Video yükleniyor...

Video Yüklenemedi

Bu video yüklenirken bir sorun oluştu. Bu geçici bir ağ sorunundan kaynaklanıyor olabilir veya video kullanılamıyor olabilir.

Ana Sayfaya Dön

初学者学习 Python，经常被引用、可变性这些概念搞得头晕，调试复杂数据结构，更是分不清变量之间的关系，非常头疼。可以看一下，memory_graph 这个可视化开源工具，它能让我们一眼看清 Python 数据结构和引用关系。通过直观清晰的图形界面，展示变量间的引用关系、数据共享情况和完整的调用栈，还支持各种 Python 环境包括 Jupyter、VS Code 调试器等。 GitHub：主要功能： - 可视化任意 Python 数据结构，包括列表、字典、自定义类等； - 清楚显示变量间的引用和共享关系，避免意外的数据修改； - 完整的函数调用栈可视化，理解程序执行流程和作用域； - 支持递归函数、二叉树、链表等复杂数据结构的动态展示。支持 VS Code、Jupyter、PyCharm 等多种开发环境，同时提供 Web 版调试器，无需安装即可在线体验和学习。

GitHubDaily

65,668 subscribers

57,015 görüntüleme • 9 ay önce •via X (Twitter)

Sağlık & İyilik Bilim & Teknoloji Eğitim

Anya Rossi• Live Now

Private livecam show

0 Yorum

Yorum bulunmuyor

Orijinal gönderinin yorumları burada görünecek

Benzer Videolar

全球最贵的金融团队都在 GitHub 上开源了什么？普通人怎么了解量化？直接上手是最快的 Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构，都放出了代表性的金融/工程工具，帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇 1. Jane Street magic-trace（5.4k stars）基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的同学，强烈推荐试试 2. Goldman Sachs gs-quant（10.2k stars）高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的同学，实用性很强 3. Perspective（原 J.P. Morgan 项目，10.5k stars） J.P. Morgan 开源的实时数据可视化利器，特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好这三个开源项目，能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具，帮普通开发者提升量化分析、数据可视化和代码优化能力，完全免费

全球最贵的金融团队都在 GitHub 上开源了什么？普通人怎么了解量化？直接上手是最快的 Jane Street、Goldman Sachs、J.P. Morgan 等顶级量化与高频交易机构，都放出了代表性的金融/工程工具，帮助普通量化爱好者免费学到机构级的定价模型、实时数据可视化和高精度性能调试能力👇 1. Jane Street magic-trace（5.4k stars）基于 Intel Processor Trace 的高精度进程追踪工具。普通 profiler 看不清调用栈的时候，它能以纳秒级分辨率记录 CPU 每一条指令的完整执行过程。想深入调试性能、搞清楚程序到底卡在哪里的同学，强烈推荐试试 2. Goldman Sachs gs-quant（10.2k stars）高盛交易员日常使用的衍生品定价和风险管理 Python 工具包。包含期权、掉期等常见衍生品的完整定价模型和风险计算模块。直接 pip 安装就能用，适合想系统学习机构级量化定价的同学，实用性很强 3. Perspective（原 J.P. Morgan 项目，10.5k stars） J.P. Morgan 开源的实时数据可视化利器，特别擅长处理海量流式行情数据。能快速搭建漂亮的交互式仪表盘和实时监控界面，支持 Jupyter，比很多付费终端还灵活。对做数据分析和行情可视化的朋友非常友好这三个开源项目，能让你直接用上机构级的定价模型、实时行情仪表盘和高精度性能调试工具，帮普通开发者提升量化分析、数据可视化和代码优化能力，完全免费

梭哈.AI

95,862 görüntüleme • 1 ay önce

一个轻量级可视化的 AI 智能体工作流构建器：PySpur。提供了拖拽式构建、循环、文件上传、结构化输出、RAG、多模态支持、工具集成等等功能。 GitHub：可一键部署，发布为 API 并在任意地方集成使用。支持超过 100 个 LLM 提供商、嵌入器和向量数据库。

