[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-tkipf--keras-gcn":3,"similar-tkipf--keras-gcn":77},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":17,"owner_location":18,"owner_email":17,"owner_twitter":17,"owner_website":19,"owner_url":20,"languages":21,"stars":26,"forks":27,"last_commit_at":28,"license":29,"difficulty_score":30,"env_os":31,"env_gpu":31,"env_ram":31,"env_deps":32,"category_tags":38,"github_topics":17,"view_count":41,"oss_zip_url":17,"oss_zip_packed_at":17,"status":42,"created_at":43,"updated_at":44,"faqs":45,"releases":76},55,"tkipf\u002Fkeras-gcn","keras-gcn","Keras implementation of Graph Convolutional Networks","keras-gcn 是一个基于 Keras 框架实现的图卷积网络（Graph Convolutional Networks）开源库。它专注于解决图结构数据上的深度学习问题，特别是半监督分类任务。通过封装复杂的图卷积操作，keras-gcn 让开发者能够更便捷地构建和训练处理网络结构数据的模型。\n\n这款项目适合人工智能研究人员、深度学习工程师以及需要处理社交网络、引用网络等图数据的技术人员使用。依托 Keras 的高级 API 特性，keras-gcn 简化了模型搭建流程，支持 TensorFlow 或 Theano 后端，降低了图神经网络的应用门槛。\n\n技术层面，keras-gcn 基于 Thomas Kipf 等人在 ICLR 2017 提出的经典理论，提供了清晰的代码实现。虽然初始化方案和数据处理细节与原论文 TensorFlow 版本有所不同，不完全旨在复现实验结果，但作为学习 GCN 原理及快速验证想法的工具，它依然具有很高的实用价值。安装简单，只需运行 setup.py 即可集成到现有 Keras 环境中，是探索图深度学习领域的得力助手。","Deep Learning on Graphs with Keras\n====\n\nKeras-based implementation of graph convolutional networks for semi-supervised classification.\n\nThomas N. Kipf, Max Welling, [Semi-Supervised Classification with Graph Convolutional Networks](http:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907) (ICLR 2017)\n\nFor a high-level explanation, have a look at our blog post:\n\nThomas Kipf, [Graph Convolutional Networks](http:\u002F\u002Ftkipf.github.io\u002Fgraph-convolutional-networks\u002F) (2016)\n\n**NOTE: This code is not intended to reproduce the experiments from the paper as the initialization scheme, dropout scheme, and dataset splits differ from the original implementation in TensorFlow: https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fgcn**\n\nInstallation\n------------\n\n```python setup.py install```\n\nDependencies\n-----\n\n  * keras (1.0.9 or higher)\n  * TensorFlow or Theano\n\nUsage\n-----\n\n```python train.py```\n\nDataset reference (Cora)\n----------\n\n[Sen et al., Collective Classification in Network Data, AI Magazine 2008](http:\u002F\u002Flinqs.cs.umd.edu\u002Fprojects\u002Fprojects\u002Flbc\u002F)\n\n\n## Cite\n\nPlease cite our paper if you use this code in your own work:\n\n```\n@inproceedings{kipf2017semi,\n  title={Semi-Supervised Classification with Graph Convolutional Networks},\n  author={Kipf, Thomas N. and Welling, Max},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2017}\n}\n```\n","基于 Keras 的图深度学习\n====\n\n用于半监督分类 (Semi-supervised classification) 的图卷积网络 (Graph Convolutional Networks) 的 Keras 实现。