[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yorkie--tensorflow-nodejs":3,"tool-yorkie--tensorflow-nodejs":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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":78,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":92,"env_os":93,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":81,"oss_zip_packed_at":81,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":138},4367,"yorkie\u002Ftensorflow-nodejs","tensorflow-nodejs","TensorFlow Node.js provides idiomatic JavaScript language bindings and a high layer API for Node.js users. TensorFlow Node.js provides idiomatic JavaScript language bindings and a high layer API for Node.js users.","tensorflow-nodejs 是一款专为 Node.js 开发者打造的工具，它让 JavaScript 程序员能够直接在熟悉的后端环境中调用强大的 TensorFlow 机器学习能力。长期以来，训练和运行深度学习模型通常依赖 Python 环境，这给擅长 JavaScript 的全栈或后端工程师带来了额外的学习成本和部署复杂度。tensorflow-nodejs 通过封装底层的 TensorFlow Python 接口，并基于阿里巴巴的 Boa 技术实现高效绑定，成功打破了这一语言壁垒。\n\n使用该工具，开发者无需切换编程语境，即可利用标准的 JavaScript 语法完成从数据加载、模型构建（如使用 Keras API）、编译训练到模型保存的全流程。它特别适合希望将 AI 功能集成到现有 Node.js 服务中的后端工程师、全栈开发者以及想要尝试深度学习的 JavaScript 社区成员。尽管项目目前仍处于活跃开发阶段，API 尚未完全稳定，但其提供的“地道”JavaScript 编写体验和无缝对接 TensorFlow 生态的能力，使其成为连接 Web 开发与人工智能的重要桥梁","tensorflow-nodejs 是一款专为 Node.js 开发者打造的工具，它让 JavaScript 程序员能够直接在熟悉的后端环境中调用强大的 TensorFlow 机器学习能力。长期以来，训练和运行深度学习模型通常依赖 Python 环境，这给擅长 JavaScript 的全栈或后端工程师带来了额外的学习成本和部署复杂度。tensorflow-nodejs 通过封装底层的 TensorFlow Python 接口，并基于阿里巴巴的 Boa 技术实现高效绑定，成功打破了这一语言壁垒。\n\n使用该工具，开发者无需切换编程语境，即可利用标准的 JavaScript 语法完成从数据加载、模型构建（如使用 Keras API）、编译训练到模型保存的全流程。它特别适合希望将 AI 功能集成到现有 Node.js 服务中的后端工程师、全栈开发者以及想要尝试深度学习的 JavaScript 社区成员。尽管项目目前仍处于活跃开发阶段，API 尚未完全稳定，但其提供的“地道”JavaScript 编写体验和无缝对接 TensorFlow 生态的能力，使其成为连接 Web 开发与人工智能的重要桥梁，让在服务器端运行复杂的神经网络变得像编写普通业务代码一样自然。","# \u003Cimg alt=\"TensorFlow\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyorkie_tensorflow-nodejs_readme_443cd930ce5d.png\" width=\"170\"\u002F> for Node.js\n\n| NPM | Dependency | Build | Coverage |\n|-----|------------|-------|----------|\n|[![NPM version][npm-image]][npm-url]|[![Dependency Status][david-image]][david-url]|[![Build Status][travis-image]][travis-url]|[![Coverage][coveralls-image]][coveralls-url]\n\n[npm-image]: https:\u002F\u002Fimg.shields.io\u002Fnpm\u002Fv\u002Ftensorflow2.svg?style=flat-square\n[npm-url]: https:\u002F\u002Fnpmjs.org\u002Fpackage\u002Ftensorflow2\n[travis-image]: https:\u002F\u002Fimg.shields.io\u002Ftravis\u002Fyorkie\u002Ftensorflow-nodejs.svg?style=flat-square\n[travis-url]: https:\u002F\u002Ftravis-ci.org\u002Fyorkie\u002Ftensorflow-nodejs\n[david-image]: http:\u002F\u002Fimg.shields.io\u002Fdavid\u002Fyorkie\u002Ftensorflow-nodejs.svg?style=flat-square\n[david-url]: https:\u002F\u002Fdavid-dm.org\u002Fyorkie\u002Ftensorflow-nodejs\n[coveralls-image]: https:\u002F\u002Fimg.shields.io\u002Fcodecov\u002Fc\u002Fgithub\u002Fyorkie\u002Ftensorflow-nodejs.svg?style=flat-square\n[coveralls-url]: https:\u002F\u002Fcodecov.io\u002Fgithub\u002Fyorkie\u002Ftensorflow-nodejs?branch=master\n\nThis library wraps [Tensorflow][] Python for Node.js developers, it's powered by [@pipcook\u002Fboa](https:\u002F\u002Fgithub.com\u002Falibaba\u002Fpipcook\u002Fblob\u002Fmaster\u002Fdocs\u002Fmanual\u002Fintro-to-boa.md).\n\n**Notice:** This project is still under active development and not guaranteed to have a\nstable API. This is especially true because the underlying TensorFlow C API has not yet\nbeen stabilized as well.\n\n## Installation\n\n```sh\n$ npm install tensorflow2 --save\n```\n\n## Usage\n\n```js\nconst tf = require('tensorflow2');\n\n\u002F\u002F load mnist dataset.\nconst dataset = tf.keras.dataset.mnist();\n\u002F\u002F {\n\u002F\u002F   train: { x: [Getter], y: [Getter] },\n\u002F\u002F   test: { x: [Getter], y: [Getter] }\n\u002F\u002F }\n\n\u002F\u002F create model.\nconst model = tf.keras.models.Sequential([\n  tf.keras.layers.Flatten({\n    input_shape: [28, 28]\n  }),\n  tf.keras.layers.Dense(128, {\n    activation: 'relu'\n  }),\n  tf.keras.layers.Dropout(0.2),\n  tf.keras.layers.Dense(10)\n]);\nmodel.summary();\n\n\u002F\u002F compile the model.\nconst loss_fn = tf.keras.losses.SparseCategoricalCrossentropy({ from_logits: true });\nmodel.compile({\n  optimizer: 'adam',\n  loss: loss_fn,\n  metrics: [ 'accuracy' ],\n});\n\n\u002F\u002F train the model.\nmodel.fit(dataset.train.x, dataset.train.y, { epochs: 5 });\n\n\u002F\u002F save the model\nmodel.save('your-model.h5');\n```\n\nSee [example\u002Fmnist.js](.\u002Fexample\u002Fmnist.js) for complete example.\n\n## Tests\n\n```sh\n$ npm test\n```\n\n## License\n\n[MIT](.\u002FLICENSE) licensed @ 2020\n\n[TensorFlow]: http:\u002F\u002Ftensorflow.org\n","# \u003Cimg alt=\"TensorFlow\" src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyorkie_tensorflow-nodejs_readme_443cd930ce5d.png\" width=\"170\"\u002F> 适用于 Node.js\n\n| NPM | 依赖 | 构建 | 覆盖率 |\n|-----|------------|-------|----------|\n|[![NPM 版本][npm-image]][npm-url]|[![依赖状态][david-image]][david-url]|[![构建状态][travis-image]][travis-url]|[![覆盖率][coveralls-image]][coveralls-url]\n\n[npm-image]: https:\u002F\u002Fimg.shields.io\u002Fnpm\u002Fv\u002Ftensorflow2.svg?style=flat-square\n[npm-url]: https:\u002F\u002Fnpmjs.org\u002Fpackage\u002Ftensorflow2\n[travis-image]: https:\u002F\u002Fimg.shields.io\u002Ftravis\u002Fyorkie\u002Ftensorflow-nodejs.svg?style=flat-square\n[travis-url]: