[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wookayin--tensorflow-talk-debugging":3,"tool-wookayin--tensorflow-talk-debugging":61},[4,18,26,36,44,52],{"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",141543,2,"2026-04-06T11:32:54",[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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":98,"forks":99,"last_commit_at":100,"license":76,"difficulty_score":101,"env_os":102,"env_gpu":103,"env_ram":103,"env_deps":104,"category_tags":109,"github_topics":110,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":114,"updated_at":115,"faqs":116,"releases":117},4431,"wookayin\u002Ftensorflow-talk-debugging","tensorflow-talk-debugging","💬 Slides and supplementary codes for my talk 'Debugging Tips on TensorFlow' (2016)","tensorflow-talk-debugging 是一套专为 TensorFlow 开发者打造的实战调试指南，源自 2016 年 TensorFlow 韩国社区的技术分享。它通过配套的演讲幻灯片和示例代码，系统性地讲解了在 TensorFlow 项目中定位和修复错误的实用技巧。\n\n在深度学习模型开发中，计算图的复杂性和静态执行机制往往让报错信息晦涩难懂，导致开发者难以快速 pinpoint 问题根源。这套资源正是为了解决这一痛点而生，它不仅涵盖了基础的调试思路，还重点介绍了 TensorFlow 官方调试器（tfdbg）的使用方法，帮助用户深入检查张量数值、监控节点执行状态，从而高效排查模型训练中的异常。\n\n内容经过多次迭代更新，已完美兼容 TensorFlow 1.0 及以上版本，并不断补充关于 tfdbg 的高级用法。无论是正在学习深度学习的学生、需要优化模型的研究人员，还是从事算法落地的工程师，都能从中获得切实可行的帮助。虽然基于较早的 TF 版本，但其核心的调试逻辑和对计算图的理解方法至今仍具参考价值，是入门 TensorFlow 调试环节不可多得的优质学习资料。","A Practical Guide for Debugging TensorFlow Codes\n================================================\n\nMy talk in the first meetup of [TensorFlow Korea Group](https:\u002F\u002Fwww.facebook.com\u002Fgroups\u002FTensorFlowKR\u002F)!\n\n18 June 2016, at Google Korea, Seoul\n\n- Slides: https:\u002F\u002Fwookayin.github.io\u002Ftensorflow-talk-debugging\n- Codes: https:\u002F\u002Fgithub.com\u002Fwookayin\u002Ftensorflow-talk-debugging\u002Ftree\u002Fmaster\u002Fcodes\n- Video (in Korean): https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=01nDEZe0BfU\n\n## Updates\n\n- June 18th, 2016 (v1): Initial version of the talk.\n- December 9th, 2016 (v2): Added a brief introduction to the [official debugger][tfdbg], for readers' reference.\n- Feb 17th, 2016 (v3): Updated examples to be compatible with TF 1.0, and added more contents on [tfdbg][tfdbg].\n\n[tfdbg]: https:\u002F\u002Fwww.tensorflow.org\u002Fprogrammers_guide\u002Fdebugger\n","TensorFlow 代码调试实用指南\n==========================\n\n我在 [TensorFlow Korea Group](https:\u002F\u002Fwww.facebook.com\u002Fgroups\u002FTensorFlowKR\u002F) 第一次 meetup 上的演讲！\n\n2016年6月18日，首尔谷歌韩国办公室\n\n- 幻灯片：https:\u002F\u002Fwookayin.github.io\u002Ftensorflow-talk-debugging\n- 代码：https:\u002F\u002Fgithub.com\u002Fwookayin\u002Ftensorflow-talk-debugging\u002Ftree\u002Fmaster\u002Fcodes\n- 视频（韩语）：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=01nDEZe0BfU\n\n## 更新记录\n\n- 2016年6月18日（v1）：演讲初版。\n- 2016年12月9日（v2）：添加了对[官方调试器][tfdbg]的简要介绍，供读者参考。\n- 2016年2月17日（v3）：更新示例以兼容 TensorFlow 1.0，并增加了更多关于 [tfdbg][tfdbg] 的内容。\n\n[tfdbg]: https:\u002F\u002Fwww.tensorflow.org\u002Fprogrammers_guide\u002Fdebugger","# tensorflow-talk-debugging 快速上手指南\n\n本指南基于 `tensorflow-talk-debugging` 项目整理，旨在帮助开发者掌握 TensorFlow 代码的调试技巧，包括官方调试器 `tfdbg` 的使用。\n\n## 环境准备\n\n- **操作系统**：Linux、macOS 或 Windows（需配置 Python 环境）\n- **Python 版本**：建议 Python 3.5+（兼容 TensorFlow 1.0 及以上版本）\n- **前置依赖**：\n  - TensorFlow 1.0 或更高版本\n  - Git（用于克隆示例代码）\n\n> **国内加速建议**：安装 TensorFlow 时推荐使用清华镜像源，以提升下载速度。