[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MilesCranmer--symbolic_deep_learning":3,"tool-MilesCranmer--symbolic_deep_learning":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",85267,2,"2026-04-18T11:00:28",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",75872,"2026-04-18T10:54:57",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,"2026-04-03T21:50:24",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":76,"owner_website":83,"owner_url":84,"languages":85,"stars":90,"forks":91,"last_commit_at":92,"license":93,"difficulty_score":46,"env_os":94,"env_gpu":95,"env_ram":96,"env_deps":97,"category_tags":108,"github_topics":82,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":22,"created_at":109,"updated_at":110,"faqs":111,"releases":139},9166,"MilesCranmer\u002Fsymbolic_deep_learning","symbolic_deep_learning","Code for \"Discovering Symbolic Models from Deep Learning with Inductive Biases\"","symbolic_deep_learning 是一个旨在从深度学习模型中自动发现可解释符号公式的开源项目。它源于论文《通过归纳偏置从深度学习中发现符号模型》，核心目标是解决传统神经网络“黑盒”难以理解的问题，让 AI 不仅能预测数据，还能输出人类可读的物理定律或数学方程。\n\n该工具特别适合科研人员、物理学家以及从事可解释性 AI 研究的开发者使用。如果你需要从复杂的模拟数据（如天体物理中的 N 体模拟或暗物质分布）中提炼出简洁的控制方程，symbolic_deep_learning 能提供强有力的支持。其独特的技术亮点在于结合了图神经网络（GNN）与符号回归算法 PySR：首先利用带有特定归纳偏置的神经网络学习数据背后的相互作用机制，随后通过符号回归将这些机制转化为精确的数学表达式。项目中还提供了完整的训练代码、交互式 Demo 以及在暗物质模拟中提取引力方程的成功案例，帮助用户轻松复现研究成果并探索未知领域的科学规律。","# [Discovering Symbolic Models from Deep Learning with Inductive Biases](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.11287)\n\nThis [repository](https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002Fsymbolic_deep_learning) is the official implementation of [Discovering Symbolic Models from Deep Learning with Inductive Biases](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.11287). \n\nMiles Cranmer, Alvaro Sanchez-Gonzalez, Peter Battaglia, Rui Xu, Kyle Cranmer, David Spergel, Shirley Ho\n\nCheck out our [Blog](https:\u002F\u002Fastroautomata.com\u002Fpaper\u002Fsymbolic-neural-nets\u002F), [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.11287), [Video](https:\u002F\u002Fyoutu.be\u002F2vwwu59RPL8), and [Interactive Demo](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fblob\u002Fmaster\u002FGN_Demo_Colab.ipynb).\n\n[![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_1e7610f4ac78.png)](https:\u002F\u002Fastroautomata.com\u002Fpaper\u002Fsymbolic-neural-nets\u002F)\n\n\n## Requirements\n\nFor model:\n\n- pytorch\n- [pytorch-geometric](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric)\n- numpy\n\nSymbolic regression:\n- [PySR](https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002FPySR), our new open-source Eureqa alternative\n\nFor simulations:\n\n- [jax](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fjax) (simple N-body simulations)\n- [quijote](https:\u002F\u002Fgithub.com\u002Ffranciscovillaescusa\u002FQuijote-simulations) (Dark matter data; optional)\n- tqdm\n- matplotlib\n\n## Training\n\nTo train an example model from the paper, try out the [demo](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fblob\u002Fmaster\u002FGN_Demo_Colab.ipynb).