https:\u002F\u002Ftravis-ci.org\u002Fyorkie\u002Ftensorflow-nodejs\n[david-image]: http:\u002F\u002Fimg.shields.io\u002Fdavid\u002Fyorkie\u002Ftensorflow-nodejs.svg?style=flat-square\n[david-url]: https:\u002F\u002Fdavid-dm.org\u002Fyorkie\u002Ftensorflow-nodejs\n[coveralls-image]: https:\u002F\u002Fimg.shields.io\u002Fcodecov\u002Fc\u002Fgithub\u002Fyorkie\u002Ftensorflow-nodejs.svg?style=flat-square\n[coveralls-url]: https:\u002F\u002Fcodecov.io\u002Fgithub\u002Fyorkie\u002Ftensorflow-nodejs?branch=master\n\n该库为 Node.js 开发者封装了 [TensorFlow][] Python 接口，其核心由 [@pipcook\u002Fboa](https:\u002F\u002Fgithub.com\u002Falibaba\u002Fpipcook\u002Fblob\u002Fmaster\u002Fdocs\u002Fmanual\u002Fintro-to-boa.md) 提供支持。\n\n**注意：** 本项目目前仍在积极开发中，不保证 API 的稳定性。尤其需要注意的是，底层的 TensorFlow C API 也尚未稳定。\n\n## 安装\n\n```sh\n$ npm install tensorflow2 --save\n```\n\n## 使用\n\n```js\nconst tf = require('tensorflow2');\n\n\u002F\u002F 加载 MNIST 数据集。\nconst dataset = tf.keras.dataset.mnist();\n\u002F\u002F {\n\u002F\u002F   train: { x: [Getter], y: [Getter] },\n\u002F\u002F   test: { x: [Getter], y: [Getter] }\n\u002F\u002F }\n\n\u002F\u002F 创建模型。\nconst model = tf.keras.models.Sequential([\n  tf.keras.layers.Flatten({\n    input_shape: [28, 28]\n  }),\n  tf.keras.layers.Dense(128, {\n    activation: 'relu'\n  }),\n  tf.keras.layers.Dropout(0.2),\n  tf.keras.layers.Dense(10)\n]);\nmodel.summary();\n\n\u002F\u002F 编译模型。\nconst loss_fn = tf.keras.losses.SparseCategoricalCrossentropy({ from_logits: true });\nmodel.compile({\n  optimizer: 'adam',\n  loss: loss_fn,\n  metrics: [ 'accuracy' ],\n});\n\n\u002F\u002F 训练模型。\nmodel.fit(dataset.train.x, dataset.train.y, { epochs: 5 });\n\n\u002F\u002F 保存模型\nmodel.save('your-model.h5');\n```\n\n完整示例请参阅 [example\u002Fmnist.js](.\u002Fexample\u002Fmnist.js)。\n\n## 测试\n\n```sh\n$ npm test\n```\n\n## 许可证\n\n[MIT](.\u002FLICENSE) 许可 @ 2020\n\n[TensorFlow]: http:\u002F\u002Ftensorflow.org","# tensorflow-nodejs 快速上手指南\n\n## 环境准备\n\n- **系统要求**：支持 Node.js 的操作系统（Linux、macOS、Windows）\n- **前置依赖**：\n  - Node.js (建议 LTS 版本)\n  - npm 包管理器\n  - Python 环境（底层依赖 TensorFlow Python API，需确保已安装）\n  - 注意：本项目基于 `@pipcook\u002Fboa` 实现，会自动处理部分 Python 桥接工作，但请确保系统环境变量配置正确。\n\n> **提示**：由于底层 TensorFlow C API 尚未完全稳定，本库目前处于活跃开发阶段，API 可能存在变动。