[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-JustGlowing--minisom":3,"tool-JustGlowing--minisom":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",157379,2,"2026-04-15T23:32:42",[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。",108322,"2026-04-10T11:39:34",[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":78,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":111,"updated_at":112,"faqs":113,"releases":144},7882,"JustGlowing\u002Fminisom","minisom",":red_circle: MiniSom is a minimalistic implementation of the Self Organizing Maps","MiniSom 是一个基于 Python 和 NumPy 构建的轻量级开源库，专注于实现自组织映射（SOM）算法。SOM 是一种特殊的人工神经网络，能够将高维数据中复杂的非线性统计关系，转化为低维空间（通常是二维平面）上直观的几何分布，从而帮助用户轻松发现数据内在的结构与聚类特征。\n\nMiniSom 主要解决了传统 SOM 实现过于复杂、依赖繁重或难以二次开发的问题。它摒弃了冗余功能，仅依赖核心科学计算库，代码风格简洁且高度向量化，使得研究人员和学生能够快速理解算法细节并在此基础上进行扩展实验。对于需要处理大规模数据的场景，MiniSom 还独特地支持通过 Numba 进行即时编译（JIT）加速，显著提升了训练效率。\n\n这款工具非常适合人工智能领域的研究人员、数据科学家以及高校师生使用。无论是用于探索性数据分析、降维可视化，还是作为教学演示材料，MiniSom 都能提供清晰、高效的解决方案。用户只需几行代码即可完成模型的初始化、训练及结果查询，并能方便地保存和加载模型，是入门和实践 SOM 算法的理想选择。","[![PyPI version fury.io](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fminisom.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002FMiniSom\u002F)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_a86f52b1fe90.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002FMiniSom)\n[![Python package](https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Factions\u002Fworkflows\u002Fpython-package.yml\u002Fbadge.svg?branch=master&event=push)](https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Factions\u002Fworkflows\u002Fpython-package.yml)\n![coverage](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcoverage-97.76%25-44cc11)\n\n\u003Ch1>MiniSom\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_e653df7b876b.png' align='right'>\u003C\u002Fh1>\n\nSelf Organizing Maps\n--------------------\n\nMiniSom is a minimalistic and Numpy based implementation of the Self Organizing Maps (SOM) with optional JIT acceleration via Numba. SOM is a type of Artificial Neural Network able to convert complex, nonlinear statistical relationships between high-dimensional data items into simple geometric relationships on a low-dimensional display. Minisom is designed to allow researchers to easily build on top of it and to give students the ability to quickly grasp its details.\n\nThe project initially aimed for a minimalistic implementation of the Self-Organizing Map (SOM) algorithm, focusing on simplicity in features, dependencies, and code style. Although it has expanded in terms of features, it remains minimalistic by relying only on the numpy library and emphasizing vectorization in coding style.\n\nUpdates about MiniSom are posted on \u003Ca href=\"https:\u002F\u002Fx.com\u002FJustGlowing\">X\u003C\u002Fa>.