[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ypwhs--dl-engineer-guidebook":3,"tool-ypwhs--dl-engineer-guidebook":61},[4,18,26,36,44,53],{"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",160015,2,"2026-04-18T11:30:52",[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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[52,14],{"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":76,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":76,"difficulty_score":89,"env_os":90,"env_gpu":91,"env_ram":92,"env_deps":93,"category_tags":102,"github_topics":103,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":115,"updated_at":116,"faqs":117,"releases":118},9135,"ypwhs\u002Fdl-engineer-guidebook","dl-engineer-guidebook","深度学习工程师生存指南","dl-engineer-guidebook 是一本专为深度学习从业者打造的实战型“生存指南”，旨在帮助工程师从零开始搭建高效、稳定的开发与训练环境。它系统性地解决了新手在入门阶段最常遇到的痛点：如何选配高性能深度学习工作站硬件、如何在 Windows、Linux 或 macOS 之间做出合适选择、如何快速配置 Python 环境、安装 CUDA\u002FcuDNN 驱动、部署 TensorFlow 与 PyTorch 框架，以及掌握必要的 Linux 命令和工具链。\n\n本书内容覆盖从硬件选型（CPU、显卡、存储等）到操作系统优化，再到软件生态（终端、编辑器、包管理）和计算机视觉（CV）学习资源的全流程指导，甚至包含离线环境搭建、TensorBoard 可视化技巧等实用细节。其独特之处在于以工程师视角出发，提供可复制的操作步骤和经过验证的最佳实践，而非泛泛而谈的理论介绍。\n\n适合刚入行的深度学习开发者、高校研究人员、算法工程师，以及希望自主搭建本地训练环境的 AI 爱好者使用。无论你是想组装第一台深度学习主机，还是需要在 Ubuntu 上快速复现论文模型，dl-engineer-guideboo","dl-engineer-guidebook 是一本专为深度学习从业者打造的实战型“生存指南”，旨在帮助工程师从零开始搭建高效、稳定的开发与训练环境。它系统性地解决了新手在入门阶段最常遇到的痛点：如何选配高性能深度学习工作站硬件、如何在 Windows、Linux 或 macOS 之间做出合适选择、如何快速配置 Python 环境、安装 CUDA\u002FcuDNN 驱动、部署 TensorFlow 与 PyTorch 框架，以及掌握必要的 Linux 命令和工具链。\n\n本书内容覆盖从硬件选型（CPU、显卡、存储等）到操作系统优化，再到软件生态（终端、编辑器、包管理）和计算机视觉（CV）学习资源的全流程指导，甚至包含离线环境搭建、TensorBoard 可视化技巧等实用细节。其独特之处在于以工程师视角出发，提供可复制的操作步骤和经过验证的最佳实践，而非泛泛而谈的理论介绍。\n\n适合刚入行的深度学习开发者、高校研究人员、算法工程师，以及希望自主搭建本地训练环境的 AI 爱好者使用。无论你是想组装第一台深度学习主机，还是需要在 Ubuntu 上快速复现论文模型，dl-engineer-guidebook 都能为你提供清晰、可靠的路径参考，让你把更多精力集中在模型创新而非环境调试上。","---\nsearch:\n  exclude: true\n---\n\n# 深度学习工程师生存指南\n\n![](https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg)\n ![Size](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fypwhs\u002Fdl-engineer-guidebook.svg)  ![Stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fypwhs\u002Fdl-engineer-guidebook.svg)\n\n在线阅读：[https:\u002F\u002Fdl.ypw.io](https:\u002F\u002Fdl.ypw.io)  \n在线阅读：[https:\u002F\u002Fypwhs.github.io\u002Fdl-engineer-guidebook\u002F](https:\u002F\u002Fypwhs.github.io\u002Fdl-engineer-guidebook\u002F)  \n项目地址：[https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook](https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook)  \n\n* 持续关注请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Fsubscription\" data-icon=\"octicon-eye\" data-show-count=\"true\" aria-label=\"Watch ypwhs\u002Fdl-engineer-guidebook on GitHub\">Watch\u003C\u002Fa>\n* 收藏项目请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\" data-icon=\"octicon-star\" data data-show-count=\"true\" aria-label=\"Star ypwhs\u002Fdl-engineer-guidebook on GitHub\">Star\u003C\u002Fa>\n* 