[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-timomernick--pytorch-capsule":3,"tool-timomernick--pytorch-capsule":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":84,"last_commit_at":86,"license":78,"difficulty_score":23,"env_os":87,"env_gpu":88,"env_ram":88,"env_deps":89,"category_tags":93,"github_topics":78,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":94,"updated_at":95,"faqs":96,"releases":126},1362,"timomernick\u002Fpytorch-capsule","pytorch-capsule","Pytorch implementation of Hinton's Dynamic Routing Between Capsules","pytorch-capsule 把 Hinton 提出的“胶囊网络”用 PyTorch 重新实现了一遍。传统卷积网络在识别物体姿态、角度变化时容易出错，而胶囊网络通过“动态路由”机制，把特征封装成一个个“胶囊”，能更好地保留空间层级关系，从而提升对形变、遮挡的鲁棒性。只需一行 python main.py 即可在 MNIST 上跑通实验，代码结构清晰，方便二次开发。它适合想用 PyTorch 快速验证胶囊网络想法的研究人员、深度学习课程师生，以及想把胶囊思想迁移到自家任务的算法工程师。","# pytorch-capsule\n\nA Pytorch implementation of Hinton's \"Dynamic Routing Between Capsules\".\n\nhttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.09829.pdf\n\nThanks to @naturomics for his Tensorflow implementation which was a useful guide and sanity check.  https:\u002F\u002Fgithub.com\u002Fnaturomics\u002FCapsNet-Tensorflow\n\nTo use:\n\n```$ python main.py```\n","# PyTorch-Capsule\n\nHinton提出的“胶囊间动态路由”算法在 PyTorch 中的实现。\n\nhttps:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.09829.pdf\n\n感谢 @naturomics 提供的 TensorFlow 实现，该实现既提供了有用的指导，又起到了验证作用。https:\u002F\u002Fgithub.com\u002Fnaturomics\u002FCapsNet-Tensorflow\n\n使用方法：\n```$ python main.py```","# pytorch-capsule 快速上手指南\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**：建议 Python 3.6 及以上\n- **核心依赖**：\n  - PyTorch (推荐最新稳定版)\n  - torchvision\n  - NumPy\n\n> **国内加速建议**：安装依赖时推荐使用清华或阿里镜像源，以提升下载速度。\n> 例如：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003C包名>`\n\n## 安装步骤\n\n1. 克隆项目代码到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fyour-repo\u002Fpytorch-capsule.git\n   cd pytorch-capsule\n   ```\n\n2. 安装必要的 Python 依赖包（使用国内镜像加速）：\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch torchvision numpy\n   ```\n   *(注：如果项目根目录包含 `requirements.txt`，也可运行 `pip install -r requirements.txt`)*\n\n## 基本使用\n\n该项目实现了 Hinton 提出的“胶囊网络动态路由算法”。完成安装后，可直接运行主脚本启动训练或测试流程。\n\n在项目根目录下执行以下命令：\n\n```bash\npython main.py\n```\n\n运行后，程序将自动加载默认配置并开始处理数据（具体行为取决于 `main.py` 内部的默认参数设置）。","某医疗影像实验室的研究团队正致力于开发一套能精准识别早期肺部微小结节的辅助诊断系统，以解决传统模型在复杂背景下的误判问题。\n\n### 没有 pytorch-capsule 时\n- 团队依赖传统卷积神经网络（CNN），模型虽然能检测结节存在，但无法有效捕捉结节的空间姿态和层级关系，导致对旋转或变形结节的识别率低下。\n- 为了提升鲁棒性，工程师不得不花费数周时间手动构建庞大的数据增强流水线，模拟各种角度和形变，却依然难以覆盖所有临床真实场景。\n- 模型经常将血管横截面等具有相似纹理的背景噪声误判为病灶，因为 CNN 的池化操作丢失了关键的局部空间信息，缺乏“部分 - 整体”的逻辑验证机制。\n- 调试过程中，团队需从零复现 Hinton 论文中复杂的动态路由算法，数学推导繁琐且极易出错，严重拖慢了实验迭代进度。\n\n### 使用 pytorch-capsule 后\n- 直接集成 pytorch-capsule 实现的胶囊网络，模型天然具备空间不变性，无需大量数据增强即可精准识别不同姿态的微小结节，显著提升了泛化能力。\n- 借助动态路由机制，系统能够自动验证局部特征（如边缘、纹理）是否组合成了合理的整体结构（结节），大幅降低了将血管噪声误判为病灶的概率。\n- 研究人员不再需要从头编写底层路由逻辑，只需调用成熟模块即可快速搭建原型，将原本数周的算法复现时间缩短至几天，专注于业务逻辑优化。\n- 模型在保持高准确率的同时参数量更可控，推理过程更加透明，医生能更信任系统输出的诊断建议，加速了临床落地进程。