[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Ceyron--machine-learning-and-simulation":3,"tool-Ceyron--machine-learning-and-simulation":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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":78,"owner_website":79,"owner_url":80,"languages":81,"stars":97,"forks":98,"last_commit_at":99,"license":100,"difficulty_score":101,"env_os":102,"env_gpu":102,"env_ram":102,"env_deps":103,"category_tags":113,"github_topics":115,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":156},9083,"Ceyron\u002Fmachine-learning-and-simulation","machine-learning-and-simulation","All the handwritten notes 📝 and source code files 🖥️ used in my YouTube Videos on Machine Learning & Simulation (https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCh0P7KwJhuQ4vrzc3IRuw4Q)","machine-learning-and-simulation 是一个汇聚了机器学习与仿真领域手写笔记及完整源代码的开源知识库，旨在配合系列教学视频，帮助学习者打通从数学理论到代码实现的“最后一公里”。它重点解决了工程数学课程中常被忽略但对算法至关重要的痛点，如约束优化、泛函导数、稀疏矩阵高效实现、自动微分伴随算法以及连续介质力学基础等。\n\n该项目不仅涵盖了概率机器学习（包括变分推断、生成对抗网络等）的核心推导，还提供了基于 C、Python 和 Julia 的多语言实战代码，特别是在流体动力学（CFD）和有限元分析（FEM）的底层模拟方面内容详实。其独特亮点在于将深奥的数学公式转化为可运行的程序，并深入讲解了如何在不同语言间调用底层库以及从零构建物理仿真器。\n\n这套资源非常适合希望深入理解算法底层逻辑的研究人员、需要编写高性能仿真代码的开发者，以及理工科学生。如果你不满足于直接调用现成库，而是想探究神经网络背后的微积分原理或亲手编写物理引擎，machine-learning-and-simulation 将是极佳的进阶指南。","![# Mathematics for Machine Learning and Simulation](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCeyron_machine-learning-and-simulation_readme_b379d2fe67f3.png)\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.12793323.svg)](https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.12793323)\n\nHere you can find all the material of my [YouTube Channel](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCh0P7KwJhuQ4vrzc3IRuw4Q).\n\n## Overview\n\n\n\nMost of my videos are in English but some content is also offered in German. You can find the hand-written notes in the folders, respectively.\n\nThese are the topics I cover at the moment:\n\n* English:\n    * 🧑‍🏫 **Math Basics** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bYnT4wmXw4k&list=PLISXH-iEM4JnK1D8fkWMR2N0Sdw9QHfLb)): Things that are usually not taught in (engineering) math courses but that are relevant for Machine Learning & Simulation like (inequality) constrained optimization, some tricks in linear algebra, functionals, functional derivatives etc.\n    * ⚓ **Essential probability density\u002Fmass functions** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=dB2r4aLV_Ik&list=PLISXH-iEM4Jm5B_J9p1oUNGDAUeCFZLkJ)): Standard discrete probability mass functions like Bernoulli & Categorical as well as continuous probability density functions like univariate and multivariate Gaussian\u002FNormal together with their Maximum Likelihood Estimates, priors, posteriors, moments etc.