贡献内容请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Ffork\" data-icon=\"octicon-repo-forked\" data-show-count=\"true\" aria-label=\"Fork ypwhs\u002Fdl-engineer-guidebook on GitHub\">Fork\u003C\u002Fa>\n* 提问或建议请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Fissues\" data-icon=\"octicon-issue-opened\" data-show-count=\"true\" aria-label=\"Issue ypwhs\u002Fdl-engineer-guidebook on GitHub\">Issue\u003C\u002Fa>\n\n本书会讲述一个深度学习工程师所需的所有东西：\n\n* [如何配置一台深度学习工作站?](how-to-build-deep-learning-workstation.md)\n    * CPU\n    * 主板\n    * 显卡\n    * 硬盘\n    * 内存\n    * 电源\n    * 网卡\n    * 机箱\n    * 显示器\n    * 键盘鼠标\n* 本地设备\n    * [Windows、Linux 还是 macOS？](windows-linux-or-macos.md)\n    * [Mac 对比](mac-compare.md)\n    * 其他\n        * 触控板\n        * 机械键盘\n        * iPad Pro\n        * 路由器\n        * NAS\n        * 移动硬盘\n        * U盘\n* [macOS 软件](macos-software.md)\n    * 终端\n    * 编辑器\n    * 浏览器\n    * 开发软件\n    * 实用工具\n    * 虚拟机\n* [macOS 环境](macos-environment.md)\n    * Homebrew\n    * oh my zsh\n    * 必备软件\n        * 终端\n        * 编辑器\n        * 浏览器\n        * 开发软件\n        * 实用工具\n        * 日常应用\n    * 必备命令\n* [Python 环境](python-environment.md)\n    * Anaconda\n    * Python 库\n* [Ubuntu 装机步骤](ubuntu-install-guide.md)\n    * 安装 Ubuntu\n    * 配置 ssh\n    * 配置 sudo 免密码 和 apt 源（推荐）\n    * 安装 oh my zsh 以及常用命令（推荐）\n    * 安装 NVIDIA 驱动、CUDA 和 cuDNN（分为 apt 和 run 两种安装方式）\n    * 安装 Anaconda 和 Python 库\n* [Ubuntu 环境](ubuntu-environment.md)\n    * CUDA\n    * cuDNN\n    * TensorFlow\n    * PyTorch\n    * 必备命令\n        * curl\n        * tmux 与 iTerm2 结合使用\n        * screen 后台运行命令\n* [常用 Linux 命令](linux-command.md)\n    * 文件查看\n    * 文件读写\n    * 打包压缩\n    * 权限管理\n    * 进程管理\n    * 磁盘管理\n    * 系统管理\n    * 系统监测\n    * 网络通信\n* [CV 学习资源](cv-resources.md)\n    * 公开课\n    * 网站\n    * 书籍\n* [常用 CV 数据集](cv-dataset.md)\n    * 数据集使用方法\n    * MNIST\n    * CIFAR\n    * ImageNet\n    * VOC\n    * COCO\n    * CelebA\n* [在 ImageNet 上表现出色的经典模型](best-models-on-imagenet.md)\n    * 预训练模型使用方法\n        * TensorFlow\n        * PyTorch\n    * 模型论文\n* [如何使用 TensorBoard](how-to-use-tensorboard.md)\n    * 安装\n    * 使用\n        * 创建文件对象（writer）\n        * 打开 TensorBoard 服务\n        * 可视化模型结构\n        * 记录标量（scalar）\n        * 记录多个标量（scalars）\n        * 记录图像（images）\n        * 完整代码\n    * 总结\n* [离线 Python 环境](offline-python-environment.md)\n\n\n\u003Cscript async defer src=\"https:\u002F\u002Fbuttons.github.io\u002Fbuttons.js\">\u003C\u002Fscript>\n","---\nsearch:\n  exclude: true\n---\n\n# 深度学习工程师生存指南\n\n![](https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Factions\u002Fworkflows\u002Fbuild.yml\u002Fbadge.svg)\n ![Size](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frepo-size\u002Fypwhs\u002Fdl-engineer-guidebook.svg)  ![Stars](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Fstars\u002Fypwhs\u002Fdl-engineer-guidebook.svg)\n\n在线阅读：[https:\u002F\u002Fdl.ypw.io](https:\u002F\u002Fdl.ypw.io)  \n在线阅读：[https:\u002F\u002Fypwhs.github.io\u002Fdl-engineer-guidebook\u002F](https:\u002F\u002Fypwhs.github.io\u002Fdl-engineer-guidebook\u002F)  \n项目地址：[https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook](https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook)  \n\n* 持续关注请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Fsubscription\" data-icon=\"octicon-eye\" data-show-count=\"true\" aria-label=\"Watch ypwhs\u002Fdl-engineer-guidebook on GitHub\">Watch\u003C\u002Fa>\n* 收藏项目请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\" data-icon=\"octicon-star\" data data-show-count=\"true\" aria-label=\"Star ypwhs\u002Fdl-engineer-guidebook on GitHub\">Star\u003C\u002Fa>\n* 贡献内容请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Ffork\" data-icon=\"octicon-repo-forked\" data-show-count=\"true\" aria-label=\"Fork ypwhs\u002Fdl-engineer-guidebook on GitHub\">Fork\u003C\u002Fa>\n* 提问或建议请点 \u003Ca class=\"github-button\" href=\"https:\u002F\u002Fgithub.com\u002Fypwhs\u002Fdl-engineer-guidebook\u002Fissues\" data-icon=\"octicon-issue-opened\" data-show-count=\"true\" aria-label=\"Issue ypwhs\u002Fdl-engineer-guidebook on GitHub\">Issue\u003C\u002Fa>\n\n本书会讲述一个深度学习工程师所需的所有东西：\n\n* [如何配置一台深度学习工作站?](how-to-build-deep-learning-workstation.md)\n    * CPU\n    * 主板\n    * 显卡\n    * 硬盘\n    * 内存\n    * 电源\n    * 网卡\n    * 机箱\n    * 显示器\n    * 键盘鼠标\n* 本地设备\n    * [Windows、Linux 还是 macOS？](windows-linux-or-macos.md)\n    * [Mac 对比](mac-compare.md)\n    * 其他\n        * 触控板\n        * 机械键盘\n        * iPad Pro\n        * 路由器\n        * NAS\n        * 移动硬盘\n        * U盘\n* [macOS 软件](macos-software.md)\n    * 终端\n    * 编辑器\n    * 浏览器\n    * 开发软件\n    * 实用工具\n    * 虚拟机\n* [macOS 环境](macos-environment.md)\n    * Homebrew\n    * oh my zsh\n    * 必备软件\n        * 终端\n        * 编辑器\n        * 浏览器\n        * 开发软件\n        * 实用工具\n        * 日常应用\n    * 必备命令\n* [Python 环境](python-environment.md)\n    * Anaconda\n    * Python 库\n* [Ubuntu 装机步骤](ubuntu-install-guide.md)\n    * 安装 Ubuntu\n    * 配置 ssh\n    * 配置 sudo 免密码 和 apt 源（推荐）\n    * 安装 oh my zsh 以及常用命令（推荐）\n    * 安装 NVIDIA 驱动、CUDA 和 cuDNN（分为 apt 和 run 两种安装方式）\n    * 安装 Anaconda 和 Python 库\n* [Ubuntu 环境](ubuntu-environment.md)\n    * CUDA\n    * cuDNN\n    * TensorFlow\n    * PyTorch\n    * 必备命令\n        * curl\n        * tmux 与 iTerm2 结合使用\n        * screen 后台运行命令\n* [常用 Linux 命令](linux-command.md)\n    * 文件查看\n    * 文件读写\n    * 打包压缩\n    * 权限管理\n    * 进程管理\n    * 磁盘管理\n    * 系统管理\n    * 系统监测\n    * 网络通信\n* [CV 学习资源](cv-resources.md)\n    * 公开课\n    * 网站\n    * 书籍\n* [常用 CV 数据集](cv-dataset.md)\n    * 数据集使用方法\n    * MNIST\n    * CIFAR\n    * ImageNet\n    * VOC\n    * COCO\n    * CelebA\n* [在 ImageNet 上表现出色的经典模型](best-models-on-imagenet.md)\n    * 预训练模型使用方法\n        * TensorFlow\n        * PyTorch\n    * 模型论文\n* [如何使用 TensorBoard](how-to-use-tensorboard.md)\n    * 安装\n    * 使用\n        * 创建文件对象（writer）\n        * 打开 TensorBoard 服务\n        * 可视化模型结构\n        * 记录标量（scalar）\n        * 记录多个标量（scalars）\n        * 记录图像（images）\n        * 完整代码\n    * 总结\n* [离线 Python 环境](offline-python-environment.md)\n\n\n\u003Cscript async defer src=\"https:\u002F\u002Fbuttons.github.io\u002Fbuttons.js\">\u003C\u002Fscript>","# dl-engineer-guidebook 快速上手指南\n\n本指南基于《深度学习工程师生存指南》项目整理，旨在帮助开发者快速搭建深度学习开发环境并掌握核心工作流。