\n\nFull model definitions are given in `models.py`. Data is generated from `simulate.py`.\n\n## Results\n\nWe train on simulations produced by the following equations:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_75ca42a9e3ed.png)\ngiving us time series:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_f722914a0caa.png)\n\nWe recorded performance for each model:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_836ae7750063.png)\nand also measured how well each model's messages\ncorrelated with a linear combination of forces:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_808e4d07a435.png)\n\nFinally, we trained on a dark matter simulation and extracted the following equations\nfrom the message function:\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_82d6dab12ddf.png)\n","# [利用归纳偏置从深度学习中发现符号模型](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.11287)\n\n这个[仓库](https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002Fsymbolic_deep_learning)是[利用归纳偏置从深度学习中发现符号模型](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.11287)的官方实现。\n\n迈尔斯·克兰默、阿尔瓦罗·桑切斯-冈萨雷斯、彼得·巴塔利亚、徐睿、凯尔·克兰默、大卫·斯珀格尔、雪莉·霍\n\n请查看我们的[博客](https:\u002F\u002Fastroautomata.com\u002Fpaper\u002Fsymbolic-neural-nets\u002F)、[论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.11287)、[视频](https:\u002F\u002Fyoutu.be\u002F2vwwu59RPL8)以及[交互式演示](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fblob\u002Fmaster\u002FGN_Demo_Colab.ipynb)。\n\n[![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_1e7610f4ac78.png)](https:\u002F\u002Fastroautomata.com\u002Fpaper\u002Fsymbolic-neural-nets\u002F)\n\n\n## 需求\n\n对于模型：\n\n- PyTorch\n- [PyTorch Geometric](https:\u002F\u002Fgithub.com\u002Frusty1s\u002Fpytorch_geometric)\n- NumPy\n\n符号回归：\n\n- [PySR](https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002FPySR)，我们新推出的开源 Eureqa 替代工具\n\n对于模拟：\n\n- [JAX](https:\u002F\u002Fgithub.com\u002Fgoogle\u002Fjax)（简单的 N 体模拟）\n- [Quijote](https:\u002F\u002Fgithub.com\u002Ffranciscovillaescusa\u002FQuijote-simulations)（暗物质数据；可选）\n- tqdm\n- Matplotlib\n\n## 训练\n\n要训练论文中的示例模型，请尝试使用[演示](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fblob\u002Fmaster\u002FGN_Demo_Colab.ipynb)。\n\n完整的模型定义在 `models.py` 中给出。数据由 `simulate.py` 生成。\n\n## 结果\n\n我们基于以下方程产生的模拟进行训练：\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_75ca42a9e3ed.png)\n从而得到时间序列：\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_f722914a0caa.png)\n\n我们记录了每个模型的性能：\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_836ae7750063.png)\n并测量了每个模型的消息与力的线性组合之间的相关性：\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_808e4d07a435.png)\n\n最后，我们在一个暗物质模拟上进行了训练，并从消息函数中提取了以下方程：\n![](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_readme_82d6dab12ddf.png)","# symbolic_deep_learning 快速上手指南\n\n本指南帮助中国开发者快速部署并使用 `symbolic_deep_learning`，该工具通过结合归纳偏置的深度学习模型，从数据中发现符号化物理方程。