[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wichtounet--dll":3,"tool-wichtounet--dll":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":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":10,"env_os":106,"env_gpu":107,"env_ram":108,"env_deps":109,"category_tags":116,"github_topics":117,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":130,"updated_at":131,"faqs":132,"releases":162},511,"wichtounet\u002Fdll","dll","Fast Deep Learning Library (DLL) for C++ (ANNs, CNNs, RBMs, DBNs...)","dll 是一款专为 C++ 环境设计的快速深度学习库，核心功能是实现受限玻尔兹曼机（RBM）、深度信念网络（DBN）及其卷积版本，同时也支持标准神经网络结构。它主要解决了在高性能 C++ 项目中集成深度学习模型的难题，让用户无需依赖庞大的 Python 框架即可直接调用底层算法。\n\ndll 的独特亮点在于其对经典概率模型的完整支持，涵盖了从随机二进制到高斯等多种单元类型，并内置了对比散度、动量优化及稀疏性约束等训练策略。作为一个头文件库，dll 无需编译安装，直接引入代码即可使用，极大地降低了集成门槛。同时，它兼容 CUDA 12 和 cuDNN 8 以上版本，能够利用 GPU 加速计算。不过，由于大量使用了 C++20 和 C++23 特性，建议配合 g++ 13 或更新的编译器使用。\n\n这款库非常适合熟悉 C++ 的算法研究人员、系统工程师以及对模型控制有严格要求的开发者。无论是用于学术研究探索传统网络架构，还是将其嵌入到资源受限的生产环境中，dll 都能提供灵活且高效的解决方案。","Deep Learning Library (DLL) 1.1\n===============================\n\n|logo|    |coverage| |jenkins| |license|\n\n.. |logo| image:: logo_small.png\n.. |coverage| image:: https:\u002F\u002Fimg.shields.io\u002Fsonar\u002Fhttps\u002Fsonar.baptiste-wicht.ch\u002Fdll\u002Fcoverage.svg\n.. |jenkins| image:: https:\u002F\u002Fimg.shields.io\u002Fjenkins\u002Fs\u002Fhttps\u002Fjenkins.baptiste-wicht.ch\u002Fdll.svg\n.. |license| image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg\n\nDLL is a library that aims to provide a C++ implementation of Restricted\nBoltzmann Machine (RBM) and Deep Belief Network (DBN) and their convolution\nversions as well. It also has support for some more standard neural networks.\n\nFeatures\n--------\n\n* **Restricted Boltzmann Machine**\n\n  * Various units: Stochastic binary, Gaussian, Softmax and nRLU units\n  * Contrastive Divergence and Persistence Contrastive Divergence\n\n    * CD-1 learning by default\n\n  * Momentum\n  * Weight decay\n  * Sparsity target\n  * Train as Denoising autoencoder\n\n* **Convolutional Restricted Boltzmann Machine**\n\n  * Standard version\n  * Version with Probabilistic Max Pooling (Honglak Lee)\n  * Binary and Gaussian visible units\n  * Binary and ReLU hidden units for the standard version\n  * Binary hidden units for the Probabilistic Max Pooling version\n  * Training with CD-k or PCD-k (only for standard version)\n  * Momentum, Weight Decay, Sparsity Target\n  * Train as Denoising autoencoder\n\n* **Deep Belief Network**\n\n  * Pretraining with RBMs\n  * Fine tuning with Conjugate Gradient\n  * Fine tuning with Stochastic Gradient Descent\n  * Classification with SVM (libsvm)\n\n* **Convolutional Deep Belief Network**\n\n  * Pretraining with CRBMs\n  * Classification with SVM (libsvm)\n\n* Input data\n\n  * Input data can be either in containers or in iterators\n\n    * Even if iterators are supported for SVM classifier, libsvm will move all\n      the data in memory structure.