一个轻量级可视化的 AI 智能体工作流构建器：PySpur。提供了拖拽式构建、循环、文件上传、结构化输出、RAG、多模态支持、工具集成等等功能。 GitHub：可一键部署，发布为 API 并在任意地方集成使用。支持超过 100 个 LLM 提供商、嵌入器和向量数据库。

GitHubDaily

34,824 görüntüleme • 1 yıl önce

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

近期我们研究员正在寻找优质的全流通项目，避免了VC抛售的困扰，同时属于热门赛道，比如 #DEPIN+#AI。并且尽可能上线币安等一线交易所。我很兴奋的给大家分享挖掘出的一颗宝石：Streamr Network ，代币名称为：#DATA ，币安上线。5000万市值，全球通，目前价格0.055。 #Streamr: 一个去中心化实时数据共享网络，旨在提供高速、可靠的数据流传输和处理。通过去中心化的 P2P 架构，无需中央服务器，避免供应商锁定和单点故障。Streamr 为开发者和企业提供了一个无需信任的环境来发布、订阅和交易数据流。其核心目标是使数据变得更加自由和开放，从而推动数据生态系统的发展。数据传输在 #AI 和 #DEPIN 领域应用广泛。数据隐私+低延迟+安全性+抗审查至关重要，#Streamr 为此努力了6年之久，今年一季度发布了 #Streamr 1.0 主网！标志着项目的重要里程碑，将带来更稳定和高效的数据网络性能。看好的理由： ①实时数据流 Streamr 支持实时数据的发布和订阅，用户可以创建或加入数据流，享受即时的数据更新。这在DEPIN、AI、金融市场数据分析等领域非常重要。 ②去中心化网络：网络的P2P去中心化架构确保了数据的安全性和隐私性，消除了单点故障的风险。所有数据流和交易都是在无需信任的环境中进行，具备抗审查性。 ③数据市场： Streamr 内置了一个数据市场，允许用户自由交易数据流。数据提供者可以通过出售数据流获利，而数据消费者可以根据需要购买实时数据。 ④集成与可扩展性： Streamr 提供了强大的 API 和 SDK，使开发者能够轻松地将数据流功能集成到现有的应用程序和平台中。此外，Streamr 网络能够与其他区块链系统（如以太坊）无缝对接，进一步拓展了其应用范围。实际使用案例： Crypto Queries：项目利用 AI 语言工具与 Web3 数据进行交互，提供了一个强大的工具来查询和分析区块链数据。 Streamr ML Demo：项目将 Streamr 平台与 Binance API 连接，使用 ARIMA 机器学习模型来预测未来的交易数据，并在网页上显示实时和预测数据。 Breathing Easy：项目通过Streamr网络和 AI 聊天机器人展示实时空气污染数据，使得用户可以轻松理解空气质量信息。 Streamr+AI： AI数据源：为AI模型提供高质量的实时数据以进行训练和微调。 $DATA 激励数据提供商推动AI数据经济的发展。同时 $DATA 可充当数据交换媒介，通过P2P网络大规模分发带宽密集型AI生成的内容（视频/音频）。 Streamr+DEPIN： DEPIN数据交换媒介：DePIN 中，Streamr 可以促进互联设备之间向去中心化数据交换的转变，使 DePIN 从中心化数据管道过渡到完全去中心化的贡献者阵列。Streamr 协议允许 DePIN 用户通过其网络和技术堆栈向上、向内或向下传输数据。未来展望 Streamr 的去中心化实时数据共享网络具有广阔的应用前景。随着 1.0 版本的发布和更多开发者加入生态系统，Streamr 有望在AI、DEPIN、金融数据和更多领域发挥重要作用。通过不断的技术创新和社区驱动的发展，Streamr 正在努力实现其构建开放和自由数据生态系统的愿景。 👇视频详细了解：

Rocky

64,824 görüntüleme • 2 yıl önce

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub：除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。

