探索项目
筛选并发现收录的、配有高质量中文文档或教程的 GitHub 项目。
基于 HTML5 Canvas 和 SVG，将 DOM 节点转换为图像。支持 PNG、JPEG、SVG、Blob 等多种格式输出，提供过滤器和自定义选项。
可定制的浏览器主页，用于管理家庭服务器的 Docker 容器（如 Sonarr/Radarr）。基于 TypeScript 构建，支持拖拽网格、深度集成热门自托管应用，提供状态监控与安全密钥管理。
使用 SQL 语法查询 Elasticsearch，支持 ES 函数。项目已弃用，推荐使用官方 x-pack-sql 或 OpenDistro SQL。
一款美观、私密且安全的桌面投资追踪应用。本地存储数据，无需订阅或云端服务。支持多账户资产追踪、性能分析、目标规划及扩展插件系统。跨平台，支持 Windows、macOS 和 Linux。
提供 Python pandas 库的实用示例，包含真实数据集和 Jupyter Notebook 教程，支持在线和本地运行。
使用 ThreeJS 和 React 构建 3D 开发者作品集。包含可定制 3D 英雄区、交互式体验、技能展示、项目动画、带 3D 地球模型的联系表单及 3D 星空背景。技术栈包括 React、Three.js、Tailwind CSS。
提供一系列 HTML 电子邮件模板，可作为设计基础。包含模块化、响应式和固定宽度布局，支持 MailChimp 模板语言和合并标签，也适用于其他系统。
基于 Alpine 或 Debian 的 Docker 镜像，运行 IPsec VPN 服务器，支持 IPsec/L2TP、Cisco IPsec 和 IKEv2。使用 Libreswan 和 xl2tpd，加密网络流量，适用于不安全网络环境。提供快速启动命令和多平台客户端支持。
基于 Netty 的 Java Socket.IO 服务器实现，支持 1.x-4.x 客户端、WebSocket 与轮询传输、命名空间、房间、ACK、SSL、客户端存储及分布式广播。兼容 Java 8+，提供 Spring 与 OSGi 支持，声明式注解配置，无锁线程安全。
C# 纯函数式编程框架，通过滥用 C# 特性提供声明式编程体验，帮助大型代码库提升可维护性与降低认知负荷。包含函数式效果、原子并发、不可变集合、解析器组合子等核心功能。
一个简洁的 pandoc LaTeX 模板，用于将 Markdown 文件转换为 PDF 或 LaTeX。专为计算机科学领域的讲义和练习设计，支持自定义标题页和语法高亮。
🤖 通过自动化 PR 保持 Fork 与上游同步。支持灵活配置（merge/squash/rebase/hard reset）、定期更新、团队协作及企业级 GitHub Enterprise Server。
提供 Quill 富文本编辑器的 React 组件，支持受控与非受控模式、自定义工具栏和格式，兼容 React 16+，并提供 TypeScript 支持。
个人 dotfiles 集合，包含 Neovim、tmux、git、fish 和 PowerShell 配置。基于 LazyVim，支持 macOS、Linux 和 Windows，提供高效开发环境。
哈佛大学 NLP 团队开发的 Transformer 论文注释实现，提供 Jupyter Notebook 代码。包含完整的依赖管理、代码格式化和构建工具，支持 Colab 在线运行。
一个用于分享和协作 Stable Diffusion 模型、文本反转等 AI 生成资源的平台。基于 TypeScript、Next.js 和 Prisma 构建，支持用户上传、浏览模型并进行交流。
iOS 版 Android PagerTabStrip 实现，支持多种分页类型（如按钮栏、条形、Twitter、分段控件），提供流畅的滑动手势和交互式指示器，兼容 Swift 5 和 Carthage/CocoaPods。
李宏毅2021-2023春季机器学习课程课件及作业，以 Jupyter Notebook 形式提供，包含视频、讲义与作业链接。
轻量级 TUI (ncurses-like) 显示管理器，适用于 Linux 和 BSD，使用 Zig 编写，无需 systemd。支持 X11 和 Wayland，可手动编译安装。
现代 Java 字节码编辑器，支持高/低级编辑，自动处理常量池、栈帧等复杂细节。内置多种反编译器、编译器、字节码汇编器及反混淆工具，支持 Android 应用。提供脚本与插件扩展能力，可附加到运行中的 Java 进程。
基于 SQLite 的开源数据库加密库，提供 256 位 AES 加密、实时加密、防篡改检测和强密钥派生。性能开销低，支持多种加密提供者，与标准 SQLite 兼容。
提供 Kevin Murphy 所著《概率机器学习》书籍的 Python 代码，用于复现书中图表。代码基于 Jupyter Notebook，使用 numpy、scipy、matplotlib 等标准库，并包含 JAX、TensorFlow 2 和 PyTorch 的部分实现。