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**: Linux 或 macOS (Windows 用户建议使用 WSL2)\n*   **Python 版本**: 推荐 Python 3.8 - 3.10\n*   **硬件**: 建议配备 NVIDIA GPU 以加速训练（可选，CPU 亦可运行小规模演示）\n\n**核心依赖库**：\n*   `pytorch`: 深度学习框架\n*   `pytorch-geometric`: 图神经网络支持\n*   `PySR`: 符号回归引擎（本项目核心组件）\n*   `jax`: 用于生成简单的 N-body 模拟数据\n*   `numpy`, `tqdm`, `matplotlib`: 基础数据处理与可视化\n\n> **国内加速建议**：安装 Python 包时，推荐使用清华源或阿里源以提升下载速度。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002Fsymbolic_deep_learning.git\ncd symbolic_deep_learning\n```\n\n### 2. 创建虚拟环境（推荐）\n```bash\npython -m venv venv\nsource venv\u002Fbin\u002Factivate  # Windows 用户使用: venv\\Scripts\\activate\n```\n\n### 3. 安装依赖\n使用国内镜像源安装基础依赖：\n```bash\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\npip install numpy tqdm matplotlib jax jaxlib --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n安装 `pytorch-geometric`（需根据 PyTorch 版本匹配，以下为通用安装方式）：\n```bash\npip install pytorch-geometric --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n安装符号回归核心库 `PySR`：\n```bash\npip install pysr --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n*(可选) 若需复现暗物质模拟结果，需额外安装 `quijote`，请参考其官方仓库说明。*\n\n## 基本使用\n\n最快速的上手方式是运行官方提供的 Colab 演示，或在本地运行简化版流程。\n\n### 方式一：在线体验（推荐新手）\n无需本地配置环境，直接在浏览器中运行完整演示：\n*   访问 [Google Colab 交互式演示](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fblob\u002Fmaster\u002FGN_Demo_Colab.ipynb)\n*   点击 \"运行时\" -> \"全部运行\" 即可观察从模拟数据生成到符号方程提取的全过程。\n\n### 方式二：本地运行示例\n\n**1. 生成模拟数据**\n使用内置脚本生成基于特定物理方程的时间序列数据：\n```bash\npython simulate.py\n```\n\n**2. 训练模型**\n模型定义位于 `models.py`。您可以修改该文件选择不同架构，然后启动训练（需自行编写简单的训练循环调用 `models.py` 中的类，或参考 `GN_Demo_Colab.ipynb` 中的训练逻辑）。\n\n核心训练逻辑示例（伪代码参考）：\n```python\nfrom models import GNModel\nimport torch\n\n# 初始化模型\nmodel = GNModel()\n\n# 假设 data 已通过 simulate.py 生成并加载\n# optimizer = torch.optim.Adam(model.parameters(), lr=0.01)\n\n# 训练循环\n# for step in range(num_steps):\n#     loss = model(data)\n#     loss.backward()\n#     optimizer.step()\n```\n\n**3. 提取符号方程**\n训练完成后，使用 `PySR` 对模型的中间表示（message function）进行符号回归，以发现潜在的物理公式。具体提取逻辑需参考论文中描述的“消息函数与力的线性组合相关性”分析部分。\n\n---\n*更多详细实验结果和暗物质模拟案例，请参阅原论文或项目博客。*","一位天体物理学家正在尝试从复杂的暗物质 N 体模拟数据中，推导出支配星系演化的底层物理公式。\n\n### 没有 symbolic_deep_learning 时\n- 研究人员只能依赖传统的黑盒深度学习模型进行预测，虽然拟合精度高，但无法输出人类可理解的数学表达式，导致物理机制成谜。\n- 为了猜测潜在的引力修正项，团队需手动假设多种函数形式并反复试错，耗时数周且极易遗漏非直观的非线性关系。\n- 模型内部学到的“力”与真实物理力之间缺乏明确的对应验证，难以确认神经网络是否真正掌握了物理规律而非单纯记忆数据。\n- 发现的新规律难以直接嵌入现有的科学模拟软件中，因为缺乏显式的符号方程作为接口。\n\n### 使用 symbolic_deep_learning 后\n- 该工具结合归纳偏置的图神经网络与 PySR 符号回归，直接从模拟数据中自动提取出简洁、可读的解析公式（如 $F \\propto 1\u002Fr^2$ 的变体）。\n- 无需预先假设公式形态，系统能自主探索巨大的函数空间，快速发现人类专家未曾设想的复杂相互作用项。\n- 通过可视化消息传递机制与物理力的相关性，研究人员能直观验证模型学到的中间变量确实对应真实的物理受力，增强了结果的可信度。\n- 输出的标准数学表达式可直接复制用于理论推导或集成到传统仿真引擎中，大幅缩短了从数据发现到理论应用的周期。