\n\nBuilding\n--------\n\nNote: When you clone the library, you need to clone the sub modules as well,\nusing the --recursive option.\n\nThe folder **include** must be included with the **-I** option, as well as the\n**etl\u002Finclude** folder.\n\nThis library is completely header-only, there is no need to build it.\n\nHowever, this library makes extensive use of C++20 and C++23, therefore,\na recent compiler is necessary to use it. Currently, this library is only tested\nwith g++ 13.\n\nIf for some reasons, it should not work on one of the supported compilers,\ncontact me and I'll fix it. It should work fine on recent versions of clang.\n\nThis has never been tested on Windows. While it should compile on Mingw, I don't\nexpect Visual Studio to be able to compile it for now, although recent versions of VS sound\npromising. If you have problems compiling this library, I'd be glad to help, but\ncannot guarantee that this will work on other compilers.\n\nIf you want to use GPU, you should use CUDA 12 or superior and CUDNN 8 or\nsuperior. If you got issues with different\nversions of CUDA and CUDNN, please open an issue on Github.\n\nLicense\n-------\n\nThis library is distributed under the terms of the MIT license, see `LICENSE`\nfile for details.\n","深度学习库 (DLL) 1.1\n===============================\n\n|logo|    |coverage| |jenkins| |license|\n\n.. |logo| image:: logo_small.png\n.. |coverage| image:: https:\u002F\u002Fimg.shields.io\u002Fsonar\u002Fhttps\u002Fsonar.baptiste-wicht.ch\u002Fdll\u002Fcoverage.svg\n.. |jenkins| image:: https:\u002F\u002Fimg.shields.io\u002Fjenkins\u002Fs\u002Fhttps\u002Fjenkins.baptiste-wicht.ch\u002Fdll.svg\n.. |license| image:: https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fmashape\u002Fapistatus.svg\n\nDLL 是一个旨在提供受限玻尔兹曼机（Restricted Boltzmann Machine, RBM）和深度信念网络（Deep Belief Network, DBN）及其卷积版本的 C++ 实现库。它还支持一些更标准的神经网络。\n\n功能特性\n--------\n\n* **受限玻尔兹曼机**\n\n  * 多种单元：随机二值、高斯、Softmax 和 nRLU 单元\n  * 对比散度（Contrastive Divergence）和持久化对比散度（Persistence Contrastive Divergence）\n\n    * 默认使用 CD-1 学习\n\n  * 动量\n  * 权重衰减\n  * 稀疏性目标\n  * 作为去噪自编码器训练\n\n* **卷积受限玻尔兹曼机**\n\n  * 标准版本\n  * 带有概率最大池化（Honglak Lee）的版本\n  * 二值和高斯可见单元\n  * 标准版本的二值和 ReLU 隐藏单元\n  * 概率最大池化版本的二值隐藏单元\n  * 使用 CD-k 或 PCD-k 进行训练（仅限标准版本）\n  * 动量、权重衰减、稀疏性目标\n  * 作为去噪自编码器训练\n\n* **深度信念网络**\n\n  * 使用 RBM 进行预训练\n  * 使用共轭梯度法（Conjugate Gradient）进行微调\n  * 使用随机梯度下降（Stochastic Gradient Descent）进行微调\n  * 使用支持向量机（SVM）(libsvm) 进行分类\n\n* **卷积深度信念网络**\n\n  * 使用 CRBMs (卷积受限玻尔兹曼机) 进行预训练\n  * 使用支持向量机（SVM）(libsvm) 进行分类\n\n* 输入数据\n\n  * 输入数据可以是容器形式或迭代器形式\n\n    * 即使 SVM 分类器支持迭代器，libsvm 也会将所有数据移动到内存结构中。