\n\nThomas N. Kipf, Max Welling, [Semi-Supervised Classification with Graph Convolutional Networks](http:\u002F\u002Farxiv.org\u002Fabs\u002F1609.02907) (ICLR 2017)\n\n对于高层解释，请参阅我们的博客文章：\n\nThomas Kipf, [Graph Convolutional Networks](http:\u002F\u002Ftkipf.github.io\u002Fgraph-convolutional-networks\u002F) (2016)\n\n**注意：本代码并非旨在复现论文中的实验，因为初始化方案 (Initialization scheme)、Dropout 方案 (Dropout scheme) 和数据集划分 (Dataset splits) 与 TensorFlow 中的原始实现不同：https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fgcn**\n\n安装\n------------\n\n```python setup.py install```\n\n依赖\n-----\n\n  * Keras (1.0.9 或更高版本)\n  * TensorFlow 或 Theano\n\n用法\n-----\n\n```python train.py```\n\n数据集参考 (Cora)\n----------\n\n[Sen et al., Collective Classification in Network Data, AI Magazine 2008](http:\u002F\u002Flinqs.cs.umd.edu\u002Fprojects\u002Fprojects\u002Flbc\u002F)\n\n\n## 引用\n\n如果您在自己的工作中使用了本代码，请引用我们的论文：\n\n```\n@inproceedings{kipf2017semi,\n  title={Semi-Supervised Classification with Graph Convolutional Networks},\n  author={Kipf, Thomas N. and Welling, Max},\n  booktitle={International Conference on Learning Representations (ICLR)},\n  year={2017}\n}\n```","# keras-gcn 快速上手指南\n\n本项目是基于 Keras 实现的图卷积网络（GCN），主要用于半监督分类任务。\n\n## 环境准备\n\n请确保您的开发环境满足以下依赖要求：\n\n*   **keras**：版本 1.0.9 或更高\n*   **后端引擎**：TensorFlow 或 Theano\n\n> **提示**：国内用户安装依赖时建议使用国内镜像源（如清华源）以加速下载。\n\n## 安装步骤\n\n下载项目代码后，在终端进入项目根目录，执行以下命令进行安装：\n\n```bash\npython setup.py install\n```\n\n## 基本使用\n\n安装完成后，可直接运行训练脚本启动默认任务（使用 Cora 数据集）：\n\n```bash\npython train.py\n```","某高校实验室团队正在开发学术文献自动分类系统，希望利用论文间的引用关系网络，挖掘未标注论文的主题类别。\n\n### 没有 keras-gcn 时\n- 需要从零编写图卷积层代码，底层 TensorFlow 操作复杂且容易出错\n- 难以与现有的 Keras 模型架构无缝衔接，后续维护成本极高\n- 半监督学习流程需手动设计，标签传播逻辑实现困难且不稳定\n- 调试图结构数据输入格式耗费大量开发时间，模型迭代速度慢\n- 缺乏参考实现，复现经典 GCN 算法需要查阅大量底层文档\n\n### 使用 keras-gcn 后\n- 直接调用封装好的图卷积网络层，无需重复造轮子，开发效率倍增\n- 完美兼容 Keras 生态，可快速嵌入现有深度学习流水线进行训练\n- 内置半监督分类逻辑，显著降低算法实现门槛，专注业务逻辑\n- 支持标准数据集格式，大幅缩短数据预处理周期，快速验证想法\n- 基于经典论文实现，提供了可靠的基线模型，便于后续优化对比\n\nkeras-gcn 将复杂的图神经网络算法封装为熟悉的 Keras 接口，让研究人员能专注于数据价值而非底层实现。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftkipf_keras-gcn_d936278a.png","tkipf","Thomas Kipf","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftkipf_350bb284.jpg",null,"Amsterdam","http:\u002F\u002Ftkipf.github.io","https:\u002F\u002Fgithub.com\u002Ftkipf",[22],{"name":23,"color":24,"percentage":25},"Python","#3572A5",100,794,265,"2025-12-26T17:12:27","MIT",3,"未说明",{"notes":33,"python":31,"dependencies":34},"注意：此代码不用于复现论文实验，因初始化方案、dropout 方案及数据集划分与原始 TensorFlow 实现不同。数据集参考 Cora。安装命令为 python setup.py install。",[35,36,37],"keras>=1.0.9","TensorFlow","Theano",[39,40],"开发框架","其他",8,"ready","2026-03-27T02:49:30.150509","2026-04-11T18:33:06.251165",[46,51,56,61,66,71],{"id":47,"question_zh":48,"answer_zh":49,"source_url":50},39,"使用 TensorFlow 后端运行 train.py 时出现维度不匹配错误（Dimensions must be equal）怎么办？","这是一个已知问题，已通过特定 commit 修复。如果在运行 GraphConvolution 层时遇到输入形状不匹配（如 [?,4299] 和 [1433,16]），请确保代码已更新。此外，如果将 FILTER 方法从 'localpool' 更改为 'chebyshev' 时再次出现此错误，也需要同步更新代码以应用修复。","https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fkeras-gcn\u002Fissues\u002F26",{"id":52,"question_zh":53,"answer_zh":54,"source_url":55},40,"运行 train.py 时报 KeyError: 'phase_train' 错误如何解决？","需要在 train.py 文件的 placeholders 定义中显式添加 phase_train 占位符。