[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-DanAnastasyev--DeepNLP-Course":3,"tool-DanAnastasyev--DeepNLP-Course":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":78,"difficulty_score":23,"env_os":88,"env_gpu":89,"env_ram":90,"env_deps":91,"category_tags":104,"github_topics":105,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":110,"updated_at":111,"faqs":112,"releases":113},1286,"DanAnastasyev\u002FDeepNLP-Course","DeepNLP-Course","Deep NLP Course","DeepNLP-Course 是 ABBYY 提供的一套深度学习在自然语言处理（NLP）领域的入门课程，适合希望快速掌握 NLP 领域基础与实践的用户。课程通过一系列 Jupyter Notebook 教材，结合真实数据集和代码示例，帮助学习者从零开始理解并应用深度学习技术解决 NLP 任务。\n\n课程内容涵盖情感分析、词嵌入、卷积神经网络、循环神经网络等核心主题，每节课都配有可直接运行的 Colab 笔记本，方便用户边学边练。例如，你可以学习如何使用词嵌入模型计算词语相似度，或者用 LSTM 进行多语言姓氏识别。课程还引入了 PyTorch 框架，并通过实现 Word2Vec 等经典模型加深对原理的理解。\n\n这套课程适合有一定编程基础的开发者或研究人员，尤其是对 NLP 和深度学习感兴趣的学习者。其最大的亮点在于将理论与实践紧密结合，提供完整的代码示例和可视化工具，使抽象概念更易理解。无论你是想入门 NLP，还是希望提升实战能力，DeepNLP-Course 都是一个不错的资源。","# Deep NLP Course at ABBYY\n\nDeep learning for NLP crash course at ABBYY.\n\nSuggested textbook: [Neural Network Methods in Natural Language Processing by Yoav Goldberg](https:\u002F\u002Fwww.amazon.com\u002FLanguage-Processing-Synthesis-Lectures-Technologies\u002Fdp\u002F1627052984)\n\n*I'm gradually updating and translating the notebooks right now. Stay in touch.*\n\n## Materials\n### Week 1: *Introduction*  \nSentiment analysis on the IMDB movie review dataset: a short overview of classical machine learning for NLP + indecently brief intro to keras.   \n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F12nrEX3JXTxsHWC-HpuwkTWyJybjmkZu-#forceEdit=true&offline=true&sandboxMode=true)\n\nUpdated English version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1eW-mN3gEdLluYe1W1unQ-7-71by8eauz#scrollTo=OlqOAQmQGXOL&forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 2: *Word Embeddings: Part 1*  \nMeet the Word Embeddings: an unsupervised method to capture some fun relationships between words.  \nPhrases similarity with word embeddings model + word based machine translation without parallel data (with MUSE word embeddings).  \n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1o65wrq6RYgWyyMvNP8r9ZknXBniDoXrn#forceEdit=true&offline=true&sandboxMode=true)\n\nUpdated English version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1ey9NARKvk-c4vfQGdvOkPjp5wNGmxd5o#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 3: *Word Embeddings: Part 2*  \nIntroduction to PyTorch. Implementation of pet linear regression on pure numpy and pytorch. Implementations of CBoW, skip-gram, negative sampling and structured Word2vec models.  \n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1YruNhE5aEJfLpaCZSKGIaZ1hOQR5qoIG#forceEdit=true&offline=true&sandboxMode=true)\n\nUpdated English version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1Cgdg_jUIbhMBZiL3DtUQMN6xqFUYjKlg#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 4: *Convolutional Neural Networks*  \nIntroduction to convolutional networks. Relations between convolutions and n-grams. Simple surname detector on character-level convolutions + fun visualizations.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1Vo_yuiA7xLjavUA_7ayLeosGJyMsyDAt#forceEdit=true&offline=true&sandboxMode=true)\n\nUpdated English version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1iwhfaHp_L2loxjvbqW9DhO9BaWlIWzpB#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 5: *RNNs: Part 1*  \nRNNs for text classification. Simple RNN implementation + memorization test. Surname detector in multilingual setup: character-level LSTM classifier.