[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ukairia777--tensorflow-nlp-tutorial":3,"tool-ukairia777--tensorflow-nlp-tutorial":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":80,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":80,"difficulty_score":23,"env_os":96,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":101,"github_topics":102,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":143},749,"ukairia777\u002Ftensorflow-nlp-tutorial","tensorflow-nlp-tutorial","tensorflow를 사용하여 텍스트 전처리부터, Topic Models, BERT, GPT, LLM과 같은 최신 모델의 다운스트림 태스크들을 정리한 Deep Learning NLP 저장소입니다.","tensorflow-nlp-tutorial 是一个基于 TensorFlow 2.0+ 打造的自然语言处理深度学习实战指南。它系统地整理了从基础文本预处理到前沿模型应用的全流程代码，涵盖 Topic Models、BERT、GPT 及 LLM 等主流技术的下游任务。\n\ntensorflow-nlp-tutorial 主要解决了深度学习 NLP 学习中理论与实践脱节、环境配置繁琐的痛点。通过提供配套的 Google Colab 链接，用户无需本地安装 Python 环境，打开浏览器即可直接运行代码进行实验。此外，其内容源自一本 1200 页的深度电子书，确保了知识体系的完整性与权威性。\n\n无论是希望快速上手的开发者，还是专注于算法研究的人员，都能从中受益。项目持续跟进技术前沿，不仅包含经典的 BERT 分类与问答，还纳入了 KoGPT-2 文本生成、KeyBERT 关键词提取、CTM 主题建模，以及最新的 LLM 微调、RAG 检索增强生成和 VLM 多模态微调代码。对于想要系统掌握 NLP 技术栈的学习者来说，tensorflow-nlp-tutorial 提供了一个高质量、易上手","tensorflow-nlp-tutorial 是一个基于 TensorFlow 2.0+ 打造的自然语言处理深度学习实战指南。它系统地整理了从基础文本预处理到前沿模型应用的全流程代码，涵盖 Topic Models、BERT、GPT 及 LLM 等主流技术的下游任务。\n\ntensorflow-nlp-tutorial 主要解决了深度学习 NLP 学习中理论与实践脱节、环境配置繁琐的痛点。通过提供配套的 Google Colab 链接，用户无需本地安装 Python 环境，打开浏览器即可直接运行代码进行实验。此外，其内容源自一本 1200 页的深度电子书，确保了知识体系的完整性与权威性。\n\n无论是希望快速上手的开发者，还是专注于算法研究的人员，都能从中受益。项目持续跟进技术前沿，不仅包含经典的 BERT 分类与问答，还纳入了 KoGPT-2 文本生成、KeyBERT 关键词提取、CTM 主题建模，以及最新的 LLM 微调、RAG 检索增强生成和 VLM 多模态微调代码。对于想要系统掌握 NLP 技术栈的学习者来说，tensorflow-nlp-tutorial 提供了一个高质量、易上手且内容不断更新的开源资源库。","# Tensorflow-NLP-tutorial\n\n- A list of NLP(Natural Language Processing) tutorials built on Tensorflow 2.0.\n- I've launched a PyTorch tutorial! Check it out through this [link](https:\u002F\u002Fgithub.com\u002Fukairia777\u002Fpytorch-nlp-tutorial).\n\n이곳은 위키독스 **딥 러닝을 이용한 자연어 처리 입문** 의 자연어 처리 튜토리얼 저장소입니다.  \n딥 러닝 프레임워크 Tensorflow 2.0+을 사용하고 있습니다.  \n만약 파이토치 튜토리얼을 찾으신다면 [링크(클릭!)](https:\u002F\u002Fgithub.com\u002Fukairia777\u002Fpytorch-nlp-tutorial)에서 확인하실 수 있습니다.\n\n\u003Cimg src=\"https:\u002F\u002Fwikidocs.net\u002Fimages\u002Fpage\u002F37127\u002F%ED%91%9C%EC%A7%80.png\" width=\"250\">\n\n코드의 기반이 되는 이론적인 설명은 1,200페이지 분량의 e-Book을 통해 작성 및 공개하였습니다.\n\ne-Book : https:\u002F\u002Fwikidocs.net\u002Fbook\u002F2155\n\n\n## Colab 실습 방법\n\n각 실습 파일의 py 파일을 열어보면 Colab 링크를 기재해두었습니다.  \n각 py 파일은 ipynb 파일에서 자동 변환만 진행한 파일입니다.  \n해당 링크를 Chrome 브라우저에서 접속하시면 별도 파이썬 설치없이 바로 실습이 가능합니다.\n\n\n## 업데이트 공지\n* 2022년 01월 01일 : 깃허브 저장소를 오픈하였습니다.  \n* 2022년 01월 03일 : 18챕터 - **BERT** 텍스트 분류, 개체명 인식, 질의 응답, NLI, SBERT를 이용한 챗봇 실습 코드 추가.  \n* 2022년 01월 18일 : 19챕터 - **KoGPT-2** 텍스트 생성, 챗봇, 텍스트 분류 실습 코드 추가.\n* 2022년 01월 20일 : 26챕터 - BERT를 이용한 키워드 추출 **키버트(KeyBERT)** 실습 코드 추가.\n* 2022년 02월 16일 : 26챕터 - BERT를 이용한 복합 토픽 모델링 **Combined Topic Models, CTM** 실습 코드 추가.