\n\n## 安装步骤\n\n使用 npm 安装核心包：\n\n```sh\nnpm install tensorflow2 --save\n```\n\n> **国内加速建议**：如果遇到下载缓慢问题，推荐使用淘宝镜像源进行安装：\n> ```sh\n> npm install tensorflow2 --save --registry=https:\u002F\u002Fregistry.npmmirror.com\n> ```\n\n## 基本使用\n\n以下是一个基于 MNIST 数据集的简单神经网络训练示例：\n\n```js\nconst tf = require('tensorflow2');\n\n\u002F\u002F 加载 MNIST 数据集\nconst dataset = tf.keras.dataset.mnist();\n\n\u002F\u002F 构建模型\nconst model = tf.keras.models.Sequential([\n  tf.keras.layers.Flatten({\n    input_shape: [28, 28]\n  }),\n  tf.keras.layers.Dense(128, {\n    activation: 'relu'\n  }),\n  tf.keras.layers.Dropout(0.2),\n  tf.keras.layers.Dense(10)\n]);\n\n\u002F\u002F 查看模型结构\nmodel.summary();\n\n\u002F\u002F 编译模型\nconst loss_fn = tf.keras.losses.SparseCategoricalCrossentropy({ from_logits: true });\nmodel.compile({\n  optimizer: 'adam',\n  loss: loss_fn,\n  metrics: [ 'accuracy' ],\n});\n\n\u002F\u002F 训练模型\nmodel.fit(dataset.train.x, dataset.train.y, { epochs: 5 });\n\n\u002F\u002F 保存模型\nmodel.save('your-model.h5');\n```\n\n完整示例代码可参考项目中的 `example\u002Fmnist.js` 文件。","一家电商初创公司的后端团队正试图在现有的 Node.js 订单系统中集成实时欺诈检测功能，以拦截异常交易。\n\n### 没有 tensorflow-nodejs 时\n- **架构割裂严重**：团队必须额外部署一套 Python 服务来运行 TensorFlow 模型，导致 Node.js 主应用与 AI 服务之间需要通过 HTTP 或 gRPC 进行频繁通信，增加了系统复杂度。\n- **数据序列化开销大**：每次预测都需将交易特征从 JavaScript 对象序列化为 JSON 发送给 Python 端，接收后再反序列化，高并发下网络延迟和 CPU 消耗显著。\n- **开发维护成本高**：前后端开发人员需同时掌握 Node.js 和 Python 两套技术栈，且模型更新时需协调两个服务的版本发布，调试链路漫长。\n- **资源利用率低**：为了维持独立的 Python 推理服务，服务器需预留额外内存和计算资源，无法充分利用现有 Node.js 集群的空闲算力。\n\n### 使用 tensorflow-nodejs 后\n- **原生无缝集成**：直接在 Node.js 代码中引入 tensorflow-nodejs，无需搭建外部服务，像调用普通函数一样执行模型推理，架构瞬间简化为单体或微服务内的一个模块。\n- **零开销数据流转**：交易数据在内存中直接转换为 Tensor 格式输入模型，消除了网络传输和序列化过程，将单次预测延迟从毫秒级降低至微秒级。\n- **统一技术栈提效**：全栈工程师仅用 JavaScript 即可完成从数据预处理、模型加载到在线预测的全流程，大幅降低了人员技能门槛和协作成本。\n- **弹性部署更灵活**：模型随 Node.js 应用一起容器化部署，可根据业务流量自动扩缩容，显著提升了服务器资源的利用效率。\n\ntensorflow-nodejs 打破了语言壁垒，让 JavaScript 开发者能在熟悉的运行时环境中直接驾驭强大的深度学习能力，实现了 AI 工程化的“最后一公里”落地。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyorkie_tensorflow-nodejs_d652cce8.png","yorkie","Yorkie","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyorkie_ce8d79d8.jpg","Working on JSAR: the spatial Web browser engine at @Rokid","Rokid, Inc","Hangzhou, China","yorkiemakoto@gmail.com","yorkiemakoto",null,"https:\u002F\u002Fgithub.com\u002Fyorkie",[84],{"name":85,"color":86,"percentage":87},"JavaScript","#f1e05a",100,580,88,"2026-01-02T05:36:35","MIT",4,"未说明",{"notes":95,"python":96,"dependencies":97},"该项目是对 TensorFlow Python 的 Node.js 封装，底层依赖 @pipcook\u002Fboa 运行 Python 代码。项目处于活跃开发阶段，API 尚未稳定。底层 TensorFlow C API 也未稳定，生产环境使用需谨慎。","需要安装 Python 环境（因底层封装了 TensorFlow Python）",[98,99],"@pipcook\u002Fboa","tensorflow2 (NPM 包)",[14],[102,103,104],"tensorflow","tensorflow-node","nodejs","2026-03-27T02:49:30.150509","2026-04-06T20:04:20.659848",[108,113,118,123,128,133],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},19858,"在 Windows 上安装时遇到 'Could not locate the bindings file' 或 'Invalid tar header' 错误怎么办？","这通常是因为下载的 TensorFlow 二进制文件损坏或 URL 无效。