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1-FoMnf7s-BYNM7jT9UF3u9m63h7dSq3_#forceEdit=true&offline=true&sandboxMode=true)\n\nUpdated English version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1WA9YA30m7xFYfLyptuW7lHROvVGbZWZo#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 6: *RNNs: Part 2*  \nRNNs for sequence labelling. Part-of-speech tagger implementations based on word embeddings and character-level word embeddings.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1A7dbNANHg8srCemnwFI8WB1wLhvmuJp0#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 7: *Language Models: Part 1*  \nCharacter-level language model for Russian troll tweets generation: fixed-window model via convolutions and RNN model.  \nSimple conditional language model: surname generation given source language.  \nAnd Toxic Comment Classification Challenge - to apply your skills to a real-world problem.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1W5uaNpKFoaq1gV9N9FpIAEDyrsGGRBBi#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 8: *Language Models: Part 2*  \nWord-level language model for poetry generation. Pet examples of transfer learning and multi-task learning applied to language models.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1lUlBsdvAYJc5rLHwkOICyFhvns5Ssp1X#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 9: *Seq2seq*  \nSeq2seq for machine translation and image captioning. Byte-pair encoding, beam search and other usefull stuff for machine translation.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1jSYWuEGwik2lnnvGSU_PyXTFtbRKSyz_#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 10: *Seq2seq with Attention*  \nSeq2seq with attention for machine translation and image captioning.  \n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1xZed_YAQf20fYacr9anE7T4EsdC_R0Oy#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 11: *Transformers & Text Summarization*  \nImplementation of Transformer model for text summarization. Discussion of Pointer-Generator Networks for text summarization.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1wy5BDHZVEm-vSeH8U4Xh0Sm3bArwVWGU#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 12: *Dialogue Systems: Part 1*  \nGoal-orientied dialogue systems. Implemention of the multi-task model: intent classifier and token tagger for dialogue manager.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1lNhbHboRYVb-caV7Ktj9cWJnHW7DPD9-#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 13: *Dialogue Systems: Part 2*  \nGeneral conversation dialogue systems and DSSMs. Implementation of question answering model on SQuAD dataset and chit-chat model on OpenSubtitles dataset.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F19kQoxDWhv9VOfXxZCHcB39qIM30gziCR#forceEdit=true&offline=true&sandboxMode=true)\n\n### Week 14: *Pretrained Models*  \nPretrained models for various tasks: Universal Sentence Encoder for sentence similarity, ELMo for sequence tagging (with a bit of CRF), BERT for SWAG - reasoning about possible continuation.\n\nRussian version: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1WMspBJe-m0mJHb7SbDTj64W-5-3AxW7v#forceEdit=true&offline=true&sandboxMode=true)\n\n### Final Presentation\n[NLP Summary](https:\u002F\u002Fdrive.google.com\u002Fopen?id=16GV-jSGtMAQPJgO_B6q1gLYXL10vM8Ev) - summary of cool stuff that appeared and didn't in the course.\n","# ABBYY 深度自然语言处理课程\n\nABBYY 举办的自然语言处理深度学习速成班。\n\n推荐教材：[Yoav Goldberg 著《自然语言处理中的神经网络方法》](https:\u002F\u002Fwww.amazon.com\u002FLanguage-Processing-Synthesis-Lectures-Technologies\u002Fdp\u002F1627052984)\n\n*我目前正在逐步更新并翻译这些笔记本。敬请关注。*\n\n## 教学材料\n### 第一周：*导论*  \n基于 IMDB 电影评论数据集的情感分析：简要概述自然语言处理中的经典机器学习方法 + 极其简短的 Keras 入门介绍。