\n\nJump into using MiniSom via Google Colab: [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fgithubtocolab.com\u002FJustGlowing\u002Fminisom\u002Fblob\u002Fmaster\u002Fexamples\u002FBasicUsage.ipynb)\n\nInstallation\n---------------------\n\nJust use pip:\n\n    pip install minisom\n\nTo include Numba for JIT-accelerated training:\n\n    pip install minisom[fast]\n\nor download MiniSom to a directory of your choice and use the setup script:\n\n    git clone https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom.git\n    python setup.py install\n\nNote that the commands above will install the latest version of MiniSom which might contain changes that are not parte of the stable release.\n\nHow to use it\n---------------------\n\nIn order to use MiniSom you need your data organized as a Numpy matrix where each row corresponds to an observation or as list of lists like the following:\n\n```python\ndata = [[ 0.80,  0.55,  0.22,  0.03],\n        [ 0.82,  0.50,  0.23,  0.03],\n        [ 0.80,  0.54,  0.22,  0.03],\n        [ 0.80,  0.53,  0.26,  0.03],\n        [ 0.79,  0.56,  0.22,  0.03],\n        [ 0.75,  0.60,  0.25,  0.03],\n        [ 0.77,  0.59,  0.22,  0.03]]      \n```\n\n Then you can train MiniSom just as follows:\n\n```python\nfrom minisom import MiniSom    \nsom = MiniSom(6, 6, 4, sigma=0.3, learning_rate=0.5) # initialization of 6x6 SOM\nsom.train(data, 100) # trains the SOM with 100 iterations\n```\n\nMiniSom also supports JIT-accelerated training via [Numba](https:\u002F\u002Fnumba.pydata.org\u002F). If Numba is installed (see [installation](#installation)), you can use `train_batch_offline_fast` for significant speedups on large datasets:\n\n```python\nsom = MiniSom(6, 6, 4, sigma=0.3, learning_rate=0.5)\nsom.train_batch_offline_fast(data, 100) # JIT-accelerated batch training\n```\n\nThe first call will be slightly slower due to JIT compilation; subsequent calls reuse the compiled code.\n\nYou can obtain the position of the winning neuron on the map for a given sample as follows:\n\n```\nsom.winner(data[0])\n```\n\nFor an overview of all the features implemented in minisom you can browse the following examples: https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Ftree\u002Fmaster\u002Fexamples\n\n#### Export a SOM and load it again\n\nA model can be saved using pickle as follows\n\n```python\nimport pickle\nsom = MiniSom(7, 7, 4)\n\n# ...train the som here\n\n# saving the som in the file som.p\nwith open('som.p', 'wb') as outfile:\n    pickle.dump(som, outfile)\n```\n\nand can be loaded as follows\n\n```python\nwith open('som.p', 'rb') as infile:\n    som = pickle.load(infile)\n```\n\nNote that if a lambda function is used to define the decay factor MiniSom will not be pickable anymore.\n\nExamples\n---------------------\n\nHere are some of the charts you'll see how to generate in the [examples](https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Ftree\u002Fmaster\u002Fexamples):\n\n| | |\n:-------------------------:|:-------------------------:\nSeeds map ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_740301bd3f88.png)  | Class assignment ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_cf67d816a54b.png)\nHandwritten digits mapping ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_e8024db36880.png)  |  Hexagonal Topology \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_a9b65f720168.png\" alt=\"som