维护者已确认 Windows 的下载链接曾失效。你可以尝试手动运行以下命令来重新下载和构建：\n1. 进入模块目录：cd node_modules\u002Ftensorflow2\n2. 运行下载脚本：node scripts\u002Fdownload.js\n3. 重新构建：node-gyp rebuild\n如果仍然报错 'Invalid tar header'，可能是网络问题导致压缩包损坏，请检查网络连接或尝试手动下载对应的 .tar.gz 文件并放置到正确位置。","https:\u002F\u002Fgithub.com\u002Fyorkie\u002Ftensorflow-nodejs\u002Fissues\u002F28",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},19859,"Windows 用户执行 'npm install tensorflow2' 时报错 'Not Found' (404) 如何解决？","这是因为项目配置中指向的 Windows 版本 TensorFlow 预编译库 URL 无效（例如 libtensorflow-cpu-win32-x86_64-1.2.1.tar.gz 不存在）。维护者已确认这是一个已知问题。解决方法包括：\n1. 等待维护者修复下载链接。\n2. 高级用户可以尝试手动下载正确的 TensorFlow C 库，并将其放置在项目期望的目录中。\n3. 检查 issue #26 和 #28，确认是否有关于特定版本的有效替代链接。","https:\u002F\u002Fgithub.com\u002Fyorkie\u002Ftensorflow-nodejs\u002Fissues\u002F26",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},19860,"在 macOS 上运行时出现 'Library not loaded: ... libtensorflow.so' 错误如何修复？","这是 macOS 特有的路径问题，程序无法自动找到动态链接库。解决方案是手动将 `libtensorflow.so` (或 .dylib) 文件复制到项目构建目录中。具体步骤：\n1. 找到你的 `libtensorflow.so` 文件位置。\n2. 将其复制到错误信息中提示缺失的路径，通常是：`bazel-out\u002Fdarwin_x86_64-opt\u002Fbin\u002Ftensorflow\u002F` 目录下，或者直接复制到项目根目录对应的结构路径中。\n3. 确保文件权限允许读取。\n参考 binding.gyp 配置文件中的库路径设置进行调整。","https:\u002F\u002Fgithub.com\u002Fyorkie\u002Ftensorflow-nodejs\u002Fissues\u002F25",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},19861,"如何使用现有的模型文件 (.pb)、标签文件 (.txt) 和图片进行简单的图像识别？","虽然 v1 版本已弃用且正在重写，但基本思路是加载预定义的图（Graph）。你需要：\n1. 使用 `tf.graph()` 加载你的 `.pb` 模型文件。\n2. 读取 `.txt` 标签文件到数组中。\n3. 读取图片数据并转换为 Tensor。\n4. 创建 session (`tf.session()`) 并运行图，输入图片 Tensor，获取输出结果。\n5. 将输出索引与标签数组匹配以获得分类名称和概率。\n建议查看项目中关于 'run a predefined graph' 的文档或示例代码。","https:\u002F\u002Fgithub.com\u002Fyorkie\u002Ftensorflow-nodejs\u002Fissues\u002F31",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},19862,"为什么某些操作（如 graph.shape）会导致程序崩溃 (Segmentation Fault)？","这通常是因为本地安装的 TensorFlow 库未针对当前 CPU 指令集（如 SSE4.2, AVX, AVX2, FMA）进行编译优化，导致在不兼容的机器上运行出错。日志中会出现 'The TensorFlow library wasn't compiled to use ... instructions' 的警告。\n解决方法：\n1. 尝试在支持这些指令集的机器上运行。\n2. 或者自行从源码编译 TensorFlow，开启针对当前 CPU 的优化选项。\n3. 检查是否使用了不稳定的 API，部分 Ops 可能在当前 Node.js 绑定中尚未完全支持。","https:\u002F\u002Fgithub.com\u002Fyorkie\u002Ftensorflow-nodejs\u002Fissues\u002F24",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},19863,"JavaScript 不支持运算符重载，是否有更优雅的数学表达式写法？","目前标准的写法是使用函数调用链，例如：`graph.add(graph.matmul(x, W), b)`。\n社区建议的更可读的替代方案是使用链式调用：`x.matmul(W).add(b)`。\n虽然不能直接写成 `x * W + b` 这样的数学公式形式，但可以通过封装插件或使用特定的 DSL（领域特定语言）来实现类似效果。维护者表示默认保持当前的函数调用方式，但允许通过第三方插件扩展 API 风格。","https:\u002F\u002Fgithub.com\u002Fyorkie\u002Ftensorflow-nodejs\u002Fissues\u002F2",[]]