\n\npytorch-capsule 通过引入动态路由机制，让医疗影像分析从单纯的“纹理匹配”升级为具备空间逻辑理解的智能诊断，从根本上解决了复杂场景下的误判难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftimomernick_pytorch-capsule_d194d937.png","timomernick","Tim Omernick","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftimomernick_31151c58.png",null,"https:\u002F\u002Fgithub.com\u002Ftimomernick",[81],{"name":82,"color":83,"percentage":84},"Python","#3572A5",100,630,"2025-11-11T03:34:03","","未说明",{"notes":90,"python":88,"dependencies":91},"README 内容极其简略，仅提供了运行命令'python main.py'和论文链接。未明确列出具体的操作系统、硬件配置（GPU\u002F内存）、Python 版本或详细的依赖库版本要求。作为 PyTorch 实现，隐含需要安装 PyTorch 环境，具体版本需参考代码中的 import 语句或额外的 requirements 文件（如有）。",[92],"pytorch",[14,13],"2026-03-27T02:49:30.150509","2026-04-06T06:45:54.083972",[97,102,107,112,117,122],{"id":98,"question_zh":99,"answer_zh":100,"source_url":101},6238,"运行代码时出现 TypeError: torch.FloatTensor constructor received an invalid combination of arguments (float, int) 错误，如何解决？","这是 Python 3 中整数除法返回浮点数导致的类型不匹配问题。在 `capsule_network.py` 文件中，找到构建 `nn.Linear` 层的代码，将涉及除法的维度计算显式转换为整数。例如，将 `(reconstruction_size * 2) \u002F 3` 修改为 `int(reconstruction_size * 2) \u002F\u002F 3` 或确保整个表达式结果为 int 类型。该问题已在提交 b193a4c834b3e2d52f29d1d141dce681c7e61b7e 中修复。","https:\u002F\u002Fgithub.com\u002Ftimomernick\u002Fpytorch-capsule\u002Fissues\u002F5",{"id":103,"question_zh":104,"answer_zh":105,"source_url":106},6239,"遇到 TypeError: sum() got an unexpected keyword argument 'keepdim' 错误怎么办？","该错误通常是由于 PyTorch 版本过旧（早于 0.2 版本）导致的，旧版本不支持 `torch.sum` 的 `keepdim` 参数。请升级 PyTorch 到 0.2 或更高版本。可以使用命令 `pip install --upgrade torch` 进行更新。","https:\u002F\u002Fgithub.com\u002Ftimomernick\u002Fpytorch-capsule\u002Fissues\u002F3",{"id":108,"question_zh":109,"answer_zh":110,"source_url":111},6240,"如何在 SVHN 数据集上运行此代码？遇到报错如何处理？","SVHN 数据集默认是 3 通道（RGB）图像，而该模型架构默认配置为接受 1 通道（灰度）输入（如 MNIST）。报错通常是因为通道数不匹配。解决方法是将输入图像转换为灰度图，或者修改模型的第一层卷积层 (`conv1`) 以接受 3 通道输入。在使用 `datasets.SVHN` 加载数据时，确保 `transform` 中包含将图像转为灰度的操作（如 `transforms.Grayscale()`），或者相应调整网络结构中的输入通道参数。","https:\u002F\u002Fgithub.com\u002Ftimomernick\u002Fpytorch-capsule\u002Fissues\u002F9",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},6241,"重构损失（reconstruct loss）代码中的掩码（masking）逻辑是否正确？是否存在重复赋值问题？","是的，原始代码在批处理维度上存在索引赋值重复的问题。原代码 `masked[:,v_max_index] = input[:,v_max_index]` 可能导致每个样本的多个向量被错误赋值。正确的做法是确保每个批次样本仅保留其对应最大长度胶囊的活性向量，其余置零。维护者已确认该问题并进行了修复，修复后的逻辑确保对于批次中的每个样本，只有一个胶囊向量是非零的（即正确类别的胶囊），其他 15 个向量均为零。","https:\u002F\u002Fgithub.com\u002Ftimomernick\u002Fpytorch-capsule\u002Fissues\u002F2",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},6242,"Capsule Layer 中的 softmax 维度设置是否正确？应该在哪个维度上进行 softmax？","根据原始论文，耦合系数 $c_{ij}$ 应该在 \"j\" 维度（输出胶囊维度）上进行 softmax，而不是默认的 \"i\" 维度（输入通道）。虽然实验表明两种设置在收敛速度上差异不大，但原始设置若不固定 $b_{ij}$ 的均值会导致训练极不稳定。如果需要严格遵循论文或解决不稳定性问题，可以将代码 `c_ij = F.softmax(b_ij)` 修改为 `c_ij = F.softmax(b_ij.transpose(1, 2)).transpose(1, 2)`，从而在正确的维度上执行 softmax 操作。","https:\u002F\u002Fgithub.com\u002Ftimomernick\u002Fpytorch-capsule\u002Fissues\u002F7",{"id":123,"question_zh":124,"answer_zh":125,"source_url":121},6243,"为什么在不固定 $b_{ij}$ 均值的情况下训练会变得不稳定？","如果不固定数字系数（即 $b_{ij}$ 的均值），训练过程会变得极不稳定，即使使用非常小的学习率（\u003C1e-4）也难以收敛。这通常被认为是由于 $b_{ij}$ 的范数过大导致的。相比之下，某些替代设置（如转置 softmax）表现更好，可能是因为它们隐含地规范了权重分布，避免了零范数胶囊对错误目标类别获得高权重的情况，从而提高了训练的稳定性。",[]]