| 1 |
Awesome-LLM |
一个精选的大型语言模型 (LLM) 资源列表，涵盖了以下内容： LLM 模型介绍 论文和代码 部署工具 应用场景 教程和示例 Awesome-LLM 的目标是帮助人们了解和使用 LLM 技术，并为 LLM 开发人员提供一个资源中心。 |
| 2 |
gpt_academic |
为GPT/GLM等LLM大语言模型提供实用化交互接口，特别优化论文阅读/润色/写作体验，模块化设计，支持自定义快捷按钮&函数插件，支持Python和C++等项目剖析&自译解功能，PDF/LaTex论文翻译&总结功能，支持并行问询多种LLM模型，支持chatglm3等本地模型。接入通义千问, deepseekcoder, 讯飞星火, 文心一言, llama2, rwkv, claude2, moss等。 |
| 3 |
Docker-Zero-to-Hero |
Docker 从零到英雄是一个由 Veeramalla 开发的开源项目，旨在为用户提供学习 Docker 的完整资源。它包含一系列教程、示例和练习，帮助用户从零开始学习 Docker，并掌握 Docker 的各种功能。 主要特点: 完整性: Docker 从零到英雄涵盖了 Docker 的所有基础知识和高级功能，内容完整。 易用性: Docker 从零到英雄使用简单的语言和易于理解的示例，方便用户学习。 实践性: Docker 从零到英雄提供大量练习，帮助用户巩固所学知识。 |
| 4 |
Front-End-Checklist |
前端开发清单是一个由 David Dias 开发的开源项目，旨在为前端开发人员提供一个全面的开发清单。它涵盖了前端开发的各个方面，包括 HTML、CSS、JavaScript、性能、测试等，并提供详细的检查项和建议。 主要特点: 全面性: 前端开发清单涵盖了前端开发的各个方面，内容详实。 易用性: 前端开发清单使用简单的语言和易于理解的格式，方便使用。 可定制性: 前端开发清单可以根据用户的需求进行定制。 应用场景: 个人开发: 前端开发清单可以帮助个人开发人员提高开发效率和质量。 团队开发: 前端开发清单可以帮助团队开发人员保持一致的开发风格和质量。 学习资源: 前端开发清单可以帮助前端开发人员学习新的知识和技能。 以下是前端开发清单的一些示例: |
| 5 |
Awesome-GitHub-Repo |
旨在为用户推荐优质的 GitHub 仓库。它涵盖了各种主题，包括编程、设计、游戏、音乐等，并定期更新新的仓库。 主要特点: 丰富内容: Awesome-GitHub-Repo 收录了大量优质的 GitHub 仓库，满足不同用户的需求。 分类清晰: Awesome-GitHub-Repo 按照主题对仓库进行分类，方便用户查找。 定期更新: Awesome-GitHub-Repo 定期更新新的仓库，确保内容的最新性。 |
| 6 |
text-generation-webui |
个由 oobabooga 开发的开源项目，旨在提供一个用于文本生成的可视化界面。它支持多种文本生成模型，例如 GPT-3、Bard 等，并允许用户通过简单的操作生成各种类型的文本内容。 主要特点: 可视化界面: Text Generation WebUI 提供了一个可视化界面，方便用户使用。 支持多种模型: Text Generation WebUI 支持多种文本生成模型，满足不同用户的需求。 丰富功能: Text Generation WebUI 提供了丰富的功能，例如参数设置、结果预览等。 |
| 7 |
black |
旨在促进 Python 代码库中多样性和包容性。它提供了一套代码风格指南和工具，帮助开发人员编写更具包容性和可读性的代码。 主要特点: 代码风格指南: PSF Black 提供了一套代码风格指南，涵盖缩进、空格、括号等方面。这些指南旨在提高代码的可读性和一致性。 代码格式化工具: PSF Black 提供了一个代码格式化工具，可以自动将代码格式化为符合 PSF Black 风格指南。 |
| 8 |
facefusion |
一个基于深度学习的开源项目，可以将两个或多个人脸融合成一个新的脸。它使用了一种称为 First-Order Model 的模型，该模型可以学习人脸的形狀和纹理，並将其应用于新的臉部合成。 主要特点: 可以融合不同年龄、性别、种族的人脸 可以控制融合的程度 可以生成高质量的图像 |
| 9 |
GPT-SoVITS |
GPT-SoVITS 是一个基于 GPT-3 的开源项目，可以利用少量语音数据 (只需 1 分钟) 进行语音转换和文本到语音合成。它使用了一种新的训练方法，称为 SoVITS (Self-supervised Voice Identity Transformer)，可以有效地学习语音特征并将其应用于新的语音合成。 主要特点: 零样本文本到语音（TTS）： 输入 5 秒的声音样本，即刻体验文本到语音转换。 少样本 TTS： 仅需 1 分钟的训练数据即可微调模型，提升声音相似度和真实感。 跨语言支持： 支持与训练数据集不同语言的推理，目前支持英语、日语和中文。 WebUI 工具： 集成工具包括声音伴奏分离、自动训练集分割、中文自动语音识别(ASR)和文本标注，协助初学者创建训练数据集和 GPT/SoVITS 模型。 |