\n    * 🎲 **Probabilistic Machine Learning** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=yBc01ZeaFxw&list=PLISXH-iEM4JlFsAp7trKCWyxeO3M70QyJ)): All the way from directed graphical models, the EM algorithm and Variational Inference to Deep Generative Models like Variational Auto-Encoders, Generative Adversarial Networks and Latent Dirichlet Allocation\n    * 🖥️ **Miscellaneous Computer Science Topics** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLISXH-iEM4Jno71EGadIVpxVphfevVNM6)): Handy things that are relevant for some parts of Machine Learning and Simulation, like calling libraries in C from different languages like Julia or Python.\n    * 💾 **Sparse Matrices** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=BbbCVzJt1Xk&list=PLISXH-iEM4Jl8goS4m9UMzid0lUg64A9v)): Different ways to implement sparse matrices that become relevant when dealing with (large) sparse linear systems arising in simulation problems like FEM & CFD. All formats include an implementation in the C programming language.\n    * 🥔 **Continuum Mechanics** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=rxK-kQdH5qA&list=PLISXH-iEM4JlNGtteb5AvyIEyACp3wYIN)): The Fundamentals of Structural & Fluid Mechanics relevant for deriving numeric schemes in CFD & FEM. From Eulerian & Lagrangian description of motion to stretch & strain measures, to stress measures, time derivatives and constitutive modelling.\n    * 📉 **Automatic Differentiation, Adjoints & Sensitivities** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vlFN4qMtoH4&list=PLISXH-iEM4Jk27AmSvISooRRKH4WtlWKP)): Algorithms and Mathematical Tricks to differentiate through various computer codes. These can include explicit computation graphs (like in Neural Networks), implicitly given relations like Linear or nonlinear Systems or even Ordinary and Partial Differential equations. The applications are vast, ranging from differentiable physics to classical Deep Learning to Optimal Control. The derivations are accompanied by implementations in Python & Julia.\n    * 🛠️ **Fenics Tutorial** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QpA7E4YHbyU&list=PLISXH-iEM4Jl0-G1CpvG-mhrV0233tG_D)): A collection of videos to showcase the usage of the Fenics Finite Element Library to solve various Partial Differential Equations. Videos can be practical (including coding in Python) as well as theoretical on the Finite Element Method.\n    * 🌊 **Simulations simply implemented in Python or Julia** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=BQLvNLgMTQE&list=PLISXH-iEM4JmgBfU_QU262MQTYa7DoJK0)): My favorite series! If you ever wanted to write a Fluid Simulation from scratch, take a look at the playlist. Includes all kinds of simulations like CFD, Structural Mechanics, Electrodynamics etc.\n    * 👶 **Automatic Differentiation Primitive Rules** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLISXH-iEM4Jn3SEi07q8MJmDD6BaMWlJE)): Modern autodiff engines (like JAX, TensorFlow, PyTorch, Julia Zygote etc.) are based on the transformation of a computational graph by the transformation of its primitive operations. This playlist covers the rules (both for forward-mode and reverse-mode automatic differentiation) for the most important operations.