工作中经常查询数据库获取相关数据，每次都要写 SQL 语句挺烦的，如果涉及多表关联查询更麻烦。可以试下，OpenChatBI 这个开源的智能 BI 工具，用自然语言就能查询和分析数据，告别手写 SQL 的烦恼。基于 LangGraph 和 LangChain 构建，通过自然语言描述，理解后自动转换为 SQL 语句，还能执行查询、生成可视化图表。 GitHub：除此之外，还支持通过 MCP 配置接入外部工具扩展功能，以及对知识库整合可以回答复杂问题。提供了直观的 Web UI 界面，通过 pip 或 uv 安装后配置 LLM 和数据库连接即可使用。

GitHubDaily

22,040 görüntüleme • 7 ay önce

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub：主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。

在日常工作中，需要调试网络问题或监控系统流量，工具要么界面复杂难用，要么功能单一无法满足，要么需要付费。无独有偶，在 GitHub 上发现了 Oryx 这个功能强大的开源工具，可在终端上直观的监控和分析网络。通过 eBPF 在内核层面捕获网络数据包，提供实时流量可视化、统计分析和防火墙功能。 GitHub：主要功能： - 实时网络流量检测和可视化展示 - 全面的流量统计和分析报告 - 内置防火墙功能，可直接管理网络规则 - 指标浏览器，深度分析网络性能数据 - 模糊搜索功能，快速定位特定数据包 - 支持数据导出，便于后续分析处理需要 Linux 6.10+ 内核版本，通过包管理器安装或从源码编译使用，适合运维人员和网络工程师。

GitHubDaily

15,348 görüntüleme • 10 ay önce

反共这件事儿根本就不是问题。问题的核心是只肯嘴上反共、却一点儿都不愿意行动的中华蛆。除了甜党党员、甜党资助者，你们这些嘴上反共的中华蛆就是一群想躺在家、天上掉下一本美国护照的垃圾！中华蛆这个种族就是低劣的垃圾！一群烂泥扶不上墙的死妈中华蛆！！！学习编程的视频在这里，每人领一份儿、配合chatgpt使用，回头联系我的邮箱我们讨论怎么做更合适。 zaochun837@gmail.com MySQL 数据库学习。 HTML、CSS、JavaScript 网页前端 Node.js 教學，全端当您决定独立开发一个问答网站时，以下是一个可能的学习计划：第一阶段：准备工作和基础知识学习 HTML、CSS 和 JavaScript：学习 HTML 标记语言，了解如何创建网页结构。学习 CSS 样式表，了解如何设计网页的外观和布局。学习 JavaScript 编程语言，了解如何实现网页的交互功能和动态效果。掌握基本的 Web 开发概念：了解 HTTP 协议、Web 服务器和客户端之间的交互过程。学习如何使用浏览器开发者工具进行调试和排查问题。第二阶段：学习后端开发技术选择并学习后端开发语言：选择一种后端开发语言，例如 Python、Java、JavaScript（Node.js）、PHP 等。学习选择语言的基本语法和编程概念。学习后端框架和数据库：了解并学习选择语言的主流后端框架，例如 Spring Boot（Java）、Django（Python）、Express.js（Node.js）、Laravel（PHP）等。学习如何使用框架创建 Web 应用程序，并与数据库进行交互。学习数据库设计和管理：学习数据库基础知识，如关系型数据库和非关系型数据库的特点和应用场景。学习如何使用数据库管理系统（如 MySQL、PostgreSQL、MongoDB 等）进行数据建模、查询和管理。第三阶段：构建问答网站设计和规划：定义问答网站的功能和需求，包括用户注册登录、发布问题、回答问题、搜索功能等。设计网站的用户界面和交互流程。开发后端：使用所选的后端框架和数据库，开发网站的后端逻辑和数据存储功能。实现用户认证和授权功能，确保用户数据的安全性和隐私。开发前端：使用 HTML、CSS 和 JavaScript，开发网站的前端界面和交互功能。选择合适的前端框架或库（如 React、Vue.js、Angular 等），加速开发过程。测试和优化：进行单元测试和集成测试，确保网站的功能和性能符合预期。优化网站的性能、安全性和用户体验。部署和上线：配置服务器环境，将网站部署到云服务商或自己搭建的服务器上。确保网站的稳定性和可靠性，并监控运行状态。第四阶段：维护和更新持续改进：根据用户反馈和需求，持续优化和改进网站功能和性能。定期更新网站的内容和功能，保持网站的活跃度和吸引力。监控和维护：定期监控网站的运行状态和性能指标，及时处理和修复可能出现的问题。定期备份网站数据，确保数据安全性和可恢复性。以上是一个大致的学习计划，您可以根据自己的学习进度和实际需求进行调整和补充。在学习过程中，不断练习和实践是提高编程技能的关键，同时也可以通过阅读相关文档和参考优秀的开源项目来加速学习进程。祝您开发问答网站的顺利！