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F12nrEX3JXTxsHWC-HpuwkTWyJybjmkZu-#forceEdit=true&offline=true&sandboxMode=true)\n\n英文版更新：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1eW-mN3gEdLluYe1W1unQ-7-71by8eauz#scrollTo=OlqOAQmQGXOL&forceEdit=true&offline=true&sandboxMode=true)\n\n### 第二周：*词嵌入：第一部分*  \n认识词嵌入：一种无监督方法，用于捕捉词语之间的一些有趣关系。  \n利用词嵌入模型计算短语相似度 + 无需平行语料的基于词的机器翻译（使用 MUSE 词嵌入）。  \n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1o65wrq6RYgWyyMvNP8r9ZknXBniDoXrn#forceEdit=true&offline=true&sandboxMode=true)\n\n英文版更新：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1ey9NARKvk-c4vfQGdvOkPjp5wNGmxd5o#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第三周：*词嵌入：第二部分*  \nPyTorch 入门。用纯 NumPy 和 PyTorch 实现宠物线性回归。实现 CBoW、skip-gram、负采样以及结构化 Word2vec 模型。  \n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1YruNhE5aEJfLpaCZSKGIaZ1hOQR5qoIG#forceEdit=true&offline=true&sandboxMode=true)\n\n英文版更新：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1Cgdg_jUIbhMBZiL3DtUQMN6xqFUYjKlg#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第四周：*卷积神经网络*  \n卷积网络入门。卷积与 n-gram 的关系。基于字符级卷积的简单姓氏识别器 + 有趣的可视化展示。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1Vo_yuiA7xLjavUA_7ayLeosGJyMsyDAt#forceEdit=true&offline=true&sandboxMode=true)\n\n英文版更新：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1iwhfaHp_L2loxjvbqW9DhO9BaWlIWzpB#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第五周：*RNN：第一部分*  \nRNN 用于文本分类。简单 RNN 实现 + 记忆测试。多语言环境下的姓氏识别器：基于字符级 LSTM 的分类器。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1-FoMnf7s-BYNM7jT9UF3u9m63h7dSq3_#forceEdit=true&offline=true&sandboxMode=true)\n\n英文版更新：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1WA9YA30m7xFYfLyptuW7lHROvVGbZWZo#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第六周：*RNN：第二部分*  \nRNN 用于序列标注。基于词嵌入和字符级词嵌入的词性标注器实现。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1A7dbNANHg8srCemnwFI8WB1wLhvmuJp0#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第七周：*语言模型：第一部分*  \n用于生成俄罗斯网络喷子推文的字符级语言模型：基于卷积的固定窗口模型与 RNN 模型。  \n简单的条件语言模型：根据源语言生成姓氏。  \n以及有毒评论分类挑战——将你的技能应用于一个现实世界的问题。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1W5uaNpKFoaq1gV9N9FpIAEDyrsGGRBBi#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第八周：*语言模型：第二部分*  \n用于诗歌生成的词级语言模型。宠物示例：迁移学习与多任务学习在语言模型中的应用。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1lUlBsdvAYJc5rLHwkOICyFhvns5Ssp1X#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第九周：*Seq2seq*  \n用于机器翻译和图像描述的 Seq2seq。字节对编码、束搜索及其他机器翻译中实用的技术。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1jSYWuEGwik2lnnvGSU_PyXTFtbRKSyz_#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第十周：*带注意力的 Seq2seq*  \n用于机器翻译和图像描述的带注意力的 Seq2seq。  \n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1xZed_YAQf20fYacr9anE7T4EsdC_R0Oy#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第十一周：*Transformer 与文本摘要*  \n实现 Transformer 模型用于文本摘要。讨论用于文本摘要的指针生成网络。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1wy5BDHZVEm-vSeH8U4Xh0Sm3bArwVWGU#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第十二周：*对话系统：第一部分*  \n目标导向的对话系统。实现多任务模型：意图分类器与对话管理器中的标记器。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1lNhbHboRYVb-caV7Ktj9cWJnHW7DPD9-#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第十三周：*对话系统：第二部分*  \n通用对话系统与 DSSM。在 SQuAD 数据集上实现问答模型，在 OpenSubtitles 数据集上实现闲聊模型。\n\n俄文版：[![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F19kQoxDWhv9VOfXxZCHcB39qIM30gziCR#forceEdit=true&offline=true&sandboxMode=true)\n\n### 第14周：*预训练模型*  \n针对各类任务的预训练模型：用于句子相似度计算的通用句子编码器、用于序列标注的ELMo（结合少量CRF）、以及用于SWAG——即关于可能续写的推理——的BERT。