\n\nsymbolic_deep_learning 的核心价值在于它打破了深度学习“黑盒”的局限，让 AI 不仅能预测未来，更能像科学家一样“发现”可解释的物理定律。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMilesCranmer_symbolic_deep_learning_f722914a.png","MilesCranmer","Miles Cranmer","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMilesCranmer_5c5c94b5.jpg","Assistant Professor at University of Cambridge.\r\n\r\nWorks on AI for the physical sciences.","University of Cambridge","Cambridge, UK",null,"astroautomata.com","https:\u002F\u002Fgithub.com\u002FMilesCranmer",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,778,144,"2026-04-05T21:36:40","MIT","","未说明（依赖 PyTorch 和 JAX，通常建议使用支持 CUDA 的 NVIDIA GPU 以加速训练）","未说明",{"notes":98,"python":96,"dependencies":99},"该工具包含多个模块：模型训练依赖 PyTorch 和 pytorch-geometric；符号回归需安装 PySR；模拟部分依赖 JAX（用于 N 体模拟）和可选的 Quijote（暗物质数据）。官方提供 Colab 交互式演示，建议优先通过 Colab 体验。具体版本未在文档中明确，需参考各依赖库的最新兼容版本。",[100,101,102,103,104,105,106,107],"pytorch","pytorch-geometric","numpy","PySR","jax","quijote","tqdm","matplotlib",[18],"2026-03-27T02:49:30.150509","2026-04-19T03:03:13.971079",[112,117,122,127,131,135],{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},41161,"如何在无法安装 JAX 的 Windows 系统上运行演示？","JAX 仅用于生成模拟数据。如果您在 Windows 上且没有 GPU，可以采取以下方案：\n1. 在 Google Colab 中运行模拟部分（参考 README 中的链接）。\n2. 下载生成的数据文件。\n3. 在您的 Windows 机器上，修改代码以加载下载的数据，而不是现场生成数据。\n4. 移除代码中的 `.cuda()` 部分以使其在不使用 GPU 的情况下运行。\n虽然也可以尝试在 Windows 上配置 JAX，但这通常需要较多工作量，因此推荐使用 Colab 版本。","https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fissues\u002F7",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},41162,"遇到 PyTorch 和 torch_sparse 版本不匹配的运行时错误怎么办？","该问题通常是由于 Google Colab 定期更新其 CUDA 和 PyTorch 版本导致的依赖冲突。维护者已在主分支（master branch）中修复了此问题。请确保拉取最新的代码版本。此外，项目计划更新 Notebook 以自动检测当前的 CUDA 版本并下载对应的正确依赖包。","https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fissues\u002F5",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},41163,"导入 models.py 时出现 OSError 或 RuntimeError 导致演示无法运行？","这通常是由 PyTorch Geometric 及其依赖项（如 torch_sparse）与当前环境的 PyTorch 版本不兼容引起的。请检查您的 PyTorch 版本是否过旧或不匹配。解决方案是更新到项目主分支的最新代码，其中已包含针对版本兼容性问题的修复。","https:\u002F\u002Fgithub.com\u002FMilesCranmer\u002Fsymbolic_deep_learning\u002Fissues\u002F2",{"id":128,"question_zh":129,"answer_zh":130,"source_url":116},41164,"在没有 GPU 的情况下如何运行该项目？","项目默认可能包含 `.cuda()` 调用以利用 GPU 加速。若要在纯 CPU 环境下运行，您需要手动编辑代码，找到并移除所有 `.cuda()` 调用。此外，对于数据生成部分，建议在 Google Colab（可利用免费 GPU）生成数据后下载到本地，再在本地 CPU 环境中进行后续的模型训练或符号回归步骤。",{"id":132,"question_zh":133,"answer_zh":134,"source_url":121},41165,"安装 torch-sparse、torch-scatter 等依赖时构建 wheel 耗时过长或失败？","这是已知现象，特别是在某些环境中从头构建这些库的二进制轮子（wheels）非常耗时。如果可能，建议使用预编译好的环境（如更新后的 Google Colab 笔记本），或者确保安装了与当前 PyTorch 和 CUDA 版本严格匹配的预编译二进制包，以避免从源码编译。维护者已意识到此问题并在优化依赖安装流程。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":116},41166,"JAX 在项目中的具体作用是什么？是否可以替换？","在该项目的演示文件中，JAX 的唯一作用是生成物理模拟数据。它不参与核心的符号深度学习模型架构或训练过程。因此，如果您无法安装 JAX，完全可以跳过数据生成步骤，改用预先计算好的数据集（例如从 Colab 下载），从而绕过对 JAX 的依赖。",[]]