[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MingchaoZhu--DeepLearning":3,"tool-MingchaoZhu--DeepLearning":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":79,"owner_location":78,"owner_email":80,"owner_twitter":78,"owner_website":78,"owner_url":81,"languages":82,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":91,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":97,"github_topics":98,"view_count":10,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":106,"updated_at":107,"faqs":108,"releases":114},667,"MingchaoZhu\u002FDeepLearning","DeepLearning","Python for《Deep Learning》，该书为《深度学习》(花书) 数学推导、原理剖析与源码级别代码实现","DeepLearning 是基于经典教材《深度学习》（俗称“花书”）打造的开源辅助项目。它致力于解决原书理论深奥、缺乏代码示例导致的学习难题。项目对书中的每一个概念进行了详细的数学推导与原理剖析，并使用 Python 基础库 NumPy 实现了源码级别的代码，完全不依赖 TensorFlow 或 PyTorch 等高级框架，让读者能真正看清算法背后的运作机制。\n\n该项目非常适合深度学习领域的在校学生、算法工程师以及准备面试的技术人员。无论是想夯实数学基础，还是希望理解模型训练细节，都能从中获益。DeepLearning 不仅复现了书中的核心内容，还额外补充了集成学习、正则化及优化算法等实用知识。所有推导过程与代码均整理在更新的 PDF 文档中，并配有详细注释。如果你渴望从原理层面掌握深度学习，而不仅仅是调用 API，这将是极佳的入门与进阶伴侣。","# Deep Learning\n\n《**深度学习**》是深度学习领域唯一的综合性图书，全称也叫做**深度学习 AI圣经(Deep Learning)**，由三位全球知名专家IanGoodfellow、YoshuaBengio、AaronCourville编著，全书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，深度学习全书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型，适用于相关专业的大学生或研究生使用。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMingchaoZhu_DeepLearning_readme_6d83590993f3.jpg\" width=\"200\" height=\"300\" alt=\"深度学习封面\" align=center>\n\n可以下载《深度学习》的中文版 [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv0.0.1\u002FDL_cn.pdf) 和英文版 [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv0.0.0\u002FDL_en.pdf) 直接阅读。\n\n对于本项目的工作，你可以直接下载 [深度学习_原理与代码实现.pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv1.1.1\u002Fdefault.pdf) (后面会对该书不断更新)\n\n---\n\n《深度学习》可以说是深度学习与人工智能的入门宝典，许多算法爱好者、机器学习培训班、互联网企业的面试，很多都参考这本书。但本书晦涩，加上官方没有提供代码实现，因此某些地方较难理解。本项目**基于数学推导和产生原理重新描述了书中的概念**，并用**Python** (numpy 库为主) 复现了书本内容 ( **源码级代码实现。推导过程和代码实现均放在了下载区的 pdf 文件中**，重要部分的实现代码也放入 **code 文件夹**中 )。\n\n然而我水平有限，但我真诚地希望这项工作可以帮助到更多人学习深度学习算法。我需要大家的建议和帮助。如果你在阅读中遇到有误或解释不清的地方，希望可以汇总你的建议，在 Issues 提出。如果你也想加入这项工作书写中或有其他问题，可以联系我的邮箱。如果你在你的工作或博客中用到了本书，还请可以注明引用链接。\n\n写的过程中参考了较多网上优秀的工作，所有参考资源保存在了`reference.txt`文件中。\n\n# 留言\n\n这份工作就是在写这一本 [深度学习_原理与代码实现.pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv1.1.1\u002Fdefault.pdf)。正如你在 pdf 文件中所见到的，《深度学习》涉及到的每一个概念，都会去给它详细的描述、原理层面的推导，以及用代码的实现。代码实现不会调用 Tensorflow、PyTorch、MXNet 等任何深度学习框架，甚至包括 sklearn (pdf 里用到 sklearn 的部分都是用来验证代码无误)，一切代码都是从原理层面实现 (Python 的基础库 NumPy)，并有详细注释，与代码区上方的原理描述区一致，你可以结合原理和代码一起理解。\n\n这份工作的起因是我自身的热爱，但为完成这份工作我需要投入大量的时间精力，一般会写到凌晨两三点。推导、代码、作图都是慢慢打磨的，我会保证这份工作的质量。这份工作会一直更新完，已经上传的章节也会继续补充内容。如果你在阅读过程中遇到有想要描述的概念点或者错误点，请发邮件告知我。