探索 Python 项目
筛选并发现收录的、配有高质量中文文档或教程的 GitHub 项目。
纯 bash 脚本，用于测试并等待 TCP 主机和端口的可用性。无外部依赖，适用于同步启动相互依赖的服务，如 Docker 容器。支持超时设置和严格模式，可执行命令或仅检查状态。
包含 Ansible 自动化工具的 DevOps 实践示例，涵盖多节点编排、角色、动态清单、CI/CD 及安全加固等场景，支持 Vagrant 与虚拟机环境。
纯 Python 实现的 SSHv2 协议库，提供客户端和服务器功能，是 Fabric 等高级库的基础。支持加密、远程命令执行和文件传输。
基于 AI 大模型，一键完成视频解说、剪辑、配音和字幕生成，实现高效自动化内容创作。支持多种模型和语音克隆，提供一站式影视解说解决方案。
从零到英雄学习 Jenkins。在 EC2 上安装 Jenkins，配置 Docker 作为构建代理，搭建 CI/CD 流水线，并使用 Argo CD 以 GitOps 方式将应用部署到 Kubernetes。
U²-Net 是一个用于显著目标检测的深度神经网络，采用嵌套 U 形结构，能更深入地提取特征。该模型在 Pattern Recognition 2020 发表并获最佳论文奖，支持多种应用，如背景移除、肖像生成和移动端部署。
高效开源视觉语言模型，参数量小，性能强劲。支持图像理解、视觉问答和物体检测。提供 2B 和 0.5B 两种模型变体，适用于云端及边缘设备部署。
基于单张图片实现高分辨率 3D 人体数字化，采用多层级像素对齐隐式函数，支持 PyTorch 实现与 Google Colab 在线演示。
模块化 SQL 代码检查与自动格式化工具，支持多种 SQL 方言和 Jinja 模板。专为 ELT 应用设计，可自动修复大多数代码风格问题。
基于 PyTorch 的 Transformer 模型实现，采用自注意力机制，支持 WMT 机器翻译任务的训练与推理。
简化 PyTorch 模型在各类设备与分布式配置上的启动、训练与使用，支持自动混合精度（含 fp8）及易配置的 FSDP 与 DeepSpeed。
集成领先的文档解析模型，支持布局检测、公式识别、OCR 和表格识别。模块化设计，便于组合构建应用。提供全面评估基准，助力高效提取高质量 PDF 内容。
基于 Python 的开源 AirDrop 实现，支持跨平台文件传输。兼容 Apple AirDrop 协议，可通过命令行工具在 Wi-Fi 直连下发送文件或链接，也可接收文件。
Python 贝叶斯统计建模与概率编程包，支持高级 MCMC 和变分推断算法。语法直观，基于 PyTensor 实现计算优化与动态编译，适用于复杂模型与大规模数据。
基于 Agent Development Kit (ADK) 的示例代理集合，涵盖 Python、TypeScript、Go 和 Java 语言，提供从简单对话机器人到复杂多代理工作流的多种用例，加速开发进程。
用于下载 Coursera.org 视频并命名的 Python 脚本。支持所有课程类型，提供详细文件名、正则过滤、格式筛选及命令行或 .netrc 登录。核心功能已在 Linux、Mac 和 Windows 上测试。
面向初学者的 SQL 与关系型数据库基础课程，包含 7 小时视频、80+ 课程、50+ 命令及配套代码，涵盖 MySQL 与 PostgreSQL。
基于 Ray 的易用、可扩展、高性能智能体强化学习框架，支持 PPO、REINFORCE++ 等多种算法，集成 vLLM 与异步训练。
🌍 全球国家、州/省、城市数据库。提供 JSON、SQL、CSV 等 11+ 格式，含 ISO 代码、时区、多语言支持。153K+ 城市，覆盖 250+ 国家。支持 NPM/PyPI 包、REST API、导出工具。ODbL 许可，完全免费开源。
提供《Data Science from Scratch》第二版配套代码。包含从 Python 基础到神经网络、深度学习等核心数据科学主题的实现。需 Python 3.6+，支持直接导入使用。
Python 编写的新浪微博爬虫，支持爬取单个或多个用户数据，可输出至文件（txt/csv/json）或数据库（MySQL/MongoDB/SQLite），并能下载图片和视频。
聚合阅读书源，支持香色闺阁、用心读书、阅读3.0等多款应用。提供自动更新的书源、IPTV源及IPA巨魔应用，涵盖看书、听书、漫画、短剧等内容。
将 SAM 模板转换为 CloudFormation 模板的 AWS CloudFormation 宏。提供内置最佳实践、本地测试和调试，以及扩展 CloudFormation 语法。
YOLOv9 的 Python 实现，基于论文《YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information》。提供 T、S、M、C、E 多种模型，在 MS COCO 数据集上达到 38.3% 至 55.6% 的 AP，支持 ONNX、TensorRT、TFLite 等多种部署方式。