反共这件事儿根本就不是问题。问题的核心是只肯嘴上反共、却一点儿都不愿意行动的中华蛆。除了甜党党员、甜党资助者，你们这些嘴上反共的中华蛆就是一群想躺在家、天上掉下一本美国护照的垃圾！中华蛆这个种族就是低劣的垃圾！一群烂泥扶不上墙的死妈中华蛆！！！学习编程的视频在这里，每人领一份儿、配合chatgpt使用，回头联系我的邮箱我们讨论怎么做更合适。 [email protected] MySQL 数据库学习。 HTML、CSS、JavaScript 网页前端 Node.js 教學，全端当您决定独立开发一个问答网站时，以下是一个可能的学习计划：第一阶段：准备工作和基础知识学习 HTML、CSS 和 JavaScript：学习 HTML 标记语言，了解如何创建网页结构。学习 CSS 样式表，了解如何设计网页的外观和布局。学习 JavaScript 编程语言，了解如何实现网页的交互功能和动态效果。掌握基本的 Web 开发概念：了解 HTTP 协议、Web 服务器和客户端之间的交互过程。学习如何使用浏览器开发者工具进行调试和排查问题。第二阶段：学习后端开发技术选择并学习后端开发语言：选择一种后端开发语言，例如 Python、Java、JavaScript（Node.js）、PHP 等。学习选择语言的基本语法和编程概念。学习后端框架和数据库：了解并学习选择语言的主流后端框架，例如 Spring Boot（Java）、Django（Python）、Express.js（Node.js）、Laravel（PHP）等。学习如何使用框架创建 Web 应用程序，并与数据库进行交互。学习数据库设计和管理：学习数据库基础知识，如关系型数据库和非关系型数据库的特点和应用场景。学习如何使用数据库管理系统（如 MySQL、PostgreSQL、MongoDB 等）进行数据建模、查询和管理。第三阶段：构建问答网站设计和规划：定义问答网站的功能和需求，包括用户注册登录、发布问题、回答问题、搜索功能等。设计网站的用户界面和交互流程。开发后端：使用所选的后端框架和数据库，开发网站的后端逻辑和数据存储功能。实现用户认证和授权功能，确保用户数据的安全性和隐私。开发前端：使用 HTML、CSS 和 JavaScript，开发网站的前端界面和交互功能。选择合适的前端框架或库（如 React、Vue.js、Angular 等），加速开发过程。测试和优化：进行单元测试和集成测试，确保网站的功能和性能符合预期。优化网站的性能、安全性和用户体验。部署和上线：配置服务器环境，将网站部署到云服务商或自己搭建的服务器上。确保网站的稳定性和可靠性，并监控运行状态。第四阶段：维护和更新持续改进：根据用户反馈和需求，持续优化和改进网站功能和性能。定期更新网站的内容和功能，保持网站的活跃度和吸引力。监控和维护：定期监控网站的运行状态和性能指标，及时处理和修复可能出现的问题。定期备份网站数据，确保数据安全性和可恢复性。以上是一个大致的学习计划，您可以根据自己的学习进度和实际需求进行调整和补充。在学习过程中，不断练习和实践是提高编程技能的关键，同时也可以通过阅读相关文档和参考优秀的开源项目来加速学习进程。祝您开发问答网站的顺利！