\n\n构建\n----\n\n注意：当你克隆该库时，需要使用 --recursive 选项同时克隆子模块。\n\n文件夹 **include** 必须通过 **-I** 选项包含，以及 **etl\u002Finclude** 文件夹。\n\n该库完全是头文件库，无需构建。\n\n然而，该库广泛使用了 C++20 和 C++23，因此需要一个较新的编译器才能使用它。目前，该库仅在 g++ 13 上进行了测试。\n\n如果由于某些原因在支持的编译器之一上无法工作，请联系我，我会修复它。它应该在最新版本的 clang 上能正常工作。\n\n这从未在 Windows 上测试过。虽然它应该能在 Mingw 上编译，但我目前不期望 Visual Studio 能够编译它，尽管最近版本的 VS 听起来很有希望。如果你在编译此库时遇到问题，我很乐意提供帮助，但不能保证在其他编译器上也能工作。\n\n如果你想使用 GPU，你应该使用 CUDA 12 或更高版本以及 CUDNN 8 或更高版本。如果你在使用不同版本的 CUDA 和 CUDNN 时遇到问题，请在 Github 上提交问题。\n\n许可证\n-------\n\n本库根据 MIT 许可条款分发，详细信息请参见 `LICENSE` 文件。","# DLL (Deep Learning Library) 快速上手指南\n\nDLL 是一个提供受限玻尔兹曼机 (RBM)、深度信念网络 (DBN) 及其卷积版本的 C++ 实现库。它支持多种神经网络单元及训练算法，采用头文件形式分发，无需编译库本身。\n\n## 1. 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**：推荐使用 Linux 系统。虽然 MinGW 可能支持 Windows 编译，但 Visual Studio 目前兼容性未经验证。\n*   **编译器**：需要支持 C++20 和 C++23 标准的较新编译器。官方测试通过 `g++ 13`，Clang 近期版本也应可用。\n*   **GPU 加速（可选）**：如需使用 GPU，需安装 `CUDA 12` 或更高版本，以及 `cuDNN 8` 或更高版本。\n*   **依赖管理**：项目依赖子模块（如 ETL），克隆时需递归获取。\n\n## 2. 安装步骤\n\n由于该库为纯头文件库，无需执行构建命令，只需正确配置路径即可。\n\n1.  **克隆仓库**\n    使用 `--recursive` 选项克隆代码，以获取所有必要的子模块：\n    ```bash\n    git clone --recursive \u003Crepository-url>\n    ```\n\n2.  **检查目录结构**\n    确保项目中包含以下关键文件夹：\n    *   `include`：主库头文件目录。\n    *   `etl\u002Finclude`：第三方模板库头文件目录。\n\n## 3. 基本使用\n\n将 DLL 集成到您的 C++ 项目中时，需在编译命令中指定头文件搜索路径。\n\n**编译示例**\n\n假设您有一个名为 `main.cpp` 的源文件，编译命令应包含 `-I` 参数指向上述两个目录：\n\n```bash\ng++ -std=c++20 -I include -I etl\u002Finclude main.cpp -o my_app\n```\n\n**代码引用**\n\n在您的 `.cpp` 文件中，直接包含所需的头文件即可使用相关功能（具体类名请参考文档中的 RBM、DBN 等模块说明）：\n\n```cpp\n#include \u003Cdll\u002Frbm.hpp> \u002F\u002F 示例头文件引用，具体视功能而定\n\u002F\u002F 其他业务逻辑代码\n```\n\n**注意**：输入数据支持容器或迭代器格式。若使用 SVM 分类器（libsvm），请注意其会将所有数据加载至内存结构中。","某嵌入式团队需要在工业相机端部署基于无监督学习的缺陷检测算法，要求极低延迟且完全在 C++ 环境下运行，无法依赖外部运行时。\n\n### 没有 dll 时\n- 需要从零手写反向传播和矩阵运算，开发周期长达数月且极易出现数值计算错误\n- 引入 Python 框架导致模型加载慢，序列化过程增加了额外延迟，无法满足实时推理的毫秒级要求\n- 内存管理复杂，手动处理神经网络权重易引发泄漏或崩溃，调试成本极高\n- 缺乏现成的受限玻尔兹曼机（RBM）模块，难以实现有效的特征预训练，模型效果不佳\n\n### 使用 dll 后\n- 直接调用内置的 RBM 和 DBN 类库，将核心算法开发时间从数月缩短至数周，代码复用率高\n- 纯 C++ 实现消除了 Python 解释器开销，推理速度显著提升，完美适配边缘计算设备\n- 头文件仅依赖设计，无需编译链接，轻松集成到现有构建系统中，解决了跨平台兼容难题\n- 支持 CUDA 加速，利用 GPU 快速完成大规模数据的对比散度训练，大幅缩短模型迭代周期\n\ndll 让 C++ 开发者能高效构建高性能深度学习模型，彻底摆脱底层数学实现的繁琐与依赖负担。