hexagonal toplogy\" width=450>\nColor quantization ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_d653e4455678.png)  |  Outliers detection ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_a66abdf7ab81.png)\n\nOther tutorials\n------------\n- \u003Ca href=\"https:\u002F\u002Fglowingpython.blogspot.com\u002F2013\u002F09\u002Fself-organizing-maps.html\">Self Organizing Maps on the Glowing Python\u003C\u002Fa>\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOptimization-Algorithms-Book\u002FCode-Listings\u002Fblob\u002Fmain\u002FChapter%2011\u002FListing%2011.5_TSP_SOM.ipynb\">How to solve the Travelling Salesman Problem\u003C\u002Fa> from the book \u003Ci>Optimization Algorithms:Optimization Algorithms: AI techniques for design, planning, and control problems. Manning Publications, 2023.\u003C\u002Fi>\n- \u003Ca href=\"http:\u002F\u002Faa.ssdi.di.fct.unl.pt\u002Ffiles\u002FAA-16_notes.pdf\">Lecture notes from the Machine Learning course at the University of Lisbon\u003C\u002Fa>\n- \u003Ca href=\"https:\u002F\u002Fheartbeat.fritz.ai\u002Fintroduction-to-self-organizing-maps-soms-98e88b568f5d\">Introduction to Self-Organizing\u003C\u002Fa> by Derrick Mwiti\n- \u003Ca href=\"http:\u002F\u002Finphronesys.com\u002F?p=625\">Self Organizing Maps on gapminder data\u003C\u002Fa> [in German]\n- \u003Ca href=\"https:\u002F\u002Fmedium.com\u002Fneuronio\u002Fdiscovering-som-an-unsupervised-neural-network-12e787f38f9\">Discovering SOM, an Unsupervised Neural Network\u003C\u002Fa> by Gisely Alves\n- Video tutorials made by the GeoEngineerings School: \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=3osKNPyAxPM&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC&index=11\">Part 1\u003C\u002Fa>; \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uUpQ6MITlVs&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC&index=12\">Part 2\u003C\u002Fa>; \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=mryFU0TEInk&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC&index=13\">Part 3\u003C\u002Fa>; \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=9MzFOIoxxdk&index=14&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC\">Part 4\u003C\u002Fa>\n- Video tutorial \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0qtvb_Nx2tA\">Self Organizing Maps: Introduction\u003C\u002Fa> by Art of Visualization\n- Video tutorial \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=O6nzwAc_hrQ\">Self Organizing Maps Hyperparameter tuning\u003C\u002Fa> by \nSuperDataScience Machine Learning\n\nHow to cite MiniSom\n------------\n```\n@misc{vettigliminisom,\n  title={MiniSom: minimalistic and NumPy-based implementation of the Self Organizing Map},\n  author={Giuseppe Vettigli},\n  year={2018},\n  url={https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002F},\n}\n```\n\nMiniSom has been cited more than 400 times, check out the research where MiniSom was used  \u003Ca href=\"https:\u002F\u002Fscholar.google.co.uk\u002Fscholar?hl=en&as_sdt=2007&q=%22JustGlowing%2Fminisom%22+OR+%22minisom+library%22+OR+%22minisom+python%22+OR+%22minisom+vettigli%22&btnG=\">here\u003C\u002Fa>.