Fuck Xi jinping Biden Newsom

106,880 görüntüleme • 2 yıl önce

酷，一款智能地图分析工具：chat2geo，可以用聊天的方式分析卫星图像和地理数据提供自然语言描述需求，Chat2Geo就能理解并转换为专业的地理分析任务，调用Google地球引擎获取卫星数据进行处理分析支持处理卫星图像、分析地理数据以及各种专业分析比如，分析城市问题，查看城市热度分布，检测空气污染情况，观察城市发展变化；做土地分析，可以了解土地使用以及土地变化情况等支持上传自己的矢量数据，将其与GEE的卫星图像数据结合起来进行分析 #地理数据分析工具 #AI城市地址分析 #chat2geo #AI环境分析工具

酷，一款智能地图分析工具：chat2geo，可以用聊天的方式分析卫星图像和地理数据提供自然语言描述需求，Chat2Geo就能理解并转换为专业的地理分析任务，调用Google地球引擎获取卫星数据进行处理分析支持处理卫星图像、分析地理数据以及各种专业分析比如，分析城市问题，查看城市热度分布，检测空气污染情况，观察城市发展变化；做土地分析，可以了解土地使用以及土地变化情况等支持上传自己的矢量数据，将其与GEE的卫星图像数据结合起来进行分析 #地理数据分析工具 #AI城市地址分析 #chat2geo #AI环境分析工具

AIGCLINK

18,027 görüntüleme • 1 yıl önce

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub：同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。

平时分析数据，从清洗、探索到建模、可视化，再到撰写报告，整个流程非常耗时，当要面对多个不同格式的数据文件时更是头疼。恰巧，找到了 DeepAnalyze 这个开源项目，它能让 AI 自主完成整个数据科学流程，真正做到无需人工干预。基于 DeepSeek-R1 和课程学习训练方法开发，支持数据准备、分析、建模、可视化到报告生成的全流程。可以处理数据库、CSV、Excel、JSON、XML 等各种格式数据，最终直接生成专业级的研究报告给我们。 GitHub：同时提供 50 万条训练数据集，完全开源模型和代码，方便我们二次开发。只需克隆代码到本地并下载模型后，通过 vLLM 部署即可使用。

GitHubDaily

21,964 görüntüleme • 8 ay önce

使用 ComfyUI 进行 AI 创作时，有时候需反复手动替换模型测试效果，调个参数又要试十几遍才生成满意结果，颇为头疼。现在，字节开源了一款专为 ComfyUI 设计的批量处理扩展插件：ComfyUI Lumi Batcher，让我们能批量处理各种参数组合，高效的调参。该插件支持在工作流内所有参数的自由交叉调试，还提供多维表格让我们直观预览所有生成结果，告别手动逐个对比的繁琐过程。 GitHub：主要功能： - 全参数交叉调试，超越传统 xyz 三维限制 - 多组参数自由组合，支持复杂场景配置 - 多维表格可视化预览，结果管理更直观 - 智能化结果管理，自动分类和命名 - 支持文本、图像、视频等多模态创作 - 丝滑交互设计，降低学习成本通过 ComfyUI Manager 搜索安装即可使用，使用 ComfyUI 创作的同学值得安装一下。

使用 ComfyUI 进行 AI 创作时，有时候需反复手动替换模型测试效果，调个参数又要试十几遍才生成满意结果，颇为头疼。现在，字节开源了一款专为 ComfyUI 设计的批量处理扩展插件：ComfyUI Lumi Batcher，让我们能批量处理各种参数组合，高效的调参。该插件支持在工作流内所有参数的自由交叉调试，还提供多维表格让我们直观预览所有生成结果，告别手动逐个对比的繁琐过程。 GitHub：主要功能： - 全参数交叉调试，超越传统 xyz 三维限制 - 多组参数自由组合，支持复杂场景配置 - 多维表格可视化预览，结果管理更直观 - 智能化结果管理，自动分类和命名 - 支持文本、图像、视频等多模态创作 - 丝滑交互设计，降低学习成本通过 ComfyUI Manager 搜索安装即可使用，使用 ComfyUI 创作的同学值得安装一下。