\n\n真的很感谢你的认可与推广。最后，请等待下一次更新。\n\n我是 朱明超，我的邮箱是：deityrayleigh@gmail.com\n\n# 更新说明\n\n2020\u002F3\u002F：\n\n```python\n1. 修改第五章决策树部分，补充 ID3 和 CART 的原理，代码实现以 CART 为主。\n2. 第七章添加 L1 和 L2 正则化最优解的推导 (即 L1稀疏解的原理)。\n3. 第七章添加集成学习方法的推导与代码实现，包括 Bagging (随机森林)、Boosting (Adaboost、GBDT、XGBoost)。\n4. 第八章添加牛顿法与拟牛顿法 (DFP、BFGS、L-BFGS) 的推导。\n5. 第十一章节添加贝叶斯线性回归、高斯过程回归 (GPR) 与贝叶斯优化的推导与代码实现。\n```\n后面每次的更新内容会统一放在 `update.txt` 文件中。\n\n# 章节目录与文件下载\n\n除了《深度学习》书中的概念点，**本项目也在各章节添加一些补充知识，例如第七章集成学习部分的 随机森林、Adaboost、GBDT、XGBoost 的原理剖析和代码实现等，又或者第十二章对当前一些主流方法的描述**。大的章节目录和 pdf 文件下载链接可以详见下表，而具体 pdf 文件中的实际目录请参考 `contents.txt`。你可以在下面的 pdf 链接中下载对应章节，也可以在 [releases](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases) 界面直接下载所有文件。\n\n| 中文章节 | 英文章节 | 下载\u003Cbr \u002F>(含推导与代码实现) |\n| ------------ | ------------ | ------------ |\n| 第一章 前言 | 1 Introduction |  |\n| 第二章 线性代数 | 2 Linear Algebra | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F2%20%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0.pdf) |\n| 第三章 概率与信息论                 | 3 Probability and Information Theory | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F3%20%E6%A6%82%E7%8E%87%E4%B8%8E%E4%BF%A1%E6%81%AF%E8%AE%BA.pdf) |\n| 第四章 数值计算                     | 4 Numerical Computation | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F4%20%E6%95%B0%E5%80%BC%E8%AE%A1%E7%AE%97.pdf) |\n| 第五章 机器学习基础                 | 5 Machine Learning Basics | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F5%20%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.pdf) |\n| 第六章 深度前馈网络                 | 6 Deep Feedforward Networks | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F6%20%E6%B7%B1%E5%BA%A6%E5%89%8D%E9%A6%88%E7%BD%91%E7%BB%9C.pdf) |\n| 第七章 深度学习中的正则化           | 7 Regularization for Deep Learning | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F7%20%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%AD%E7%9A%84%E6%AD%A3%E5%88%99%E5%8C%96.pdf) |\n| 第八章 深度模型中的优化 | 8 Optimization for Training Deep Models | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F8%20%E6%B7%B1%E5%BA%A6%E6%A8%A1%E5%9E%8B%E4%B8%AD%E7%9A%84%E4%BC%98%E5%8C%96.pdf) |\n| 第九章 卷积网络 | 9 Convolutional Networks | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F9%20%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C.pdf) |\n| 第十章 序列建模：循环和递归网络 | 10 Sequence Modeling: Recurrent and Recursive Nets |  |\n| 第十一章 实践方法论                 | 11 Practical Methodology | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F11%20%E5%AE%9E%E8%B7%B5%E6%96%B9%E6%B3%95%E8%AE%BA.pdf) |\n| 第十二章 应用 | 12 Applications |  |\n| 第十三章 线性因子模型 | 13 Linear Factor Models |  |\n| 第十四章 自编码器                   | 14 Autoencoders |  |\n| 第十五章 表示学习                   | 15 Representation Learning |  |\n| 第十六章 深度学习中的结构化概率模型 | 16 Structured Probabilistic Models for Deep Learning |  |\n| 第十七章 蒙特卡罗方法 | 17 Monte Carlo Methods |  |\n| 第十八章 直面配分函数 | 18 Confronting the Partition Function |  |\n| 第十九章 近似推断                   | 19 Approximate Inference |  |\n| 第二十章 深度生成模型 | 20 Deep Generative Models |  |\n\n尚未上传的章节会在后续陆续上传。