\n\nGuidelines to contribute\n---------------------\n1. In the description of your Pull Request explain clearly what it implements or fixes. In cases that the PR is about a code speedup, report a reproducible example and quantify the speedup.\n2. Give your pull request a helpful title that summarises what your contribution does. \n3. Write unit tests for your code and make sure the existing ones are up to date. `pytest` can be used for this:\n```\npytest minisom.py\n```\n4. Make sure that there are no stylistic issues using `pycodestyle`:\n```\npycodestyle minisom.py\n```\n5. Make sure your code is properly commented and documented. Each public method needs to be documented as the existing ones.\n\n","[![PyPI版本 fury.io](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fminisom.svg)](https:\u002F\u002Fpypi.org\u002Fproject\u002FMiniSom\u002F)\n[![下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_a86f52b1fe90.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002FMiniSom)\n[![Python包](https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Factions\u002Fworkflows\u002Fpython-package.yml\u002Fbadge.svg?branch=master&event=push)](https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Factions\u002Fworkflows\u002Fpython-package.yml)\n![覆盖率](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcoverage-97.76%25-44cc11)\n\n\u003Ch1>MiniSom\u003Cimg src='https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_e653df7b876b.png' align='right'>\u003C\u002Fh1>\n\n自组织映射\n--------------------\n\nMiniSom是一个基于Numpy的极简自组织映射（SOM）实现，可通过Numba进行可选的JIT加速。SOM是一种能够将高维数据之间复杂的非线性统计关系转换为低维展示上的简单几何关系的人工神经网络。Minisom的设计旨在让研究人员能够轻松地在其基础上进行扩展，并帮助学生快速掌握其细节。\n\n该项目最初的目标是实现一个极简的自组织映射算法，注重功能、依赖和代码风格的简洁性。尽管它在功能上有所扩展，但仍然保持极简主义，仅依赖于numpy库，并强调向量化编程风格。\n\n关于MiniSom的更新会在\u003Ca href=\"https:\u002F\u002Fx.com\u002FJustGlowing\">X\u003C\u002Fa>上发布。\n\n通过Google Colab快速开始使用MiniSom：[![在Colab中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fgithubtocolab.com\u002FJustGlowing\u002Fminisom\u002Fblob\u002Fmaster\u002Fexamples\u002FBasicUsage.ipynb)\n\n安装\n---------------------\n\n只需使用pip即可：\n\n    pip install minisom\n\n若需包含Numba以实现JIT加速训练：\n\n    pip install minisom[fast]\n\n或者将MiniSom克隆到您选择的目录并使用setup脚本：\n\n    git clone https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom.git\n    python setup.py install\n\n请注意，上述命令会安装最新版本的MiniSom，其中可能包含尚未纳入稳定版的功能变更。\n\n如何使用\n---------------------\n\n要使用MiniSom，您需要将数据组织成一个NumPy矩阵，其中每一行对应一个观测值；或者使用如下所示的列表嵌套结构：\n\n```python\ndata = [[ 0.80,  0.55,  0.22,  0.03],\n        [ 0.82,  0.50,  0.23,  0.03],\n        [ 0.80,  0.54,  0.22,  0.03],\n        [ 0.80,  0.53,  0.26,  0.03],\n        [ 0.79,  0.56,  0.22,  0.03],\n        [ 0.75,  0.60,  0.25,  0.03],\n        [ 0.77,  0.59,  0.22,  0.03]]      \n```\n\n然后您可以按照以下方式训练MiniSom：\n\n```python\nfrom minisom import MiniSom    \nsom = MiniSom(6, 6, 4, sigma=0.3, learning_rate=0.5) # 初始化一个6x6的SOM\nsom.train(data, 100) # 使用100次迭代训练SOM\n```\n\nMiniSom还支持通过[Numba](https:\u002F\u002Fnumba.pydata.org\u002F)进行JIT加速训练。