\n    * 🐍 **Scientific Python Worksop** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fJtErsjgk2w&list=PLISXH-iEM4JlMBu-spRORmhmk9mWKxJeG)): Recording for a three-day introduction to Python and the most essential libraries for scientific computing and machine learning. Find the corresponding repo [here](https:\u002F\u002Fgithub.com\u002FCeyron\u002Fscientific-python-course)\n* Deutsch:\n    * 📏 **Tensor Analysis** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=x__XJjadiA8&list=PLISXH-iEM4JmfSEGOTDhEYfv0gXwqvX9B)): Grundlegende und erweiterte Techniken zur Mehrdimensionalen Analysis mit einen Fokus auf Visualierungen.\n    * ↗️ **Gewöhnliche Differentialgleichungen** ([Playlist](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=DOWB8E8ji-A&list=PLISXH-iEM4Jlwa4FzRy_DdCQE4MO4dR0u)): Analytische und numerische Behandlung gewöhnlicher Differentialgleichungen, beginnend bei Trennung der Variablen und Variation der Konstanten bis hin zu Runge-Kutta Verfahren, Stabilitätsanalyse und Konvergenzuntersuchung.\n\nThese are topics I am going to cover in the long run:\n\n* English:\n    * Basics:\n        * Tensor Calculus\n        * Automatic Differentiation\n        * More on Probability mass\u002Fdensity functions\n    * Modelling & Simulation:\n        * Ordinary Differential Equations (ODEs)\n        * Partial Differential Equations (PDEs)\n        * Linear Finite Element Method\n        * (Numerical) Control Theory\n        * Computational Fluid Dynamics\n        * Nonlinear Finite Element Method\n        * Visualization Techniques\n        * Constitutive Modelling of Solids\n        * Constitutive Modelling of Fluids\n        * Computational Viscoelasticity\n        * Computational Plasticity\n        * Uncertainty Quantification\n    * Numerical Analysis:\n        * Floating Point Error Analysis\n        * Solving Linear Systems\n        * Interpolation & Quadrature\n        * Eigenvalue Computation\n        * Solving Nonlinear Systems\n        * Optimization Techniques\n    * High-Performance Computing:\n        * Essential topics of programming in parallel\n        * A tour of the BLAS library\n        * A tour of the lapack library\n        * Parallel Numerics\n        * PThread\n        * OpenMP\n        * MPI\n        * CUDA\n    * Machine Learning:\n        * (Classical) Machine Learning\n        * Dimensionality Reduction\n        * Metrics in Machine Learning\n        * Deep Learning\n        * Markov-Chain Monte-Carlo Techniques\n\nOn top of that I have some ideas for projects. :) \n\n## Contribution\n\nContribution to this repo are always welcome. If you extended one of my source-codes for a more advanced example or if you think something is wrong or could have been explained better, feel free to open a Pull-Request to this repo. And of course if you can improve the code's performance (while maintaining readability), also feel free to open a pull request. \n\n## Donation\n\nIf you like the content of this repo, please consider [becoming a Patreon](https:\u002F\u002Fwww.patreon.com\u002FMLsim)\n    \n","![# 机器学习与仿真中的数学](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCeyron_machine-learning-and-simulation_readme_b379d2fe67f3.png)\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002FDOI\u002F10.5281\u002Fzenodo.12793323.svg)](https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.12793323)\n\n在这里您可以找到我的 [YouTube 频道](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUCh0P7KwJhuQ4vrzc3IRuw4Q) 上的所有资料。\n\n## 概述\n\n\n\n我的大部分视频是英文的，但也有一些内容提供德语版本。手写笔记分别放在相应的文件夹中。\n\n目前我涵盖的主题如下：\n\n* 英文：\n    * 🧑‍🏫 **数学基础** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bYnT4wmXw4k&list=PLISXH-iEM4JnK1D8fkWMR2N0Sdw9QHfLb))：这些内容通常不在（工程）数学课程中教授，但对于机器学习和仿真却非常相关，例如带约束的优化问题、线性代数中的某些技巧、泛函、泛函导数等。\n    * ⚓ **重要的概率密度\u002F质量函数** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=dB2r4aLV_Ik&list=PLISXH-iEM4Jm5B_J9p1oUNGDAUeCFZLkJ))：标准的离散概率质量函数，如伯努利分布和多项式分布；以及连续概率密度函数，如一元和多元高斯\u002F正态分布，并介绍其最大似然估计、先验、后验、矩等概念。\n    * 🎲 **概率论机器学习** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=yBc01ZeaFxw&list=PLISXH-iEM4JlFsAp7trKCWyxeO3M70QyJ))：从有向图模型、EM 算法和变分推断，到深度生成模型，如变分自编码器、生成对抗网络和潜在狄利克雷分配。\n    * 🖥️ **计算机科学杂项主题** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLISXH-iEM4Jno71EGadIVpxVphfevVNM6))：对机器学习和仿真的某些部分非常有用的小技巧，比如如何在 Julia 或 Python 等不同语言中调用 C 语言编写的库。\n    * 💾 **稀疏矩阵** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=BbbCVzJt1Xk&list=PLISXH-iEM4Jl8goS4m9UMzid0lUg64A9v))：处理仿真问题（如有限元分析和计算流体动力学）中出现的大规模稀疏线性方程组时需要用到的不同稀疏矩阵实现方式。所有格式都包含 C 语言的实现代码。\n    * 🥔 **连续介质力学** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=rxK-kQdH5qA&list=PLISXH-iEM4JlNGtteb5AvyIEyACp3wYIN))：结构力学和流体力学的基础知识，这些知识对于推导计算流体动力学和有限元分析中的数值格式至关重要。内容涵盖欧拉描述和拉格朗日描述、伸长率和应变度量、应力度量、时间导数以及本构建模等。\n    * 📉 **自动微分、伴随方法及灵敏度分析** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=vlFN4qMtoH4&list=PLISXH-iEM4Jk27AmSvISooRRKH4WtlWKP))：用于对各种计算机程序进行微分的算法和数学技巧。这些程序可能包括显式的计算图（如神经网络）、隐式给出的关系（如线性或非线性系统），甚至常微分方程和偏微分方程。应用范围非常广泛，从可微物理学到经典深度学习，再到最优控制。所有的推导过程都配有 Python 和 Julia 的实现代码。\n    * 🛠️ **Fenics 教程** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=QpA7E4YHbyU&list=PLISXH-iEM4Jl0-G1CpvG-mhrV0233tG_D))：一系列视频，展示如何使用 Fenics 有限元库来求解各种偏微分方程。视频既有实践性的（包括 Python 编程），也有关于有限元方法的理论内容。\n    * 🌊 **用 Python 或 Julia 简单实现的仿真** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=BQLvNLgMTQE&list=PLISXH-iEM4JmgBfU_QU262MQTYa7DoJK0))：我最喜欢的一个系列！如果您曾经想过从头开始编写一个流体仿真程序，不妨看看这个播放列表。其中包含了各种类型的仿真，如计算流体动力学、结构力学、电动力学等。\n    * 👶 **自动微分基本规则** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLISXH-iEM4Jn3SEi07q8MJmDD6BaMWlJE))：现代自动微分引擎（如 JAX、TensorFlow、PyTorch、Julia Zygote 等）都是基于对计算图中基本运算的转换来实现的。这个播放列表涵盖了最重要的运算的基本规则（包括前向模式和反向模式的自动微分）。\n    * 🐍 **科学 Python 工作坊** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=fJtErsjgk2w&list=PLISXH-iEM4JlMBu-spRORmhmk9mWKxJeG))：为期三天的 Python 入门课程录音，重点介绍了科学计算和机器学习中最常用的库。