nMIT 许可证","# TFLearn 快速上手指南\n\nTFLearn 是一个构建在 TensorFlow 之上的模块化深度学习库，旨在提供更高阶的 API，以简化实验流程并加速原型开发。它完全兼容 TensorFlow，支持多种主流深度学习模型（如 CNN、LSTM、ResNet 等）。\n\n> **注意**：最新版 TFLearn (v0.5+) 仅兼容 **TensorFlow v2.0** 及以上版本。由于 TFLearn 基于 TF v1 的 Graph API 设计，在代码中需使用兼容模式导入 TensorFlow。\n\n## 环境准备\n\n- **操作系统**：Linux, macOS, Windows\n- **Python 版本**：Python 3.6+\n- **前置依赖**：\n  - TensorFlow >= 2.0\n  - NumPy\n  - Six\n\n## 安装步骤\n\n### 1. 安装 TensorFlow\n\n推荐使用国内镜像源（如清华源）加速安装：\n\n```bash\npip install tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n若需 GPU 支持（确保已安装 CUDA 和 cuDNN）：\n\n```bash\npip install tensorflow-gpu -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装 TFLearn\n\n**推荐安装最新开发版**（功能最全）：\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn.git -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**或安装稳定版**：\n\n```bash\npip install tflearn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**源码安装**（可选）：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn.git\ncd tflearn\npython setup.py install\n```\n\n## 基本使用\n\nTFLearn 的核心优势在于简洁的高阶 API。以下是一个最简单的全连接神经网络分类示例：\n\n```python\nimport tflearn\nimport tensorflow.compat.v1 as tf\n\n# 初始化图形（可选配置 CPU\u002FGPU）\ntflearn.init_graph(num_cores=8, gpu_memory_fraction=0.5)\n\n# 构建网络\nnet = tflearn.input_data(shape=[None, 784])\nnet = tflearn.fully_connected(net, 64)\nnet = tflearn.dropout(net, 0.5)\nnet = tflearn.fully_connected(net, 10, activation='softmax')\nnet = tflearn.regression(net, optimizer='adam', loss='categorical_crossentropy')\n\n# 创建模型并训练\nmodel = tflearn.DNN(net)\nmodel.fit(X, Y)\n```\n\n**关键点说明**：\n- 必须使用 `import tensorflow.compat.v1 as tf` 以确保兼容性。\n- `tflearn.input_data` 定义输入层形状。\n- `tflearn.DNN` 封装训练逻辑，支持一键拟合数据。\n- 内置支持 Dropout、BatchNorm、LSTM 等常用层，调用方式类似上述示例。\n\n更多复杂模型（如序列生成、卷积网络）可参考官方 Examples 文档。","某初创公司的算法工程师需要在两周内构建一个基于 LSTM 的文本生成原型，以验证新产品的可行性。\n\n### 没有 tflearn 时\n- 开发者必须手动编写大量 TensorFlow 底层代码来定义变量占位符、初始化会话及管理复杂的计算图连接，开发效率极低。\n- 在尝试不同网络结构（如调整 LSTM 层数或添加 Dropout）时，需要反复修改冗长的样板代码，导致实验迭代周期长达数天。\n- 缺乏内置的高级封装，实现多输入输出模型或自定义优化器时容易出错，调试梯度消失或张量形状不匹配问题耗费大量精力。\n- 难以快速可视化网络内部的权重分布和激活状态，只能依赖外部工具拼凑监控方案，无法直观判断模型收敛情况。\n\n### 使用 tflearn 后\n- 利用 tflearn 提供的高层 API，仅需几行代码即可通过 `input_data`、`lstm` 和 `fully_connected` 等模块化组件搭建完整网络，无需关注底层会话管理。\n- 借助高度模块化的内置层和正则化选项，工程师能在几分钟内完成从单层到深层残差网络的结构切换，将实验迭代速度提升至小时级。\n- 调用 `tflearn.DNN` 或 `SequenceGenerator` 等强力辅助函数，轻松支持多优化器配置与复杂数据流，显著降低了构建序列生成模型的门槛。\n- 直接使用内置的美观图表功能，实时查看权重、梯度及激活值的详细变化，快速定位训练瓶颈并优化超参数。\n\ntflearn 通过将繁琐的底层细节封装为简洁接口，让开发者能专注于模型逻辑创新，从而在极短时间内完成从概念验证到原型落地的跨越。