如果已安装Numba（参见[安装](#installation)），您可以使用`train_batch_offline_fast`方法来显著提升大规模数据集上的训练速度：\n\n```python\nsom = MiniSom(6, 6, 4, sigma=0.3, learning_rate=0.5)\nsom.train_batch_offline_fast(data, 100) # JIT加速的批量训练\n```\n\n首次调用由于JIT编译可能会稍慢，但后续调用会复用已编译的代码。\n\n对于给定样本，您可以这样获取映射上获胜神经元的位置：\n\n```\nsom.winner(data[0])\n```\n\n如需了解Minisom中所有实现的功能，可以浏览以下示例：https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Ftree\u002Fmaster\u002Fexamples\n\n#### 导出SOM并重新加载\n\n模型可以使用pickle保存，如下所示：\n\n```python\nimport pickle\nsom = MiniSom(7, 7, 4)\n\n# ...在此处训练SOM\n\n# 将 SOM 保存到文件 som.p 中\nwith open('som.p', 'wb') as outfile:\n    pickle.dump(som, outfile)\n```\n\n并且可以按如下方式加载：\n\n```python\nwith open('som.p', 'rb') as infile:\n    som = pickle.load(infile)\n```\n\n请注意，如果使用 lambda 函数来定义衰减因子，MiniSom 就不再可序列化了。\n\n示例\n---------------------\n\n以下是一些你将在 [examples](https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Ftree\u002Fmaster\u002Fexamples) 中看到如何生成的图表：\n\n| | |\n:-------------------------:|:-------------------------:\n种子映射 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_740301bd3f88.png)  | 类别分配 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_cf67d816a54b.png)\n手写数字映射 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_e8024db36880.png)  | 六边形拓扑 \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_a9b65f720168.png\" alt=\"som hexagonal toplogy\" width=450>\n颜色量化 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_d653e4455678.png)  | 异常值检测 ![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_readme_a66abdf7ab81.png)\n\n其他教程\n------------\n- \u003Ca href=\"https:\u002F\u002Fglowingpython.blogspot.com\u002F2013\u002F09\u002Fself-organizing-maps.html\">Glowing Python 上的自组织映射\u003C\u002Fa>\n- \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FOptimization-Algorithms-Book\u002FCode-Listings\u002Fblob\u002Fmain\u002FChapter%2011\u002FListing%2011.5_TSP_SOM.ipynb\">如何解决旅行商问题\u003C\u002Fa> 来自书籍 \u003Ci>优化算法：用于设计、规划和控制问题的人工智能技术。Manning 出版社，2023 年。\u003C\u002Fi>\n- \u003Ca href=\"http:\u002F\u002Faa.ssdi.di.fct.unl.pt\u002Ffiles\u002FAA-16_notes.pdf\">里斯本大学机器学习课程的讲义\u003C\u002Fa>\n- \u003Ca href=\"https:\u002F\u002Fheartbeat.fritz.ai\u002Fintroduction-to-self-organizing-maps-soms-98e88b568f5d\">Derrick Mwiti 的自组织映射简介\u003C\u002Fa>\n- \u003Ca href=\"http:\u002F\u002Finphronesys.com\u002F?p=625\">基于 Gapminder 数据的自组织映射\u003C\u002Fa> [德语]\n- \u003Ca href=\"https:\u002F\u002Fmedium.com\u002Fneuronio\u002Fdiscovering-som-an-unsupervised-neural-network-12e787f38f9\">Gisely Alves 的无监督神经网络 SOM 探索\u003C\u002Fa>\n- GeoEngineerings 学校制作的视频教程： \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=3osKNPyAxPM&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC&index=11\">第 1 部分\u003C\u002Fa>; \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=uUpQ6MITlVs&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC&index=12\">第 2 部分\u003C\u002Fa>; \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=mryFU0TEInk&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC&index=13\">第 3 部分\u003C\u002Fa>; \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=9MzFOIoxxdk&index=14&list=PL-i8do33HJovC7xFKaYO21qT37vORJWXC\">第 