相关的代码仓库请见 [这里](https:\u002F\u002Fgithub.com\u002FCeyron\u002Fscientific-python-course)\n* 德语：\n    * 📏 **张量分析** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=x__XJjadiA8&list=PLISXH-iEM4JmfSEGOTDhEYfv0gXwqvX9B))：多维分析的基础和高级技术，特别注重可视化。\n    * ↗️ **常微分方程** ([播放列表](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=DOWB8E8ji-A&list=PLISXH-iEM4Jlwa4FzRy_DdCQE4MO4dR0u))：对常微分方程的解析和数值处理，从变量分离和参数变易法，到龙格-库塔方法、稳定性分析和收敛性研究。\n\n以下是我计划在未来长期覆盖的主题：\n\n* 英文：\n    * 基础：\n        * 张量微积分\n        * 自动微分\n        * 更多关于概率质量\u002F密度函数的内容\n    * 建模与仿真：\n        * 常微分方程 (ODEs)\n        * 偏微分方程 (PDEs)\n        * 线性有限元方法\n        * （数值）控制理论\n        * 计算流体动力学\n        * 非线性有限元方法\n        * 可视化技术\n        * 固体本构建模\n        * 流体本构建模\n        * 计算粘弹性\n        * 计算塑性\n        * 不确定性量化\n    * 数值分析：\n        * 浮点误差分析\n        * 求解线性方程组\n        * 插值与求积\n        * 特征值计算\n        * 求解非线性方程组\n        * 优化技术\n    * 高性能计算：\n        * 并行编程的基础知识\n        * BLAS 库简介\n        * LAPACK 库简介\n        * 并行数值计算\n        * PThread\n        * OpenMP\n        * MPI\n        * CUDA\n    * 机器学习：\n        * （经典）机器学习\n        * 降维\n        * 机器学习中的评价指标\n        * 深度学习\n        * 马尔可夫链蒙特卡洛技术\n\n除此之外，我还有一些项目想法呢。:)\n\n## 贡献\n\n欢迎为本仓库做出贡献。如果您基于我的某段源代码扩展出了更高级的示例，或者您认为某些内容存在错误、需要改进或解释得更加清晰，请随时向本仓库提交 Pull Request。当然，如果您能够在保持代码可读性的前提下提升其性能，也欢迎提交 Pull Request。\n\n## 捐赠\n\n如果您喜欢本仓库的内容，请考虑成为 [Patreon 会员](https:\u002F\u002Fwww.patreon.com\u002FMLsim)。","# machine-learning-and-simulation 快速上手指南\n\n本仓库是 YouTube 频道 \"Mathematics for Machine Learning and Simulation\" 的配套资料库，涵盖机器学习、仿真模拟、连续介质力学及自动微分等领域的数学基础与代码实现。主要提供手写笔记、视频对应的源代码（Python\u002FJulia\u002FC）及教程。\n\n## 环境准备\n\n本仓库包含多个独立主题的项目代码，不同子模块对环境和依赖的要求略有差异。以下是通用前置要求：\n\n### 系统要求\n- **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n- **编程语言**：\n  - Python 3.8+ (大多数示例)\n  - Julia 1.6+ (部分高性能计算与自动微分示例)\n  - C 编译器 (GCC\u002FClang，用于稀疏矩阵等底层实现)\n\n### 前置依赖\n根据你感兴趣的主题，可能需要安装以下库：\n\n1.  **Python 科学计算栈** (适用于大多数 ML 和仿真示例):\n    ```bash\n    pip install numpy scipy matplotlib jupyter\n    ```\n2.  **深度学习与自动微分**:\n    ```bash\n    pip install torch tensorflow jax\n    ```\n3.  **有限元分析 (FEniCS 教程)**:\n    *   需单独安装 FEniCS 库。推荐使用 Conda 安装以避免系统依赖冲突：\n    ```bash\n    conda install -c conda-forge fenics\n    ```\n4.  **Julia 环境** (如运行 `.jl` 文件):\n    *   访问 [Julia 官网](https:\u002F\u002Fjulialang.org\u002Fdownloads\u002F) 下载并安装。\n    *   在 Julia REPL 中安装包（具体包名见各子文件夹 `Project.toml` 或源码头部）：\n    ```julia\n    using Pkg\n    Pkg.add([\"DifferentialEquations\", \"Flux\", \"Zygote\"]) \n    ```\n\n> **提示**：国内用户建议使用清华或中科大镜像源加速 Python 包安装：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n本仓库为资料合集，无需全局“安装”整个项目。请按需克隆仓库并进入对应主题目录。\n\n1.  **克隆仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FCeyron\u002Fmachine-learning-and-simulation.git\n    cd machine-learning-and-simulation\n    ```\n\n2.  **定位主题目录**\n    浏览根目录下的文件夹，找到你感兴趣的主题（例如 `sparse_matrices`, `continuum_mechanics`, `automatic_differentiation` 等）。