\n\n俄文版：[![在Colab中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1WMspBJe-m0mJHb7SbDTj64W-5-3AxW7v#forceEdit=true&offline=true&sandboxMode=true)\n\n### 最终展示\n[NLP总结](https:\u002F\u002Fdrive.google.com\u002Fopen?id=16GV-jSGtMAQPJgO_B6q1gLYXL10vM8Ev)——课程中出现与未出现的精彩内容汇总。","# DeepNLP-Course 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：支持 Linux、macOS 或 Windows（推荐使用 Linux 或 macOS）\n- Python 版本：3.7 及以上\n- 硬件要求：建议使用带有 GPU 的设备以加速深度学习训练过程\n\n### 前置依赖\n确保已安装以下工具和库：\n- [Python](https:\u002F\u002Fwww.python.org\u002F)\n- [Jupyter Notebook \u002F Colab](https:\u002F\u002Fcolab.research.google.com\u002F)（推荐使用 Google Colab 进行在线运行）\n- Python 依赖库：`numpy`, `pandas`, `tensorflow`, `pytorch`, `keras`, `scikit-learn` 等（具体版本可在各周课程的 Colab 笔记本中查看）\n\n如需国内加速安装，可使用清华源：\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy pandas tensorflow pytorch scikit-learn\n```\n\n## 安装步骤\n\n1. **克隆仓库**  \n   使用 Git 克隆项目到本地：\n\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FABBYY\u002FDeepNLP-Course.git\n   ```\n\n2. **进入项目目录**  \n   执行以下命令进入项目文件夹：\n\n   ```bash\n   cd DeepNLP-Course\n   ```\n\n3. **安装依赖**  \n   安装所需的 Python 依赖包（如果尚未安装）：\n\n   ```bash\n   pip install -r requirements.txt\n   ```\n\n4. **启动 Jupyter Notebook**  \n   在项目根目录下运行以下命令启动 Jupyter Notebook：\n\n   ```bash\n   jupyter notebook\n   ```\n\n   或者直接在 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002F) 中打开每周课程的 `.ipynb` 文件进行在线运行。\n\n## 基本使用\n\n### 示例：第一周 - 情感分析入门\n\n1. **打开 Colab 笔记本**  \n   直接访问英文版的 Colab 链接（推荐）：\n\n   [Week 1: Introduction (English)](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1eW-mN3gEdLluYe1W1unQ-7-71by8eauz#scrollTo=OlqOAQmQGXOL&forceEdit=true&offline=true&sandboxMode=true)\n\n2. **运行代码**  \n   在 Colab 中依次运行每个代码块。该笔记本将引导你完成以下任务：\n   - 加载 IMDB 电影评论数据集\n   - 使用经典机器学习方法进行情感分类\n   - 简要介绍 Keras 框架\n\n3. **查看结果**  \n   最后一个代码块会输出模型的准确率，你可以看到训练结果并理解整个流程。\n\n---\n\n### 其他课程快速体验\n\n每节课都有对应的 Colab 笔记本，可以直接点击下方链接打开并运行：\n\n- 第二周：[Word Embeddings: Part 1](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1ey9NARKvk-c4vfQGdvOkPjp5wNGmxd5o#forceEdit=true&offline=true&sandboxMode=true)\n- 第三周：[Word Embeddings: Part 2](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1Cgdg_jUIbhMBZiL3DtUQMN6xqFUYjKlg#forceEdit=true&offline=true&sandboxMode=true)\n- 更多课程请参考 README 中的“Materials”部分。\n\n---\n\n通过上述步骤，你可以快速开始使用 DeepNLP-Course 学习自然语言处理中的深度学习技术。","某跨国电商公司 NLP 团队正在开发一个自动识别商品评论情感倾向的系统，以帮助市场部门分析用户反馈。\n\n### 没有 DeepNLP-Course 时  \n- 团队成员对深度学习在 NLP 领域的应用缺乏系统性理解，难以选择合适的模型架构。  \n- 缺乏实战经验，无法独立完成从数据预处理到模型训练的完整流程。  \n- 对词嵌入、RNN 等关键概念理解模糊，导致模型效果不稳定。  \n- 调试和优化模型时效率低下，依赖外部资源和文档，进度缓慢。  \n\n### 使用 DeepNLP-Course 后  \n- 团队通过课程中的 IMDB 情感分析案例，快速掌握了 NLP 任务的基本流程与深度学习方法的结合方式。  \n- 借助 Word Embeddings 和 RNN 的实践内容，团队能够独立实现从数据清洗、特征提取到模型构建的全流程。  \n- 通过 PyTorch 和 Keras 的代码示例，加深了对词嵌入、LSTM 等技术的理解，提升了模型调优能力。  \n- 利用课程中提供的 Colab 笔记本，团队可以快速复现并修改模型，显著提高了开发效率。  \n\nDeepNLP-Course 为 NLP 团队提供了从理论到实践的一站式学习路径，大幅缩短了模型开发周期并提升了项目质量。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FDanAnastasyev_DeepNLP-Course_48acf7b1.png","DanAnastasyev","Dan Anastasyev","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FDanAnastasyev_6efe8b80.png",null,"https:\u002F\u002Fgithub.com\u002FDanAnastasyev",[81],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",100,632,164,"2026-02-07T15:02:54","Linux, macOS, Windows","需要 NVIDIA GPU，显存 8GB+，CUDA 11.7+","16GB+",{"notes":92,"python":93,"dependencies":94},"建议使用 conda 管理环境，首次运行需下载约 5GB 模型文件。部分课程内容依赖 Google Colab 环境，可在 Colab 中直接运行 Jupyter Notebook。","3.8+",[95,96,97,98,99,100,101,102,103],"torch>=2.0","transformers>=4.30","accelerate","numpy","keras","pandas","scikit-learn","matplotlib","seaborn",[26,13],[106,107,108,99,109],"nlp","deep-learning","pytorch","colab-notebook","2026-03-27T02:49:30.150509","2026-04-06T06:51:56.060030",[],[]]