\n\n## 安装步骤\n\n1. **克隆示例代码仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fwookayin\u002Ftensorflow-talk-debugging.git\n   cd tensorflow-talk-debugging\u002Fcodes\n   ```\n\n2. **安装 TensorFlow（如未安装）**\n   使用 pip 并指定国内镜像源：\n   ```bash\n   pip install tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   > 注：本项目示例主要基于 TensorFlow 1.x 编写。若使用 TensorFlow 2.x，需注意 API 兼容性差异或启用兼容模式。\n\n## 基本使用\n\n本项目核心在于通过示例代码学习调试方法。以下是最简单的使用流程：\n\n1. **查看示例代码**\n   进入 `codes` 目录，你将看到多个演示不同调试场景的脚本（如 `debug_example.py` 等）。\n\n2. **运行带调试器的脚本**\n   使用 `tfdbg` 启动调试会话。在命令行中运行示例代码时，添加 `--debug` 标志（具体取决于脚本实现），或直接修改代码引入调试器：\n   \n   ```python\n   from tensorflow.python import debug as tf_debug\n\n   # 创建会话时包裹调试器\n   sess = tf.Session()\n   sess = tf_debug.LocalCLIDebugWrapperSession(sess)\n   # 或者添加 tensor 过滤规则\n   # sess.add_tensor_filter(\"has_inf_or_nan\", tf_debug.has_inf_or_nan)\n   ```\n\n3. **执行调试命令**\n   运行脚本后，终端将进入 `tfdbg` 的交互式命令行界面。常用命令包括：\n   - `lt`：列出当前可用的张量（tensors）\n   - `pt \u003Ctensor_name>`：打印特定张量的值\n   - `run`：继续运行到下一个断点或结束\n\n   示例交互：\n   ```bash\n   tfdbg> lt\n   tfdbg> pt hidden_layer\u002FRelu:0\n   tfdbg> run\n   ```\n\n4. **参考幻灯片与视频**\n   - 详细原理请参考项目幻灯片：https:\u002F\u002Fwookayin.github.io\u002Ftensorflow-talk-debugging\n   - 视频教程（韩语，含操作演示）：https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=01nDEZe0BfU","一位深度学习工程师在复现一篇 2016 年的经典论文代码时，发现模型在 TensorFlow 1.x 环境下训练损失突然变为 NaN，但常规打印日志无法定位具体是哪一层计算出现了数值溢出。\n\n### 没有 tensorflow-talk-debugging 时\n- 开发者只能盲目地在代码中插入大量 `print` 语句或 `tf.Print` 操作，导致控制台输出混乱且难以筛选关键信息。\n- 由于缺乏系统的调试思路，往往需要凭经验猜测是学习率过大、梯度爆炸还是数据预处理错误，排查过程如同“大海捞针”。\n- 面对静态计算图的特性，无法实时中断执行并检查中间张量的具体数值，每次修改后都必须重新运行整个训练流程验证。\n- 社区中关于早期版本 TensorFlow 的调试资料零散且过时，新手极易陷入文档缺失的困境，浪费数天时间仍无进展。\n\n### 使用 tensorflow-talk-debugging 后\n- 工程师参考其提供的实战指南，学会了利用 `tfdbg`（TensorFlow Debugger）命令行工具，直接在训练中断时 inspect 任意节点的张量值。\n- 通过幻灯片中总结的常见陷阱案例（如除零错误、激活函数饱和），迅速锁定了是某层自定义 Loss 函数未做数值稳定处理导致的异常。\n- 掌握了“分步执行”和“条件断点”技巧，无需反复重启训练，即可在图形化界面或终端中动态追踪数据流向，分钟级定位问题根源。\n- 借助兼容 TF 1.0 的示例代码，快速理解了官方调试器的核心用法，将原本需要数天的试错过程缩短为几小时的高效排查。\n\ntensorflow-talk-debugging 将晦涩的底层调试机制转化为可落地的实操策略，帮助开发者从“猜谜式修 Bug\"转变为“系统化诊断”，显著提升了模型开发效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwookayin_tensorflow-talk-debugging_d0657b41.png","wookayin","Jongwook Choi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwookayin_e577a70c.png","Researcher & Developer & Productivity Geek.",null,"New York, NY","wookayin@gmail.com","https:\u002F\u002Fwook.kr\u002F","https:\u002F\u002Fgithub.com\u002Fwookayin",[82,86,90,94],{"name":83,"color":84,"percentage":85},"Python","#3572A5",82.2,{"name":87,"color":88,"percentage":89},"CSS","#663399",9.7,{"name":91,"color":92,"percentage":93},"HTML","#e34c26",6.6,{"name":95,"color":96,"percentage":97},"JavaScript","#f1e05a",1.5,609,144,"2025-08-25T09:46:14",1,"","未说明",{"notes":105,"python":106,"dependencies":107},"该项目为 2016 年的技术演讲资料，主要包含幻灯片和基于 TensorFlow 1.x 的调试代码示例。README 中未列出具体的现代运行环境需求，若需运行代码示例，建议搭建 TensorFlow 1.0 兼容环境或使用 TF 2.x 的兼容模式。","未说明 (代码示例兼容 TensorFlow 1.0)",[108],"tensorflow>=1.0",[14],[111,112,113],"tensorflow","slides","debugging","2026-03-27T02:49:30.150509","2026-04-06T22:00:50.609299",[],[]]