\n\n3.  **安装特定示例依赖**\n    进入具体子目录后，检查是否有 `requirements.txt` 或 `README.md` 说明。若有 `requirements.txt`，执行：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    *(注：部分简单示例可能仅依赖标准库或上述通用依赖，无需额外安装)*\n\n## 基本使用\n\n本仓库的核心内容是**可运行的代码示例**和**手写笔记**。以下以“稀疏矩阵 (Sparse Matrices)\"和“自动微分 (Automatic Differentiation)\"为例展示如何使用。\n\n### 示例 1：运行 C 语言实现的稀疏矩阵\n该部分展示了如何在 C 语言中实现不同的稀疏矩阵格式（如 CSR, CSC），常用于 FEM\u002FCFD 仿真。\n\n1.  进入目录：\n    ```bash\n    cd sparse_matrices\u002Fc_implementation\n    ```\n2.  编译代码（以 `main.c` 为例，具体文件名请参考目录内容）：\n    ```bash\n    gcc -O2 -o sparse_example main.c -lm\n    ```\n3.  运行程序：\n    ```bash\n    .\u002Fsparse_example\n    ```\n\n### 示例 2：运行 Python 自动微分示例\n该部分演示如何通过计算图进行前向模式和反向模式自动微分。\n\n1.  进入目录：\n    ```bash\n    cd automatic_differentiation\u002Fpython_examples\n    ```\n2.  直接运行脚本（确保已安装 `numpy` 等基础库）：\n    ```bash\n    python forward_mode_ad.py\n    ```\n    或者启动 Jupyter Notebook 查看交互式推导过程：\n    ```bash\n    jupyter notebook autodiff_tutorial.ipynb\n    ```\n\n### 示例 3：查看手写笔记\n所有视频对应的详细数学推导均以 PDF 或图片形式存储在相应主题的文件夹中（通常命名为 `notes` 或直接位于文件夹根目录）。\n\n- **操作**：直接使用 PDF 阅读器打开对应文件，配合 YouTube 视频链接（见仓库 Overview 部分）进行学习。\n\n---\n*更多高级主题（如 FEniCS 有限元教程、流体力学仿真等）请参考各子文件夹内的具体脚本和说明文档。*","一位计算力学研究生正尝试从零构建一个基于物理信息的神经网络（PINN），以模拟流体在复杂结构中的运动，需要同时处理连续介质力学公式与自动微分代码实现。\n\n### 没有 machine-learning-and-simulation 时\n- 在推导应力张量与应变度的数学关系时，缺乏针对工程应用的直观手写笔记，只能啃读晦涩的纯理论教材，极易在拉格朗日描述与欧拉描述间混淆。\n- 编写自动微分算法来处理偏微分方程的伴随变量时，找不到经过验证的 Python 或 Julia 参考代码，导致调试灵敏度计算花费数周时间。\n- 面对稀疏矩阵存储格式的选择不知所措，缺乏从 C 语言底层实现到上层应用的完整演示，难以优化大规模有限元仿真中的内存占用。\n- 学习概率机器学习时，难以将变分推断等抽象理论与具体的生成模型代码对应起来，导致理论无法落地为可运行的实验。\n\n### 使用 machine-learning-and-simulation 后\n- 直接查阅项目中关于连续介质力学的手写笔记，快速理清了本构模型与时序导数的核心推导，将公式确认时间从几天缩短至几小时。\n- 复用仓库中关于自动微分与伴随方法的现成实现，迅速掌握了如何通过隐式关系求解微分方程梯度，立即跑通了物理约束损失函数。\n- 参考稀疏矩阵专题的 C 语言实现案例，理解了不同存储格式在流体仿真中的适用场景，成功优化了线性方程组的求解效率。\n- 结合概率机器学习视频与配套源码，清晰地看到了从图模型到变分自编码器的完整演进路径，顺利复现了不确定性量化实验。\n\nmachine-learning-and-simulation 通过提供“手写推导 + 可运行代码”的双重资源，极大地降低了跨越数学理论与工程仿真之间鸿沟的学习成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FCeyron_machine-learning-and-simulation_b379d2fe.png","Ceyron","Felix Köhler","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FCeyron_8048efdc.jpg","🤖 Machine Learning & 🌊 Simulation. I love open science and open education. ",null,"Munich","felix_m_koehler"," www.linkedin.com\u002Fin\u002Ffelix-koehler","https:\u002F\u002Fgithub.com\u002FCeyron",[82,86,90,94],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",99.6,{"name":87,"color":88,"percentage":89},"Python","#3572A5",0.4,{"name":91,"color":92,"percentage":93},"Julia","#a270ba",0,{"name":95,"color":96,"percentage":93},"C","#555555",1169,222,"2026-04-17T11:58:52","MIT",1,"未说明",{"notes":104,"python":105,"dependencies":106},"该项目主要是一个包含机器学习与仿真教学视频、手写笔记及代码示例的资源库，而非单一的可执行软件工具。内容涵盖数学基础、概率论、自动微分、连续介质力学及流体\u002F结构仿真等。部分代码示例使用 C、Python 或 Julia 编写，其中稀疏矩阵部分提供了 C 语言实现，自动微分部分涉及 JAX、TensorFlow、PyTorch 和 Julia 等框架的具体规则。