4 部分\u003C\u002Fa>\n- \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=0qtvb_Nx2tA\">可视化艺术制作的自组织映射入门视频\u003C\u002Fa>\n- \u003Ca href=\"https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=O6nzwAc_hrQ\">SuperDataScience 机器学习制作的自组织映射超参数调优视频\u003C\u002Fa>\n\n如何引用 MiniSom\n------------\n```\n@misc{vettigliminisom,\n  title={MiniSom：极简且基于 NumPy 的自组织映射实现},\n  author={Giuseppe Vettigli},\n  year={2018},\n  url={https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002F},\n}\n```\n\nMiniSom 已被引用超过 400 次，请查看使用 MiniSom 的研究 \u003Ca href=\"https:\u002F\u002Fscholar.google.co.uk\u002Fscholar?hl=en&as_sdt=2007&q=%22JustGlowing%2Fminisom%22+OR+%22minisom+library%22+OR+%22minisom+python%22+OR+%22minisom+vettigli%22&btnG=\">这里\u003C\u002Fa>。\n\n贡献指南\n---------------------\n1. 在 Pull Request 的描述中，请清晰地说明您实现或修复的内容。如果 PR 是关于代码加速的，请提供一个可复现的例子，并量化加速效果。\n2. 为您的 Pull Request 取一个有助于概括您贡献内容的标题。\n3. 为您的代码编写单元测试，并确保现有测试是最新的。可以使用 `pytest` 进行测试：\n```\npytest minisom.py\n```\n4. 使用 `pycodestyle` 确保没有样式问题：\n```\npycodestyle minisom.py\n```\n5. 确保您的代码有适当的注释和文档。每个公共方法都需要像现有方法一样进行文档化。","# MiniSom 快速上手指南\n\nMiniSom 是一个基于 NumPy 的极简自组织映射（SOM）实现，支持通过 Numba 进行 JIT 加速。它能够将高维数据的复杂非线性关系转化为低维空间中的简单几何关系，适用于数据降维、聚类和可视化。\n\n## 环境准备\n\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **Python 版本**：Python 3.6+\n- **核心依赖**：\n  - `numpy`（必需）\n  - `numba`（可选，用于开启 JIT 加速训练）\n\n## 安装步骤\n\n### 1. 基础安装\n使用 pip 安装标准版本：\n```bash\npip install minisom\n```\n\n### 2. 开启加速（可选）\n若需处理大规模数据并启用 JIT 加速，请安装包含 `numba` 的版本：\n```bash\npip install minisom[fast]\n```\n\n> **提示**：国内用户如遇下载缓慢，可添加清华或阿里镜像源加速：\n> ```bash\n> pip install minisom -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> pip install minisom[fast] -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n### 3. 源码安装（可选）\n如需获取最新开发版：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom.git\ncd minisom\npython setup.py install\n```\n\n## 基本使用\n\n### 1. 准备数据\n数据需整理为 NumPy 矩阵或列表嵌套列表格式，每一行代表一个样本观测值。\n\n```python\ndata = [[ 0.80,  0.55,  0.22,  0.03],\n        [ 0.82,  0.50,  0.23,  0.03],\n        [ 0.80,  0.54,  0.22,  0.03],\n        [ 0.80,  0.53,  0.26,  0.03],\n        [ 0.79,  0.56,  0.22,  0.03],\n        [ 0.75,  0.60,  0.25,  0.03],\n        [ 0.77,  0.59,  0.22,  0.03]]      \n```\n\n### 2. 初始化与训练\n创建一个 6x6 的 SOM 网格，输入数据维度为 4，并进行训练。\n\n```python\nfrom minisom import MiniSom    \n\n# 初始化：6x6 网格，输入特征数 4，邻域半径 sigma=0.3，学习率=0.5\nsom = MiniSom(6, 6, 4, sigma=0.3, learning_rate=0.5) \n\n# 训练 100 次迭代\nsom.train(data, 100) \n```\n\n### 3. 使用 JIT 加速训练（如果已安装 numba）\n对于大数据集，推荐使用离线批量加速训练模式：\n\n```python\nsom = MiniSom(6, 6, 4, sigma=0.3, learning_rate=0.5)\n\n# 首次调用会因 JIT 编译稍慢，后续调用将显著提速\nsom.train_batch_offline_fast(data, 100) \n```\n\n### 4. 获取获胜神经元\n查询某个样本在地图上的最佳匹配单元（获胜神经元）位置：\n\n```python\nwinner_position = som.winner(data[0])\nprint(winner_position)\n# 输出示例：(2, 3) 表示第 2 行第 3 列的神经元\n```\n\n### 5. 