\n\n# 致谢\n\n感谢对本项目的认可和推广。\n\n+ 专知：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FdVD-vKJsMGqnBz2v4O-Q3Q\n+ GitHubDaily：https:\u002F\u002Fm.weibo.cn\u002F5722964389\u002F4504392843690487\n+ 程序员遇见GitHub：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FEzFOnwpkv7mr2TSjPtVG9A\n+ 爱可可：https:\u002F\u002Fm.weibo.cn\u002F1402400261\u002F4503389646699745\n\n# 赞助\n\n本项目书写耗费时间精力。如果本项目对你有帮助，可以请作者吃份冰淇淋：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMingchaoZhu_DeepLearning_readme_c6d20211cc75.jpg\" width=\"200\" height=\"200\" alt=\"支付\" align=center>\n","# 深度学习\n\n《**深度学习**》是深度学习领域唯一的综合性图书，全称也叫做**深度学习 AI 圣经 (Deep Learning)**，由三位全球知名专家 Ian Goodfellow、Yoshua Bengio、Aaron Courville 编著，全书囊括了数学及相关概念的背景知识，包括线性代数、概率论、信息论、数值优化以及机器学习中的相关内容。同时，它还介绍了工业界中实践者用到的深度学习技术，包括深度前馈网络、正则化、优化算法、卷积网络、序列建模和实践方法等，并且调研了诸如自然语言处理、语音识别、计算机视觉、在线推荐系统、生物信息学以及视频游戏方面的应用。最后，深度学习全书还提供了一些研究方向，涵盖的理论主题包括线性因子模型、自编码器、表示学习、结构化概率模型、蒙特卡罗方法、配分函数、近似推断以及深度生成模型，适用于相关专业的大学生或研究生使用。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMingchaoZhu_DeepLearning_readme_6d83590993f3.jpg\" width=\"200\" height=\"300\" alt=\"深度学习封面\" align=center>\n\n可以下载《深度学习》的中文版 [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv0.0.1\u002FDL_cn.pdf) 和英文版 [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv0.0.0\u002FDL_en.pdf) 直接阅读。\n\n对于本项目的工作，你可以直接下载 [深度学习_原理与代码实现.pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv1.1.1\u002Fdefault.pdf) (后面会对该书不断更新)\n\n---\n\n《深度学习》可以说是深度学习与人工智能的入门宝典，许多算法爱好者、机器学习培训班、互联网企业的面试，很多都参考这本书。但本书晦涩，加上官方没有提供代码实现，因此某些地方较难理解。本项目**基于数学推导和产生原理重新描述了书中的概念**，并用**Python** (NumPy 库为主) 复现了书本内容 ( **源码级代码实现。推导过程和代码实现均放在了下载区的 pdf 文件中**，重要部分的实现代码也放入 **code 文件夹**中 )。\n\n然而我水平有限，但我真诚地希望这项工作可以帮助到更多人学习深度学习算法。我需要大家的建议和帮助。如果你在阅读中遇到有误或解释不清的地方，希望可以汇总你的建议，在 Issues 提出。如果你也想加入这项工作书写中或有其他问题，可以联系我的邮箱。如果你在你的工作或博客中用到了本书，还请可以注明引用链接。\n\n写的过程中参考了较多网上优秀的工作，所有参考资源保存在了 `reference.txt` 文件中。\n\n# 留言\n\n这份工作就是在写这一本 [深度学习_原理与代码实现.pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv1.1.1\u002Fdefault.pdf)。正如你在 pdf 文件中所见到的，《深度学习》涉及到的每一个概念，都会去给它详细的描述、原理层面的推导，以及用代码的实现。代码实现不会调用 TensorFlow、PyTorch、MXNet 等任何深度学习框架，甚至包括 sklearn (pdf 里用到 sklearn 的部分都是用来验证代码无误)，一切代码都是从原理层面实现 (Python 的基础库 NumPy)，并有详细注释，与代码区上方的原理描述区一致，你可以结合原理和代码一起理解。\n\n这份工作的起因是我自身的热爱，但为完成这份工作我需要投入大量的时间精力，一般会写到凌晨两三点。推导、代码、作图都是慢慢打磨的，我会保证这份工作的质量。这份工作会一直更新完，已经上传的章节也会继续补充内容。如果你在阅读过程中遇到有想要描述的概念点或者错误点，请发邮件告知我。