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftflearn_tflearn_8dada0a0.png","TFLearn","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftflearn_190afada.png","",null,"aymeric.damien@gmail.com","http:\u002F\u002Ftflearn.org","https:\u002F\u002Fgithub.com\u002Ftflearn",[80],{"name":81,"color":82,"percentage":83},"Python","#3572A5",100,9590,2375,"2026-04-11T17:36:58","NOASSERTION","非必需。支持多 GPU\u002FCPU 自动放置。若需 GPU 加速，需安装 tensorflow-gpu（具体显卡型号、显存及 CUDA 版本取决于所安装的 TensorFlow 版本要求，文中未明确指定）。","未说明",{"notes":91,"python":89,"dependencies":92},"最新版本的 TFLearn (v0.5) 仅兼容 TensorFlow v2.0 及以上版本。虽然基于 TF v2 安装，但其内部仍使用 TF v1 的图 API，因此导入 TensorFlow 时需使用兼容模式：'import tensorflow.compat.v1 as tf'。",[93],"tensorflow>=2.0",[14,95,16],"其他",[64,97,98,99,100,101],"tensorflow","neural-network","deep-learning","machine-learning","data-science","2026-03-27T02:49:30.150509","2026-04-19T06:01:41.497057",[105,110,115,120,125,130],{"id":106,"question_zh":107,"answer_zh":108,"source_url":109},41782,"如何在 TFLearn 中定义自定义损失函数（例如 CTC Loss）？","可以通过定义一个符合 TFLearn 签名的 Python 函数来实现。以下是一个自定义 CTC Loss 的示例代码：\n\ndef ctc_loss(y_pred, y_true):\n    with tf.name_scope(\"CTCLoss\"):\n        indices = tf.where(tf.not_equal(y_true, tf.constant(0, dtype=y_true.dtype)))\n        values = tf.gather_nd(y_true, indices)\n        shape = tf.shape(y_true, out_type=tf.int64)\n        sparse_y_true = tf.SparseTensor(\n            indices,\n            values,\n            shape\n        )\n        return tf.nn.ctc_loss(inputs=y_pred, labels=sparse_y_true, sequence_length=320)\n\n将该函数传递给模型训练配置即可使用。","https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn\u002Fissues\u002F72",{"id":111,"question_zh":112,"answer_zh":113,"source_url":114},41783,"如何保存 TFLearn 模型并在之后加载以进行重新训练或推理？","使用 model.save('path\u002Fto\u002Fmodel') 保存模型。加载时，如果遇到 NotFoundError，尝试在 model.load() 中添加 weights_only=True 参数。示例代码如下：\n\n# 保存\nmodel.save('..\u002Fmodels\u002Fmy_model')\n\n# 加载（推荐加上 weights_only=True）\nmodel.load('..\u002Fmodels\u002Fmy_model', weights_only=True)\n\n如果仍然报错，请检查路径是否正确（建议使用绝对路径），并确保输入层结构和类别数量与保存时一致。","https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn\u002Fissues\u002F39",{"id":116,"question_zh":117,"answer_zh":118,"source_url":119},41784,"导入 tflearn 时报错 'AttributeError: module 'pandas' has no attribute 'computation'' 如何解决？","该错误通常是由于 pandas 或 dask 版本不兼容导致的。解决方案是升级 dask 库。\n\n如果你使用 pip：\npip install dask --upgrade\n\n如果你使用 Anaconda\u002Fconda：\nconda upgrade dask\n\n执行完升级后重启 Python 环境即可解决该导入错误。","https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn\u002Fissues\u002F766",{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},41785,"如何在 TFLearn 中结合 CNN 和 LSTM 处理图像序列分类任务？","可以采用“卷积层提取特征 + LSTM 处理时序”的架构。具体步骤如下：\n1. 使用 Conv 和 Max Pooling 层处理单帧图像。\n2. 将输出展平（Flatten）或重塑（Reshape）。\n3. 输入数据形状需要从 (batch_size, height, width, depth) 转换为适合 LSTM 的 (batch_size, sequence_length, input_size)，其中 input_size 通常是 height * width * depth 或全连接层的输出维度。