\n* 2022년 02월 24일 : 19챕터 - **CTM 한국어**, **BERTopic 영어, 한국어** 실습 코드 추가.\n* 2024년 02월 18일 : 24챕터 - **LLM 파인 튜닝** 실습 코드 추가.\n* 2025년 06월 27일 : 21~25챕터 - **RAG 추가 및 LLM, VLM 파인 튜닝 코드** 실습 코드 추가.\n","# Tensorflow-NLP-tutorial\n\n- 基于 TensorFlow 2.0 构建的 NLP（自然语言处理）教程列表。\n- 我已推出了 PyTorch（深度学习框架）教程！请通过此 [链接](https:\u002F\u002Fgithub.com\u002Fukairia777\u002Fpytorch-nlp-tutorial) 查看。\n\n这里是维基多斯 **《利用深度学习进行自然语言处理入门》** 的自然语言处理教程仓库。  \n我们使用深度学习框架 TensorFlow 2.0+。  \n如果您正在寻找 PyTorch 教程，可以在 [链接 (点击!)](https:\u002F\u002Fgithub.com\u002Fukairia777\u002Fpytorch-nlp-tutorial) 中查看。\n\n\u003Cimg src=\"https:\u002F\u002Fwikidocs.net\u002Fimages\u002Fpage\u002F37127\u002F%ED%91%9C%EC%A7%80.png\" width=\"250\">\n\n代码背后的理论说明已通过 1,200 页篇幅的 e-Book（电子书）编写并发布。\n\ne-Book : https:\u002F\u002Fwikidocs.net\u002Fbook\u002F2155\n\n\n## Colab（云端编程环境）实践方法\n\n打开每个练习文件的 py 文件，可以看到已注明了 Colab 链接。  \n每个 py 文件仅是在 ipynb（Jupyter Notebook 格式）文件中自动转换后的文件。  \n在 Chrome 浏览器中访问该链接，无需额外安装 Python 即可直接练习。\n\n\n## 更新公告\n* 2022 年 01 月 01 日：开放了 GitHub 仓库。  \n* 2022 年 01 月 03 日：第 18 章 - 添加基于 **BERT（双向编码器表示）** 的文本分类、命名实体识别、问答、NLI（自然语言推理）、SBERT（语义 BERT）聊天机器人练习代码。  \n* 2022 年 01 月 18 日：第 19 章 - 添加 **KoGPT-2** 文本生成、聊天机器人、文本分类练习代码。\n* 2022 年 01 月 20 日：第 26 章 - 添加基于 BERT 的关键字提取 **KeyBERT** 练习代码。\n* 2022 年 02 月 16 日：第 26 章 - 添加基于 BERT 的复合主题建模 **Combined Topic Models, CTM（组合主题模型）** 练习代码。\n* 2022 年 02 月 24 日：第 19 章 - 添加 **CTM 韩语**, **BERTopic 英语、韩语** 练习代码。\n* 2024 年 02 月 18 日：第 24 章 - 添加 **LLM（大型语言模型）微调** 练习代码。\n* 2025 年 06 月 27 日：第 21~25 章 - 添加 **RAG（检索增强生成）补充及 LLM、VLM（视觉语言模型）微调代码** 练习代码。","# tensorflow-nlp-tutorial 快速上手指南\n\n本项目是基于 **TensorFlow 2.0+** 构建的自然语言处理（NLP）教程集合，内容源自维基文档（Wikidocs）的深度学习入门书籍。涵盖 BERT、KoGPT-2、LLM 微调及 RAG 等前沿技术实战。\n\n## 1. 环境准备\n\n- **操作系统**：Linux \u002F Windows \u002F macOS\n- **深度学习框架**：TensorFlow 2.0+\n- **编程语言**：Python 3.x\n- **推荐方式**：使用 **Google Colab** 在线运行，无需本地配置 Python 环境。\n\n## 2. 安装步骤\n\n### 方式一：本地环境（可选）\n若需在本地运行代码，请先克隆仓库并安装基础依赖：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fukairia777\u002Ftensorflow-nlp-tutorial.git\ncd tensorflow-nlp-tutorial\npip install tensorflow\n```\n\n### 方式二：Google Colab（推荐）\n无需安装任何软件，直接通过浏览器访问即可开始实验。\n\n## 3. 基本使用\n\n1. **获取代码**：进入 GitHub 仓库，浏览目录下的 `.py` 文件。\n2. **启动实验**：打开任意 `.py` 文件，找到其中内嵌的 **Colab 链接**。\n3. **运行代码**：点击链接在 Chrome 浏览器中打开，点击顶部菜单的“运行全部”即可执行。\n4. **理论补充**：代码背后的理论解释可参考配套 e-Book：[https:\u002F\u002Fwikidocs.net\u002Fbook\u002F2155](https:\u002F\u002Fwikidocs.net\u002Fbook\u002F2155)\n\n> **注意**：每个 `.py` 文件均由 `.ipynb` 自动转换而来，主要功能为提供 Colab 快捷入口。如需查看 PyTorch 版本教程，请访问 [PyTorch-NLP-Tutorial](https:\u002F\u002Fgithub.com\u002Fukairia777\u002Fpytorch-nlp-tutorial)。","某电商企业数据分析师需要基于海量用户评论，快速搭建产品问题挖掘与智能客服问答系统。\n\n### 没有 tensorflow-nlp-tutorial 时\n- 需手动配置复杂的 TensorFlow 2.0+ 环境，依赖冲突频繁导致开发进度严重受阻。\n- 寻找 BERT 分类或 LLM 微调的参考代码极其困难，需花费大量时间阅读晦涩的英文官方文档。\n- 文本预处理与模型训练流程相互割裂，难以独立验证 Topic Models 等高级任务的实际效果。\n- 缺乏针对特定领域或韩语的预训练模型（如 KoGPT-2）适配方案，迁移成本极高。