\n\n真的很感谢你的认可与推广。最后，请等待下一次更新。\n\n我是 朱明超，我的邮箱是：deityrayleigh@gmail.com\n\n# 更新说明\n\n2020 年 3 月：\n\n```python\n1. 修改第五章决策树部分，补充 ID3 和 CART 的原理，代码实现以 CART 为主。\n2. 第七章添加 L1 和 L2 正则化最优解的推导 (即 L1 稀疏解的原理)。\n3. 第七章添加集成学习方法的推导与代码实现，包括 Bagging (随机森林)、Boosting (Adaboost、GBDT、XGBoost)。\n4. 第八章添加牛顿法与拟牛顿法 (DFP、BFGS、L-BFGS) 的推导。\n5. 第十一章节添加贝叶斯线性回归、高斯过程回归 (GPR) 与贝叶斯优化的推导与代码实现。\n```\n后面每次的更新内容会统一放在 `update.txt` 文件中。\n\n# 章节目录与文件下载\n\n除了《深度学习》书中的概念点，**本项目也在各章节添加一些补充知识，例如第七章集成学习部分的 随机森林、Adaboost、GBDT、XGBoost 的原理剖析和代码实现等，又或者第十二章对当前一些主流方法的描述**。大的章节目录和 pdf 文件下载链接可以详见下表，而具体 pdf 文件中的实际目录请参考 `contents.txt`。你可以在下面的 pdf 链接中下载对应章节，也可以在 [releases](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases) 界面直接下载所有文件。\n\n| 中文章节 | 英文章节 | 下载\u003Cbr \u002F>(含推导与代码实现) |\n| ------------ | ------------ | ------------ |\n| 第一章 前言 | 1 Introduction |  |\n| 第二章 线性代数 | 2 Linear Algebra | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F2%20%E7%BA%BF%E6%80%A7%E4%BB%A3%E6%95%B0.pdf) |\n| 第三章 概率与信息论                 | 3 Probability and Information Theory | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F3%20%E6%A6%82%E7%8E%87%E4%B8%8E%E4%BF%A1%E6%81%AF%E8%AE%BA.pdf) |\n| 第四章 数值计算                     | 4 Numerical Computation | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F4%20%E6%95%B0%E5%80%BC%E8%AE%A1%E7%AE%97.pdf) |\n| 第五章 机器学习基础                 | 5 Machine Learning Basics | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F5%20%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0%E5%9F%BA%E7%A1%80.pdf) |\n| 第六章 深度前馈网络                 | 6 Deep Feedforward Networks | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F6%20%E6%B7%B1%E5%BA%A6%E5%89%8D%E9%A6%88%E7%BD%91%E7%BB%9C.pdf) |\n| 第七章 深度学习中的正则化           | 7 Regularization for Deep Learning | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F7%20%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%AD%E7%9A%84%E6%AD%A3%E5%88%99%E5%8C%96.pdf) |\n| 第八章 深度模型中的优化 | 8 Optimization for Training Deep Models | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F8%20%E6%B7%B1%E5%BA%A6%E6%A8%A1%E5%9E%8B%E4%B8%AD%E7%9A%84%E4%BC%98%E5%8C%96.pdf) |\n| 第九章 卷积网络 | 9 Convolutional Networks | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F9%20%E5%8D%B7%E7%A7%AF%E7%BD%91%E7%BB%9C.pdf) |\n| 第十章 序列建模：循环和递归网络 | 10 Sequence Modeling: Recurrent and Recursive Nets |  |\n| 第十一章 实践方法论                 | 11 Practical Methodology | [pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fraw\u002Fmaster\u002F11%20%E5%AE%9E%E8%B7%B5%E6%96%B9%E6%B3%95%E8%AE%BA.pdf) |\n| 第十二章 应用 | 12 Applications |  |\n| 第十三章 线性因子模型 | 13 Linear Factor Models |  |\n| 第十四章 自编码器                   | 14 Autoencoders |  |\n| 第十五章 表示学习                   | 15 Representation Learning |  |\n| 第十六章 深度学习中的结构化概率模型 | 16 Structured Probabilistic Models for Deep Learning |  |\n| 第十七章 蒙特卡罗方法 | 17 Monte Carlo Methods |  |\n| 第十八章 直面配分函数 | 18 Confronting the Partition Function |  |\n| 第十九章 近似推断                   | 19 Approximate Inference |  |\n| 第二十章 深度生成模型 | 20 Deep Generative Models |  |\n\n尚未上传的章节会在后续陆续上传。