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwichtounet_dll_4bad078c.png","wichtounet","Baptiste Wicht","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwichtounet_9c64366e.jpg","Senior Software Engineer with a Ph.D. in machine learning and a fondness for C++, performance optimizations, compiler theory, and operating systems development.","Verisign","Fribourg, Switzerland","baptiste.wicht@gmail.com",null,"https:\u002F\u002Fbaptiste-wicht.com","https:\u002F\u002Fgithub.com\u002Fwichtounet",[86,90,94,98],{"name":87,"color":88,"percentage":89},"C++","#f34b7d",89.3,{"name":91,"color":92,"percentage":93},"Makefile","#427819",10.1,{"name":95,"color":96,"percentage":97},"Shell","#89e051",0.4,{"name":99,"color":100,"percentage":101},"Python","#3572A5",0.2,687,160,"2026-03-27T00:12:40","MIT","Linux, macOS","需要 NVIDIA GPU，CUDA 12+, CUDNN 8+","未说明",{"notes":110,"python":108,"dependencies":111},"纯头文件库，无需编译。需 C++20\u002F23 编译器（推荐 g++ 13）。Windows 兼容性未验证。克隆需 --recursive。GPU 功能需特定版本驱动。",[112,113,114,115],"ETL","libsvm","CUDA 12+","CUDNN 8+",[13],[118,119,120,121,122,123,124,125,126,127,128,129],"c-plus-plus","cpp","cpp11","cpp14","performance","machine-learning","deep-learning","artificial-neural-networks","gpu","rbm","cpu","convolutional-neural-networks","2026-03-27T02:49:30.150509","2026-04-06T05:37:38.728451",[133,138,142,147,152,157],{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},2046,"克隆代码后 etl、mnist 等文件夹显示为空怎么办？","这是因为需要初始化子模块。请使用以下命令递归克隆仓库：`git clone --recursive https:\u002F\u002Fgithub.com\u002Fwichtounet\u002Fdll.git`。","https:\u002F\u002Fgithub.com\u002Fwichtounet\u002Fdll\u002Fissues\u002F2",{"id":139,"question_zh":140,"answer_zh":141,"source_url":137},2047,"下载 Release 包时因文件夹名包含特殊字符（如 @）导致无法下载？","该问题已在后续版本中解决。如果遇到此情况，建议更新到最新版本或手动处理文件夹名称。",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},2048,"使用 g++ 7.3.0 编译时报错提示 avx512_vectorization.hpp 相关模板错误？","尝试禁用 AVX512 指令集进行编译。运行命令：`CXX_FLAGS=\"-mno-avx512f\" make`。","https:\u002F\u002Fgithub.com\u002Fwichtounet\u002Fdll\u002Fissues\u002F12",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},2049,"开启 -DETL_CUDNN_MODE 编译时出现 cudnnGetErrorString 未定义引用链接错误？","缺少 CUDNN 的链接标志。如果启用 CUDNN 模式，需在链接标志中添加 `-lcudnn`，并确保包含路径正确。若不使用 CUDNN，可移除该编译标志。","https:\u002F\u002Fgithub.com\u002Fwichtounet\u002Fdll\u002Fissues\u002F13",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},2050,"使用 -DETL_BLAS_MODE 标志编译时报错 mkl_get_max_threads 未声明？","这是已知 Bug，已在提交 1f451ea 中修复。临时解决方案是注释掉报错的代码行，程序即可正常运行。","https:\u002F\u002Fgithub.com\u002Fwichtounet\u002Fdll\u002Fissues\u002F11",{"id":158,"question_zh":159,"answer_zh":160,"source_url":161},2051,"如何使用该工具训练验证码（Captcha）或字符级模型？","可以为每个标签创建文件夹并在其中放入图片。关于图像分割，可以使用移动窗口系统，或者使用循环神经网络（RNN），但需注意当前库对 RNN 的支持情况。","https:\u002F\u002Fgithub.com\u002Fwichtounet\u002Fdll\u002Fissues\u002F9",[163],{"id":164,"version":165,"summary_zh":82,"released_at":82},101507,"1.0"]