\n4. 接入 LSTM 层进行序列建模，最后接 SoftMax 进行分类。\n\n这种架构常用于视频分类、唇语识别或基于图像序列的行为分析。","https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn\u002Fissues\u002F387",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},41786,"运行双向 LSTM (Bidirectional LSTM) 示例时出现 'Shape must have rank at least 3' 错误怎么办？","该错误表明输入数据的维度不符合 RNN 层的要求。LSTM 层期望的输入形状至少为 3 维：(batch_size, sequence_length, input_dim)。\n\n解决方法：\n1. 检查输入数据形状，确保不是 2 维 (batch_size, features)。\n2. 如果处理的是序列数据，确保数据已正确 reshape 为 3 维。\n3. 如果是单步输入被误当作序列处理，可能需要增加一个维度，例如使用 np.expand_dims(data, axis=1)。\n4. 确认代码中是否在 LSTM 之前正确设置了输入占位符的形状。","https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn\u002Fissues\u002F818",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},41787,"在使用 TFLearn 训练 LSTM 处理 GloVe 词嵌入时遇到索引错误或崩溃，常见原因是什么？","此类问题通常由以下原因引起：\n1. 数据预处理不当：确保词索引与嵌入矩阵维度匹配，且没有超出范围的索引值。\n2. 输入形状错误：LSTM 需要 3 维输入 (batch_size, sequence_length, embedding_dim)。\n3. 代码不可复现：提交问题时尽量提供文本格式的代码片段而非截图，以便他人排查具体的索引逻辑错误。\n\n建议检查数据加载部分的索引映射逻辑，并打印出输入张量的 shape 以确认维度正确。","https:\u002F\u002Fgithub.com\u002Ftflearn\u002Ftflearn\u002Fissues\u002F89",[136,141,146,151,156,161,166,171],{"id":137,"version":138,"summary_zh":139,"released_at":140},333847,"0.5.0","重大变更：\n- 支持 TensorFlow 2.3.0\n- 重构源代码以使用 tf.compat.v1\n\n次要变更：\n- 更新文档\n- 修复多个 bug","2020-11-11T19:26:11",{"id":142,"version":143,"summary_zh":144,"released_at":145},333848,"0.3.2","重大变更：\n- 支持 TensorFlow 1.2.0\n\n次要变更：\n- GAN 和 DCGAN 示例\n- SELU 激活函数\n- 加权交叉熵\n- 多处错误修复","2017-06-18T01:58:39",{"id":147,"version":148,"summary_zh":149,"released_at":150},333849,"0.3.1","小幅改进：\n- 支持分组卷积（深度可分离卷积）。\n- 新增变分自编码器和 ResNeXt 示例。\n- 新优化器。\n- 新激活函数。\n- 多处错误修复。","2017-05-18T17:45:26",{"id":152,"version":153,"summary_zh":154,"released_at":155},333850,"0.3.0","重大变更：\n- 兼容 TensorFlow 1.0\n\n次要变更：\n- 文档重构。\n- Inception-ResNet-v2 示例。\n- CIFAR-100 数据集。\n- 增加了时间监控功能。\n- 修复了多个 bug。","2017-02-20T17:09:58",{"id":157,"version":158,"summary_zh":159,"released_at":160},333851,"0.2.2","- 支持三维卷积操作\n- 新增层：TimeDistributed、L2归一化\n- RNN 支持批归一化\n- 增加保存最佳模型的选项\n- 序列到序列和强化学习示例\n- 初学者教程\n- 其他小幅改动\n- 多处错误修复\n","2016-08-11T03:37:49",{"id":162,"version":163,"summary_zh":164,"released_at":165},333852,"0.2.1","- 多处错误修复\n- 残差网络的最先进结果\n- FCN 目标函数与 Upscore 层\n","2016-06-10T05:50:50",{"id":167,"version":168,"summary_zh":169,"released_at":170},333853,"0.2.0","重大更新：\n- DataFlow：用于加速计算的数据流水线。\n- 数据增强和数据预处理支持。\n- 层现在支持将任意自定义函数作为参数。\n- 基础测试。\n- 高速网络架构。\n- AUC目标函数。\n- 新示例。\n\n次要更新：\n- 残差网络修复。\n- 笔记本显示问题修复。\n- 数据集修复。\n- 各种其他错误修复。\n- 更多异常处理。","2016-05-31T08:02:04",{"id":172,"version":173,"summary_zh":174,"released_at":175},333854,"0.1.0","初始发布\n","2016-05-31T08:03:06"]