\n\n### 使用 tensorflow-nlp-tutorial 后\n- 通过内置 Colab 链接直接在线运行，秒级启动环境并完全跳过繁琐的本地配置步骤。\n- 获得涵盖从基础预处理到 BERT、GPT 及 LLM 微调的完整 Python 脚本，复制粘贴即可根据业务修改。\n- 结合配套 WikiDocs 书籍，清晰理解 CTM 主题建模与 RAG 检索增强生成的底层实现逻辑。\n- 直接复用更新后的 KoGPT-2 及 KeyBERT 代码，快速适配多语言业务需求并提升准确率。\n\n`tensorflow-nlp-tutorial` 通过提供从理论到实践的端到端代码库，显著缩短了自然语言处理模型的落地研发周期。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fukairia777_tensorflow-nlp-tutorial_8a2156f5.png","ukairia777","Joon","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fukairia777_0e4141be.png","ML Engineer \u002F Backend Developer",null,"Seoul","https:\u002F\u002Fwikidocs.net\u002Fbook\u002F2155","https:\u002F\u002Fgithub.com\u002Fukairia777",[85,89],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",97.9,{"name":90,"color":91,"percentage":92},"Python","#3572A5",2.1,575,289,"2026-04-03T07:11:10","未说明",{"notes":98,"python":96,"dependencies":99},"项目基于 Wikidocs 书籍《深度学习自然语言处理入门》编写；提供 Google Colab 在线运行方式，无需本地配置 Python 环境；更新日志显示包含 BERT、KoGPT-2、KeyBERT、CTM、LLM 微调及 RAG 等实战代码",[100],"tensorflow>=2.0",[13,26,14],[103,104,105,106,107,108,109,110,111,112,113,114,115,116,117,118,119],"tensorflow","nlp","natural-language-processing","question-answering","named-entity-recognition","bert-ner","bert","nlp-tutorial","keras-tutorial","llm","dpo","llama","sft","huggingface","transformers","lora","trainer","2026-03-27T02:49:30.150509","2026-04-06T06:53:19.277439",[123,128,133,138],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},3191,"glove_python_binary 或 glove_python 库安装失败怎么办？","这是一个旧问题，已被维护者关闭。建议在 Colab 环境中运行，已在 Colab 上验证正常。可参考以下链接测试：https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1RjU1q6omX_Z-b3lfymuqus03x6IPBYj0?usp=sharing。若在本地运行失败，需提供具体环境和错误日志以便排查。","https:\u002F\u002Fgithub.com\u002Fukairia777\u002Ftensorflow-nlp-tutorial\u002Fissues\u002F5",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},3192,"如何在 Google Drive 中保存 TPU 训练的模型？","TPU 模型保存存在较多技术限制，维护者建议优先使用 GPU 进行训练和保存。若坚持使用 TPU，尝试使用 tf.saved_model.SaveOptions(experimental_io_device='\u002Fjob:localhost') 等选项，但可能会遇到加载后模型格式不匹配或路径无效的错误。","https:\u002F\u002Fgithub.com\u002Fukairia777\u002Ftensorflow-nlp-tutorial\u002Fissues\u002F2",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},3193,"项目是否提供完整的 requirements.txt 或 yaml 环境配置文件？","项目未单独提供依赖文件。原因是维护者定期在 Colab 上验证代码，由于 Colab 的库版本会持续更新，固定依赖版本会导致代码过时。建议直接在 Colab 环境中运行以确保兼容性。","https:\u002F\u002Fgithub.com\u002Fukairia777\u002Ftensorflow-nlp-tutorial\u002Fissues\u002F6",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},3194,"model.fit 时报错 'NoneType' object has no attribute 'dtype' 如何解决？","此错误通常是因为缺少 logit 相关定义。请在编译模型时显式定义 loss 和 metrics。参考解决方案：使用 TFBertForSequenceClassification.from_pretrained(\"klue\u002Fbert-base\", num_labels=2, from_pt=True) 加载模型，并设置 loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True)。","https:\u002F\u002Fgithub.com\u002Fukairia777\u002Ftensorflow-nlp-tutorial\u002Fissues\u002F1",[]]