GitHubDaily

43,869 görüntüleme • 1 yıl önce

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

发现一个讲的很细的大语言模型微调教程，详细介绍了整个流程,包括数据准备、参数设置、资源监控等关键步骤。基本没有技术能力也可以完成微调。想要了解 LLM 原理的可以按这个实践一下。时间轴： 0:00 概念概览 3:02 自定义数据的准备 8:17 微调操作演示（T4 版本） 16:52 微调操作演示（A100 版本） 19:13 在 Hugging Face 上的保存与使用方法文字版整理： ✲ 如何使用自己的数据对大语言模型进行微调(fine-tuning)：对大语言模型进行微调并不一定非常困难和昂贵。通过使用自己的数据集对预训练模型进行微调,可以让模型更好地适应特定的任务需求。微调过程能够在保留原模型语言理解能力的基础上,进一步提升其在特定领域或任务上的表现。 ✲ 使用Hugging Face模型库和Unslaw工具进行模型微调： Hugging Face提供了丰富的预训练语言模型资源,用户可以根据任务需求选择合适的模型作为基础进行微调。而Unslaw工具则提供了一套简单高效的微调流程,其优点包括出色的内存使用效率以及对扩展上下文窗口的支持。通过Unslaw,用户能够以较低的资源开销完成模型微调。 ✲ 在Google Colab上使用免费/付费GPU资源进行微调： Google Colab提供了免费和付费的GPU资源,用户可以根据任务的复杂程度选择使用T4或A100。对于大多数微调任务而言,免费的T4资源已经足够。但如果数据集较大或模型较为复杂,升级到A100可以获得更充裕的算力支持。Colab为用户提供了一个易于上手的模型微调环境。 ✲ 准备自定义的微调数据集：准备微调数据的过程并不复杂。用户可以直接使用纯文本文件作为数据来源,而无需进行额外的预处理。为了获得理想的微调效果,建议至少准备100-200个样本。在示例中,为了快速演示,仅使用了几个样本。通过一个简单的Python脚本,可以方便地将原始文本数据转换为微调所需的JSON格式。 ✲ 修改Colab笔记本中的参数设置：在Colab笔记本中,需要根据实际情况调整一些参数。例如,可以根据数据集的token数量来设置max_sequence_length参数,借助rope scaling技术,模型能够支持任意长度的上下文。此外,还可以选择使用Instruct系列模型作为base model,直接在其基础上进行指令微调。为了节省资源,可以启用4-bit量化。同时,参考Q-Lora论文的建议,调整R值和alpha值,以在资源占用和模型质量之间取得平衡。 ✲ 训练过程中的资源使用监控：在模型训练过程中,用户可以通过Colab的资源监控选项卡实时观察GPU、内存和硬盘的使用情况。如果发现资源不足,可以考虑从T4升级到A100。通过监控资源占用,用户能够及时调整配置,确保微调任务稳定高效地进行。 ✲ 模型训练的loss变化和最佳checkpoint的选择：通过记录不同训练步数下的loss值,可以判断模型的收敛情况。理想的做法是选择loss下降曲线趋于平缓的点作为最佳checkpoint,这样既能充分训练模型,又能避免过拟合。为了事后方便筛选,可以设置每隔一定步数保存一次checkpoint。 ✲ 模型微调完成后的保存与使用：微调完成后,可以选择只保存adapter layers以加快保存速度。但更推荐的做法是保存完整模型,并使用float16精度,这样可以得到一个更通用和标准的模型格式,方便后续的部署和使用。 ✲ 在Hugging Face上公开或私有发布微调后的模型：用户可以选择在Hugging Face的模型库中公开或私有地发布自己微调后的模型。发布之前,需要在Hugging Face账号中创建一个访问令牌,并在发布时提供相应的用户名和令牌信息。通过在Hugging Face上发布模型,用户可以方便地与他人分享自己的微调成果。 ✲ 使用微调后的模型进行推理(inference)：在使用微调后的模型进行推理时,首先需要加载保存的模型。接着,使用tokenizer对输入的文本进行处理,并将其传入模型。进行推理时,max_length参数需要与训练时保持一致,以确保生成的结果不会被截断。完成以上步骤后,就可以利用微调后的模型进行各种实际应用了。