具体运行环境需参考各个子文件夹或对应视频链接中的独立代码仓库说明。","未说明 (提及 Python 和 Julia 作为主要编程语言)",[107,108,109,110,111,112],"Fenics (有限元库)","JAX","TensorFlow","PyTorch","Julia Zygote","C (用于稀疏矩阵实现)",[114,14],"其他",[116,117,118],"education","machine-learning","simulation","2026-03-27T02:49:30.150509","2026-04-18T22:33:44.060891",[122,127,132,137,142,146,151],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},40757,"如何引用该仓库以便在研究论文中使用？","维护者计划通过创建标签（tags）并连接 Zenodo 来生成 DOI，以便更容易地被引用。目前建议关注仓库的标签发布，未来可通过 Zenodo 获取 DOI 进行正式引用。","https:\u002F\u002Fgithub.com\u002FCeyron\u002Fmachine-learning-and-simulation\u002Fissues\u002F18",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},40758,"Streamlit 交互式应用无法运行或加载失败怎么办？","该问题通常是由于 `requirements.txt` 文件过时导致依赖包不兼容引起的。维护者已修复此问题（见 PR #21）。如果遇到类似问题，请尝试拉取最新代码更新依赖，或手动检查并更新 `requirements.txt` 中的包版本以解决兼容性冲突。","https:\u002F\u002Fgithub.com\u002FCeyron\u002Fmachine-learning-and-simulation\u002Fissues\u002F20",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},40759,"Softmax 函数的前向传播（Pushforward）和反向传播（Pullback）推导公式是什么？","Softmax 前向公式为 $y_i = \\frac{e^{x_i}}{\\sum_j e^{x_j}}$。其雅可比矩阵为 $\\frac{\\partial y_i}{\\partial x_k} = y_i \\delta_{ik} - y_i y_k$（注意 $i$ 不求和）。\n前向传播（Pushforward）：$\\dot{y}_i = y_i \\dot{x}_i - y_i (\\sum_k y_k \\dot{x}_k)$，符号表示为 $\\dot{\\underline{y}} = \\underline{y} \\odot \\dot{\\underline{x}} - \\underline{y} (\\underline{y}^T \\dot{\\underline{x}})$。\n反向传播（Pullback）：$\\bar{x}_k = \\bar{y}_k y_k - y_k (\\sum_i \\bar{y}_i y_i)$。详细推导可参考相关视频或 Eli Bendersky 的技术文章。","https:\u002F\u002Fgithub.com\u002FCeyron\u002Fmachine-learning-and-simulation\u002Fissues\u002F15",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},40760,"ELBO 可视化脚本中的 KL_VALUES 变量是如何计算的？","KL_VALUES 是预先计算好的近似 KL 散度值。这些值对应于用户在 Streamlit 应用中选择的每一对 `mu_approx` 和 `sigma_approx` 参数。程序通过索引方式直接获取与用户输入对应的 KL 值，而不是在运行时实时计算，以提高交互速度。","https:\u002F\u002Fgithub.com\u002FCeyron\u002Fmachine-learning-and-simulation\u002Fissues\u002F8",{"id":143,"question_zh":144,"answer_zh":145,"source_url":141},40761,"为什么我计算的 KL 散度初始值（约 6.0）与视频中显示的值（约 1.01）差异巨大？","这种差异可能是由于随机数生成器（PRNG）种子未设置导致的蒙特卡洛采样波动，或者是底层库（如 TensorFlow Probability）版本更新引起的行为变化。维护者承认早期视频中的脚本可能包含误差或使用了特定的未公开配置。建议检查是否设置了随机种子，并对比手写 KL 近似公式与库函数 `tfp.vi.monte_carlo_variational_loss` 的结果差异。",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},40762,"能否提供关于 ODE 最优控制伴随灵敏度推导的资料？","社区成员已完成了基于拉格朗日乘子法的 ODE 伴随灵敏度及最优控制器 $u(t)$ 梯度推导。维护者建议将这些推导整理成高质量的博客文章或 HTML 笔记，并表示愿意在相关视频中链接这些外部资源，作为对现有笔记的补充。","https:\u002F\u002Fgithub.com\u002FCeyron\u002Fmachine-learning-and-simulation\u002Fissues\u002F17",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},40763,"如何使用 DeepXDE 库解决带有动态边界条件的流体动力学问题？","该项目维护者明确表示不熟悉 DeepXDE 库的具体实现，因此无法直接提供针对该库的动态边界条件定义帮助。建议用户直接前往 DeepXDE 的官方仓库或其专门的 Issue 页面（如 deepxde\u002Fissues\u002F1565）寻求支持。","https:\u002F\u002Fgithub.com\u002FCeyron\u002Fmachine-learning-and-simulation\u002Fissues\u002F16",[157],{"id":158,"version":159,"summary_zh":160,"released_at":161},324298,"v0.0.1","用于在Zenodo上存档","2024-07-22T08:57:13"]