\n\n## 环境准备\n\n在开始之前，请确保你的硬件和操作系统满足以下基本要求：\n\n*   **硬件配置**：\n    *   **显卡 (GPU)**：推荐 NVIDIA 显卡（支持 CUDA），显存建议 8GB 以上。\n    *   **内存**：建议 16GB 或以上。\n    *   **存储**：建议配备 SSD 以加快数据读取和系统响应。\n*   **操作系统**：\n    *   **首选**：Ubuntu Linux（生产环境和服务器部署推荐）。\n    *   **开发\u002F日常**：macOS 或 Windows（Windows 用户建议使用 WSL2 或虚拟机运行 Linux）。\n*   **前置依赖**：\n    *   稳定的网络连接（配置国内镜像源可显著提升下载速度）。\n    *   基础命令行操作知识。\n\n## 安装步骤\n\n以下以 **Ubuntu** 系统为例，展示从零搭建深度学习环境的核心步骤。macOS 用户可参考类似逻辑使用 Homebrew 进行安装。\n\n### 1. 系统初始化与基础工具\n更新软件源并安装必要的基础工具（推荐使用国内镜像源，如阿里云或清华源替换默认源）：\n\n```bash\nsudo apt update\nsudo apt upgrade -y\nsudo apt install -y git curl wget vim build-essential\n```\n\n配置 `oh my zsh` 以提升终端体验（可选但推荐）：\n```bash\nsh -c \"$(curl -fsSL https:\u002F\u002Fraw.githubusercontent.com\u002Fohmyzsh\u002Fohmyzsh\u002Fmaster\u002Ftools\u002Finstall.sh)\"\n```\n\n### 2. 安装 NVIDIA 驱动与 CUDA 环境\n根据显卡型号安装对应的驱动、CUDA Toolkit 和 cuDNN。推荐使用 `apt` 方式安装以保持系统稳定性：\n\n```bash\n# 添加 NVIDIA 包仓库\ndistribution=$(. \u002Fetc\u002Fos-release;echo $ID$VERSION_ID) \\\n      && curl -s -L https:\u002F\u002Fnvidia.github.io\u002Flibnvidia-container\u002Fgpgkey | sudo apt-key add - \\\n      && curl -s -L https:\u002F\u002Fnvidia.github.io\u002Flibnvidia-container\u002F$distribution\u002Flibnvidia-container.list | \\\n            sudo tee \u002Fetc\u002Fapt\u002Fsources.list.d\u002Fnvidia-container-toolkit.list\n\nsudo apt-get update\nsudo apt-get install -y nvidia-driver-535 nvidia-cuda-toolkit\n```\n*注：具体驱动版本号（如 535）请根据官网最新推荐调整。*\n\n验证安装：\n```bash\nnvidia-smi\nnvcc --version\n```\n\n### 3. 配置 Python 环境与深度学习框架\n推荐使用 **Anaconda** 或 **Miniconda** 管理 Python 环境，避免污染系统自带 Python。\n\n```bash\n# 下载 Miniconda 安装包 (建议使用清华镜像加速)\nwget https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh\nbash Miniconda3-latest-Linux-x86_64.sh\n\n# 初始化完成后重新打开终端，创建虚拟环境\nconda create -n dl-env python=3.9\nconda activate dl-env\n\n# 配置 pip 国内镜像 (清华源)\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装 PyTorch (示例，具体版本请参考 pytorch.org)\npip install torch torchvision torchaudio\n# 或安装 TensorFlow\npip install tensorflow\n```\n\n## 基本使用\n\n环境搭建完成后，即可开始深度学习开发任务。以下是两个最典型的使用场景。\n\n### 1. 验证 GPU 加速\n创建一个简单的 Python 脚本测试 PyTorch 是否成功调用 GPU：\n\n```python\nimport torch\n\nprint(f\"PyTorch version: {torch.__version__}\")\nprint(f\"CUDA available: {torch.cuda.is_available()}\")\nif torch.cuda.is_available():\n    print(f\"GPU Device: {torch.cuda.get_device_name(0)}\")\n    \n    # 简单张量运算测试\n    x = torch.rand(5, 3).cuda()\n    y = torch.rand(5, 3).cuda()\n    z = torch.matmul(x, y.T)\n    print(\"GPU Matrix Multiplication Successful:\", z.shape)\n```\n\n运行脚本：\n```bash\npython test_gpu.py\n```\n\n### 2. 