模型保存与加载\n使用 `pickle` 保存训练好的模型以便后续使用：\n\n```python\nimport pickle\n\n# 保存模型\nwith open('som_model.p', 'wb') as outfile:\n    pickle.dump(som, outfile)\n\n# 加载模型\nwith open('som_model.p', 'rb') as infile:\n    som_loaded = pickle.load(infile)\n```\n\n> **注意**：如果在初始化时使用了 lambda 函数定义衰减因子，模型将无法被 pickle 保存。","某电商数据团队需要处理包含用户年龄、浏览时长、客单价等数十个维度的海量行为数据，旨在挖掘潜在的用户群体特征以优化营销策略。\n\n### 没有 minisom 时\n- **高维数据难以直观理解**：面对复杂的非线性高维数据，传统统计方法无法将其转化为直观的二维几何关系，分析师难以一眼看出用户分群规律。\n- **算法实现门槛高且耗时**：若从零编写自组织映射（SOM）神经网络代码，需深入理解复杂的数学推导，开发周期长且容易出错。\n- **依赖繁重部署困难**：引入大型深度学习框架仅为了一个聚类算法，会导致项目依赖臃肿，增加环境配置和维护成本。\n- **缺乏灵活定制能力**：黑盒式的商业软件或复杂库难以让研究人员修改底层逻辑，阻碍了针对特定业务场景的算法改进。\n\n### 使用 minisom 后\n- **降维可视化立竿见影**：minisom 能迅速将数十维的用户数据映射到简单的 6x6 网格上，相似用户自动聚集，异常行为一目了然。\n- **极简代码快速落地**：仅需几行基于 Numpy 的代码即可完成模型初始化与训练，配合可选的 Numba JIT 加速，大幅缩短从想法到验证的时间。\n- **轻量级无负担集成**：作为最小化实现的库，minisom 几乎无额外依赖，可轻松嵌入现有的数据分析流水线中，不增加系统负担。\n- **源码透明易于扩展**：其简洁的代码风格让学生和研究员能轻松掌握细节，便于在此基础上构建符合特定业务需求的自定义功能。\n\nminisom 通过极致简约的设计，让高维数据的聚类与可视化变得像调用普通函数一样简单高效。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FJustGlowing_minisom_740301bd.png","JustGlowing","Giuseppe Vettigli","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FJustGlowing_a82699d5.png","Sr Data Scientist, teaching fellow, Python enthusiast, fearless visionarist, lateral thinker.",null,"Cambridge, UK","giuseppe.vettigli@hivehome.com","http:\u002F\u002Fglowingpython.blogspot.com\u002F","https:\u002F\u002Fgithub.com\u002FJustGlowing",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,1581,443,"2026-04-12T08:34:27","MIT",1,"未说明","不需要 GPU",{"notes":94,"python":91,"dependencies":95},"该工具是一个基于 NumPy 的极简自组织映射（SOM）实现。默认安装仅需 numpy 库；若需启用 JIT 加速训练功能，需额外安装 numba 库（可通过 pip install minisom[fast] 安装）。数据需整理为 NumPy 矩阵或列表的列表格式。不支持使用 lambda 函数定义衰减因子，否则无法通过 pickle 保存模型。",[96,97],"numpy","numba (可选，用于 JIT 加速)",[14,15],[100,101,102,103,104,105,106,107,108,109,110],"machine-learning","vector-quantization","som","neural-networks","unsupervised-learning","manifold-learning","self-organizing-map","clustering","outlier-detection","dimensionality-reduction","kohonen","2026-03-27T02:49:30.150509","2026-04-16T08:12:32.761413",[114,119,124,129,134,139],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},35311,"如何量化误差（Quantization Error）的数值多少才算合理？数值较高是否意味着模型不可靠？","量化误差没有绝对的“合格”阈值，其数值大小主要取决于数据中存在的簇（clusters）数量。如果需要降低量化误差，可以通过增加 SOM 的节点数量（即增加簇的数量）来实现。最佳解决方案完全取决于您的数据本身包含多少个自然簇，因此需要调整 SOM 参数以获得您期望的误差水平。","https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Fissues\u002F36",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},35312,"调用 MiniSom 函数时出现 AttributeError（如 'get_weights', 'pca_weights_init' 不存在）或 TypeError（参数意外），如何解决？","这通常是因为环境中安装了旧版本的库，或者虚拟环境配置不正确导致加载了错误的包。解决方法如下：\n1. 删除现有的 conda 环境：`conda remove --name som_env –all`。\n2. 使用 virtualenv 重新创建虚拟环境并安装库（建议优先使用 virtualenv 而非 conda 以避免依赖冲突）。\n3. 验证 Python 解释器路径和库文件路径是否正确：\n   - 运行 `import sys; print(sys.executable)` 确认使用的是虚拟环境的 Python。\n   - 运行 `import minisom; print(minisom.__file__)` 确认导入的是新安装位置的 minisom.py。\n如果看到 \"Requirement already satisfied\" 提示，说明环境未清理干净，请务必重建环境。","https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Fissues\u002F179",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},35313,"为什么在相同设置下增加迭代次数（iterations），SOM 生成的节点结果会完全不同？","理论上，如果正确设置了学习率（learning rate）及其衰减函数，在达到一定迭代次数后结果应当趋于一致。