歸藏(guizang.ai)

61,710 görüntüleme • 2 yıl önce

兄弟们这个牛P啊写网络爬虫的时代结束了 Firecrawl Extract：只需文字提示，即可爬取任意网络数据它只需通过简单的自然语言提示，就能将整个网站转换为结构化数据，完全省去手动写脚本的麻烦。无论你需要的是一页内容，还是整个网站的信息，都可以轻松爬取。支持复杂数据提取，像从网页提取联系人信息、任务描述、动态价格等。

兄弟们这个牛P啊写网络爬虫的时代结束了 Firecrawl Extract：只需文字提示，即可爬取任意网络数据它只需通过简单的自然语言提示，就能将整个网站转换为结构化数据，完全省去手动写脚本的麻烦。无论你需要的是一页内容，还是整个网站的信息，都可以轻松爬取。支持复杂数据提取，像从网页提取联系人信息、任务描述、动态价格等。

小互

183,596 görüntüleme • 1 yıl önce

autocli v0.3 重磅更新 🎉🎉🎉 精准的、AI自动化的抓取任何网站的数据！ - 使用 autocli 的 chrome 插件精准选择网站中你要的核心数据 - 的 AI 引擎自动帮你扩展相关数据并生成适配器规则（AI 大模型调用完全免费） - autocli 自动同步规则，直接使用 - 理论上可精准抓取所有网站数据，不再受固定规则和有限的内建网站支持限制。不再依赖不稳定的自动解析和不精准的数据获取，通过极度简化的人工辅助操作，让 autocli 可以精准获取任何网站的结构化数据。共享社区：项目地址：

autocli v0.3 重磅更新 🎉🎉🎉 精准的、AI自动化的抓取任何网站的数据！ - 使用 autocli 的 chrome 插件精准选择网站中你要的核心数据 - 的 AI 引擎自动帮你扩展相关数据并生成适配器规则（AI 大模型调用完全免费） - autocli 自动同步规则，直接使用 - 理论上可精准抓取所有网站数据，不再受固定规则和有限的内建网站支持限制。不再依赖不稳定的自动解析和不精准的数据获取，通过极度简化的人工辅助操作，让 autocli 可以精准获取任何网站的结构化数据。共享社区：项目地址：

nash_su - e/acc

75,103 görüntüleme • 3 ay önce

一款非常棒的AI数据交互工具：WrenAI，你可以用自然语言提问，它能理解你的意图并生成SQL查询，还能把数据转成图表、表格、报表和BI等，非常适合数据团队它是一个端到端的解决方案，不只是SQL生成，它提供了从提问到数据可视化、报表生成一套完整流程支持英语、德语、西班牙语、法语、日语、韩语、葡萄牙语、中文等多语言支持语义理解，它能理解数据背后的语义和业务逻辑，生成的SQL查询更精准提供无缝端到端的工作流，你可以输出CSV或JSON格式导入到Excel或Google表格中进一步使用 #AI数据交互工具 #WrenAI #AISQL查询

一款非常棒的AI数据交互工具：WrenAI，你可以用自然语言提问，它能理解你的意图并生成SQL查询，还能把数据转成图表、表格、报表和BI等，非常适合数据团队它是一个端到端的解决方案，不只是SQL生成，它提供了从提问到数据可视化、报表生成一套完整流程支持英语、德语、西班牙语、法语、日语、韩语、葡萄牙语、中文等多语言支持语义理解，它能理解数据背后的语义和业务逻辑，生成的SQL查询更精准提供无缝端到端的工作流，你可以输出CSV或JSON格式导入到Excel或Google表格中进一步使用 #AI数据交互工具 #WrenAI #AISQL查询