使用 TensorBoard 可视化训练过程\n在训练代码中集成 TensorBoard 以监控损失和准确率。\n\n**代码示例：**\n```python\nfrom torch.utils.tensorboard import SummaryWriter\n\n# 创建日志写入对象\nwriter = SummaryWriter('runs\u002Fexperiment_1')\n\nfor i in range(100):\n    # 模拟训练损失下降\n    loss = 1.0 \u002F (i + 1)\n    writer.add_scalar('Loss\u002Ftrain', loss, i)\n    \n    # 模拟准确率上升\n    acc = 1.0 - loss\n    writer.add_scalar('Accuracy\u002Ftrain', acc, i)\n\nwriter.close()\nprint(\"Logs written to runs\u002Fexperiment_1\")\n```\n\n**启动 TensorBoard 服务：**\n```bash\ntensorboard --logdir=runs\n```\n在浏览器中访问 `http:\u002F\u002Flocalhost:6006` 即可查看可视化图表。\n\n### 3. 常用后台运行命令\n在服务器上进行长时间训练时，建议使用 `tmux` 或 `screen` 防止会话断开导致任务终止：\n\n```bash\n# 创建名为 train_job 的 tmux 会话\ntmux new -s train_job\n\n# 在会话中运行训练脚本\npython train.py\n\n# 按 Ctrl+B 然后按 D 退出会话（任务仍在后台运行）\n\n# 重新连接会话\ntmux attach -t train_job\n```","刚入职的算法工程师小李接到任务，需要在一周内从零搭建一台高性能深度学习工作站并配置好 Ubuntu 训练环境，以便立即开始模型迭代。\n\n### 没有 dl-engineer-guidebook 时\n- **硬件选型迷茫**：面对繁杂的 CPU、主板和显卡型号，不知如何平衡预算与算力，担心买错配件导致兼容性问题或电源不足。\n- **环境配置踩坑**：在安装 NVIDIA 驱动、CUDA 和 cuDNN 时，因分不清 apt 源安装与 run 文件安装的区别，反复遭遇版本冲突，耗费两天时间解决报错。\n- **命令操作生疏**：不熟悉 Linux 下的进程管理、磁盘监控及 tmux 后台运行技巧，导致训练任务因网络波动中断后无法恢复，数据前功尽弃。\n- **资源查找低效**：为了寻找合适的 CV 数据集和预训练模型，在多个网站间反复跳转筛选，缺乏系统性的权威指引。\n\n### 使用 dl-engineer-guidebook 后\n- **硬件清单明确**：直接参考指南中的“深度学习工作站配置”章节，快速确定了兼容性强且性价比高的硬件清单，一次性组装成功。\n- **环境一键就绪**：依照\"Ubuntu 装机步骤”中推荐的标准化流程，顺利完成了驱动与深度学习框架的安装，避免了常见的依赖地狱。\n- **开发效率倍增**：利用指南整理的常用 Linux 命令和 tmux 结合 iTerm2 的最佳实践，轻松实现任务后台守护与实时监测，不再惧怕连接断开。\n- **资源触手可及**：通过\"CV 学习资源”和“经典模型”章节，迅速定位到 ImageNet 上的 SOTA 模型及对应数据集，当天便启动了基线实验。\n\ndl-engineer-guidebook 将原本需要数周摸索的基础设施搭建工作压缩至一天，让工程师能真正专注于核心算法研发而非环境调试。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fypwhs_dl-engineer-guidebook_61b51596.png","ypwhs","杨培文 (Yang Peiwen)","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fypwhs_21ee0f2f.jpg",null,"DLCV.AI","Guangdong","https:\u002F\u002Fypw.io","https:\u002F\u002Fgithub.com\u002Fypwhs",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,921,104,"2026-04-14T09:16:53",1,"Windows, Linux, macOS","深度学习工作站需 NVIDIA 显卡（具体型号未说明），需安装 NVIDIA 驱动、CUDA 和 cuDNN（版本未说明）；macOS 部分未强调 GPU 加速需求","未说明",{"notes":94,"python":95,"dependencies":96},"本项目为《深度学习工程师生存指南》文档，非单一可执行代码库。内容涵盖硬件组装（CPU\u002F主板\u002F显卡等）、操作系统选择（Win\u002FLinux\u002FMac）、环境配置（驱动\u002FCUDA\u002FConda）及常用工具链。具体软件版本（如 Python、CUDA、框架版本）需参考文档内各章节的详细安装指南，文中提供了 Ubuntu 和 macOS 的完整配置流程。","未说明（建议使用 Anaconda 管理）",[97,98,99,100,101],"TensorFlow","PyTorch","CUDA","cuDNN","Anaconda",[14],[104,105,106,107,108,109,110,111,112,113,114],"gitbook","deeplearning","guidebook","macos","linux","hardware","installation-notes","deep-learning","tensorflow","pytorch","homebrew","2026-03-27T02:49:30.150509","2026-04-18T22:36:26.046998",[],[]]