如果结果差异巨大，可能是学习率衰减策略不当导致模型未能收敛。建议检查学习率和衰减函数的设置。此外，也可以尝试调整 SOM 的网格尺寸（som sizes），不同的拓扑结构可能对初始化和迭代次数的敏感度不同。","https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Fissues\u002F146",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},35314,"在使用六边形拓扑（hexagonal topology）但网格为矩形时，计算拓扑误差（topographic error）报错 IndexError，如何处理？","这是一个已知的代码逻辑问题，发生在将索引转换为欧几里得坐标时参数顺序错误。原代码中 `coords = som.convert_map_to_euclidean((index % y, int(index\u002Fy)))` 的参数顺序有误。正确的做法是将参数颠倒，改为 `coords = som.convert_map_to_euclidean((int(index\u002Fy), index % y))`。维护者已在后续版本中修复了此问题，建议更新到最新版本或手动修改源码中的该行代码。","https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Fissues\u002F152",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},35315,"MiniSom 支持哪些距离度量方法？如何自定义或使用余弦距离？","MiniSom 允许用户通过参数设置激活地图时使用的距离函数。除了默认的欧几里得距离外，库中已实现了余弦距离（cosine distance）。需要注意的是，当数据经过中心化处理后，余弦距离等价于皮尔逊距离（Pearson distance）。您可以查看主分支代码以了解如何设置该参数来切换不同的距离度量技术。","https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Fissues\u002F65",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},35316,"使用时间序列数据进行 PCA 初始化或随机初始化时报错，可能是什么原因？","虽然具体的报错图片在讨论中无法显示，但此类问题通常源于输入数据的形状（shape）不符合要求。SOM 输入通常需要是二维数组（样本数 x 特征数）。如果是时间序列数据，可能需要先进行滑动窗口处理或特征提取，将其转换为合适的二维格式。确保传递给 `pca_weights_init` 或 `random_weights_init` 的数据不包含 NaN 值且维度正确（ndims 需匹配数据的列数）。","https:\u002F\u002Fgithub.com\u002FJustGlowing\u002Fminisom\u002Fissues\u002F125",[145,150,155,160,165,170,175,180],{"id":146,"version":147,"summary_zh":148,"released_at":149},280365,"2.3.6","- 修复了影响 PCA 初始化的 bug\n- 在 @mariajmolina 的帮助下，修复了衰减函数的文档\n- 在 @lorenzoferre 的帮助下，修复了在计算 `quantization_error` 时可能出现的数值误差传播问题\n- 在 @lorenzoferre 的贡献下，改进了 PCA 的初始化方法，使其速度更快、对未归一化的数据也更稳健\n- 在 @lorenzoferre 的支持下，实现了离线批量训练算法","2026-02-11T12:05:34",{"id":151,"version":152,"summary_zh":153,"released_at":154},280366,"2.3.5","这是对版本 2.3.4 的修订。在 2.3.4 中，失真度量被错误地称为散度度量。","2025-02-26T10:01:26",{"id":156,"version":157,"summary_zh":158,"released_at":159},280367,"2.3.4","- 已实现失真度量。","2025-02-26T09:30:34",{"id":161,"version":162,"summary_zh":163,"released_at":164},280368,"2.3.3","- `sigma` 现在使用了不同的衰减函数，可通过参数 `sigma_decay_function` 进行选择。\n- 当 `sigma` 大于 `sqrt(x^2+y^2)` 时，系统会向用户发出警告。\n- @BrandonGarciaWx 实现了一系列用于 `sigma` 和学习率的衰减函数供选择。\n- `train` 方法现在接受 `fixed_points` 参数，以便强制算法针对特定样本训练特定的神经元。\n","2024-08-23T12:23:48",{"id":166,"version":167,"summary_zh":168,"released_at":169},280369,"2.3.2","- 改进了六边形拓扑的结构 - 感谢 @aznt00th\n- 改进了 PCA 的初始化\n- 修复了影响地形误差的 bug\n- 包含示例的主笔记本现在已纳入持续集成（CI）流程","2024-02-16T09:48:48",{"id":171,"version":172,"summary_zh":173,"released_at":174},280370,"2.3.1","- 引入 `use_epochs` 参数，当其为 `True` 时，学习率和衰减率将在整个 epoch 内保持不变。感谢 @jriege555 提交此更改。\n- 地形误差现在也可以用于六边形网格的计算。感谢 @TharindaDilshan。\n- 修复了 PCA 初始化相关的问题。","2023-03-02T15:10:38",{"id":176,"version":177,"summary_zh":178,"released_at":179},280371,"2.3.0","- 激活函数现在可以通过可调用对象来定义，感谢 @chicodelarosa 的贡献。 - 方法 `distance_map` 现在增加了一个参数 `neighbour_average`，允许用户对距离进行归一化处理。感谢 @lbugnon 的贡献。","2022-02-25T07:50:44",{"id":181,"version":182,"summary_zh":183,"released_at":184},280372,"2.2.9","许可证变更。","2021-04-24T17:22:39"]