具体代码为：'phase_train': tf.placeholder(tf.int32)。另外，Windows + Anaconda 环境可能存在路径配置问题，建议在 UNIX 系统运行，或仔细检查 Python 路径及包安装配置。","https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fkeras-gcn\u002Fissues\u002F17",{"id":57,"question_zh":58,"answer_zh":59,"source_url":60},41,"运行 train.py 出现 MatMul 维度错误（如 16 和 1432）且无法检测到 utils 模块怎么办？","该维度错误已在 PR #10 中修复。请确保重新安装最新的代码包，用户反馈忘记重新安装会导致错误依旧存在。对于模块检测问题，请熟悉当前环境的包安装路径或将包添加到 Python path 中。","https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fkeras-gcn\u002Fissues\u002F6",{"id":62,"question_zh":63,"answer_zh":64,"source_url":65},42,"默认训练过程中出现 Infinity Loss (inf\u002Fnan) 是什么原因？","这是由于 log 计算中遇到零值导致的除以零错误（divide by zero encountered in log）。该问题已通过 PR #10 修复。维护者还计划修复 Theano 兼容性以消除大部分此类问题，建议更新代码到最新版本。","https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fkeras-gcn\u002Fissues\u002F11",{"id":67,"question_zh":68,"answer_zh":69,"source_url":70},43,"如何使用 GCN 进行回归任务？输入数据形状应该如何设置？","对于回归任务，X 和 Y 的形状应为 [节点数，特征数]（例如 [118, 36000]），而不是 [样本数，节点数]。拉普拉斯矩阵应作为包含 6 个独立对象（形状 [118, 118]）的列表传入，而不是拼接后的对象。请避免将 Chebyshev 基算子列表在某处拼接。","https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fkeras-gcn\u002Fissues\u002F13",{"id":72,"question_zh":73,"answer_zh":74,"source_url":75},44,"使用 Chebyshev 滤波器（filter='chebyshev'）训练时报维度错误怎么办？","默认滤波器（localpool）通常能正常工作，但切换到 Chebyshev 方式时若出现维度不匹配错误（如 4299 和 1433），通常是因为代码版本过旧。参考同类问题（如 Issue #26），请确保应用了相关的修复补丁或更新到最新代码版本。","https:\u002F\u002Fgithub.com\u002Ftkipf\u002Fkeras-gcn\u002Fissues\u002F28",[],[78,89,97,107,115,124],{"id":79,"name":80,"github_repo":81,"description_zh":82,"stars":83,"difficulty_score":30,"last_commit_at":84,"category_tags":85,"status":42},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,"2026-04-06T06:32:30",[86,39,87,88],"Agent","图像","数据工具",{"id":90,"name":91,"github_repo":92,"description_zh":93,"stars":94,"difficulty_score":30,"last_commit_at":95,"category_tags":96,"status":42},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",[39,87,86],{"id":98,"name":99,"github_repo":100,"description_zh":101,"stars":102,"difficulty_score":103,"last_commit_at":104,"category_tags":105,"status":42},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",150037,2,"2026-04-10T23:33:47",[39,86,106],"语言模型",{"id":108,"name":109,"github_repo":110,"description_zh":111,"stars":112,"difficulty_score":103,"last_commit_at":113,"category_tags":114,"status":42},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",[39,87,86],{"id":116,"name":117,"github_repo":118,"description_zh":119,"stars":120,"difficulty_score":103,"last_commit_at":121,"category_tags":122,"status":42},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",[123,86,87,39],"插件",{"id":125,"name":126,"github_repo":127,"description_zh":128,"stars":129,"difficulty_score":103,"last_commit_at":130,"category_tags":131,"status":42},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",[123,39]]