AIGCLINK

28,624 görüntüleme • 1 yıl önce

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

最近在开发圈很火的 GitHub 项目 Firecrawl，一个专门给 AI 用的智能爬虫，已经 7万+ Star 了。一句话总结：它可以把任何网站，直接变成 AI 能用的数据。只要给它一个 URL，它就会自动： - 抓取整站页面 - 清洗网页内容 - 解析结构信息 - 输出 Markdown / JSON 也就是说：网站 → 结构化数据 → 直接喂给 LLM。现在很多 AI 项目的数据流程其实都是：网站 → Firecrawl → 向量库 → RAG → AI 应用如果你在做： - AI Agent - RAG 知识库 - 自动化数据采集这个工具基本算是 AI 开发的基础设施了

开发者Hailey

139,642 görüntüleme • 4 ay önce

这网站的数据可视化也太强了用一张图展示 1500 年以来的技术演化和他们的关系纵坐标是时间横坐标是技术分类，四个主题：通信、计算、分类和控制

这网站的数据可视化也太强了用一张图展示 1500 年以来的技术演化和他们的关系纵坐标是时间横坐标是技术分类，四个主题：通信、计算、分类和控制

歸藏(guizang.ai)

72,538 görüntüleme • 1 yıl önce

ChatWiki：开源的知识库 AI 问答系统提供开箱即用的数据处理、模型调用等能力支持docx，excel，pdf ，ofd等多种文档格式支持国产化浏览器，支持deepseek，千问，豆包等20多个大模型 👉

ChatWiki：开源的知识库 AI 问答系统提供开箱即用的数据处理、模型调用等能力支持docx，excel，pdf ，ofd等多种文档格式支持国产化浏览器，支持deepseek，千问，豆包等20多个大模型 👉

ahhhhfs

65,343 görüntüleme • 1 yıl önce

这个太漂亮了： Strange Attractors 是一个使用 Three.js 实现的动态系统可视化工具，它通过简单的数学方程展示了混沌系统的复杂美感。通过观察不同参数下的 Thomas Attractor，用户可以直观地体验到‘蝴蝶效应’，即微小的变化如何导致完全不同的结果。这个工具不仅展示了混沌理论的奇妙之处，还让普通人也能感受到数学之美。左侧可以修改不同的方程，右边还可以调整参数。我对混沌系统并没有什么了解，但是画面太美了，涌现宇宙之美，情不自禁的呆呆的看了很久，从混沌中涌现秩序，也许是美学的极致。

这个太漂亮了： Strange Attractors 是一个使用 Three.js 实现的动态系统可视化工具，它通过简单的数学方程展示了混沌系统的复杂美感。通过观察不同参数下的 Thomas Attractor，用户可以直观地体验到‘蝴蝶效应’，即微小的变化如何导致完全不同的结果。这个工具不仅展示了混沌理论的奇妙之处，还让普通人也能感受到数学之美。左侧可以修改不同的方程，右边还可以调整参数。我对混沌系统并没有什么了解，但是画面太美了，涌现宇宙之美，情不自禁的呆呆的看了很久，从混沌中涌现秩序，也许是美学的极致。

Viking

28,915 görüntüleme • 8 ay önce

太酷啦！在浏览器运行 Postgres AI Chat！自然语言即可操作数据库和可视化数据！🔥🤯🤯 Supabase 宣布开源支持上传文件解析数据表，支持 AI 聊天增删改查数据表，支持基于已有的数据生成图表分析⚡️ 体验地址：开源地址：

太酷啦！在浏览器运行 Postgres AI Chat！自然语言即可操作数据库和可视化数据！🔥🤯🤯 Supabase 宣布开源支持上传文件解析数据表，支持 AI 聊天增删改查数据表，支持基于已有的数据生成图表分析⚡️ 体验地址：开源地址：

Tom Huang

37,164 görüntüleme • 1 yıl önce