\n\n# 致谢\n\n感谢对本项目的认可和推广。\n\n+ 专知：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FdVD-vKJsMGqnBz2v4O-Q3Q\n+ GitHubDaily：https:\u002F\u002Fm.weibo.cn\u002F5722964389\u002F4504392843690487\n+ 程序员遇见 GitHub：https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FEzFOnwpkv7mr2TSjPtVG9A\n+ 爱可可：https:\u002F\u002Fm.weibo.cn\u002F1402400261\u002F4503389646699745\n\n# 赞助\n\n本项目书写耗费时间精力。如果本项目对你有帮助，可以请作者吃份冰淇淋：\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMingchaoZhu_DeepLearning_readme_c6d20211cc75.jpg\" width=\"200\" height=\"200\" alt=\"支付\" align=center>","# DeepLearning 快速上手指南\n\n本工具是经典著作《深度学习》（Deep Learning）的配套开源项目，提供了详细的数学推导、原理描述以及基于 **Python (NumPy)** 的源码级代码实现。无需依赖 TensorFlow、PyTorch 等框架，适合深入理解算法底层原理。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **编程语言**：Python 3.x\n- **核心依赖**：`numpy`\n- **其他工具**：Git（用于克隆仓库）或浏览器（用于下载 PDF）\n\n## 安装步骤\n\n本项目并非通过 `pip` 安装的软件包，而是代码与文档资源集合。您可以根据需求选择以下方式获取：\n\n### 方式一：克隆完整仓库（推荐）\n\n如果您需要查看完整的代码实现和更新内容，建议直接克隆 GitHub 仓库：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning.git\ncd DeepLearning\n```\n\n### 方式二：下载核心资料\n\n如果您仅需阅读原理与代码示例，可直接下载整合后的 PDF 文档：\n\n- **中文完整版 (含推导与代码)**: [深度学习_原理与代码实现.pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv1.1.1\u002Fdefault.pdf)\n- **英文原版**: [DL_en.pdf](https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv0.0.0\u002FDL_en.pdf)\n\n### 安装依赖\n\n进入项目目录后，确保已安装必要的 Python 库：\n\n```bash\npip install numpy\n```\n\n## 基本使用\n\n### 1. 阅读学习\n打开下载的 `深度学习_原理与代码实现.pdf` 文件。文档将理论推导与代码实现紧密结合，每一章都包含对应的数学公式解释及 Python 实现细节。\n\n### 2. 运行代码\n项目中的代码均使用基础库 `NumPy` 从零实现，未调用任何深度学习框架。您可以参考 PDF 中的章节，在项目根目录下的 `code` 文件夹中找到对应源码。\n\n例如，运行某个章节的示例脚本（假设文件名为 `example.py`）：\n\n```bash\npython code\u002Fexample.py\n```\n\n### 3. 查阅补充知识\n本项目在部分章节（如第七章、第八章、第十一章）增加了原书之外的补充内容，包括集成学习（随机森林、XGBoost）、优化算法（牛顿法、拟牛顿法）及贝叶斯回归等，请在 PDF 目录中留意相关章节。\n\n---\n*注：项目持续更新中，如有发现错误或建议，欢迎通过 GitHub Issues 反馈或联系作者邮箱：deityrayleigh@gmail.com*","某互联网大厂算法岗候选人李明，在备战深度学习面试时，急需深入理解反向传播与优化算法的底层数学原理。\n\n### 没有 DeepLearning 时\n- 仅阅读《深度学习》原著，公式推导过于抽象，缺乏代码验证导致理解困难。\n- 网络教程零散且质量参差不齐，难以确认数学推导的正确性与一致性。\n- 尝试自行编写 NumPy 代码复现时，常因矩阵维度错误或梯度计算疏漏而卡壳。\n- 面试中被问及优化器细节时，只能背诵结论，无法现场推导核心逻辑。\n\n### 使用 DeepLearning 后\n- 直接获取书中对应章节的 PDF，内含详细的数学推导过程与配套注释代码。\n- 通过从零实现的 NumPy 源码，清晰追踪每一层前向与反向传播的数据流动。\n- 遇到难点时，对照书中的原理描述区与代码实现区，快速定位并修正错误。\n- 能够基于源码逻辑流畅讲解算法原理，并在面试中展示手写核心模块的能力。\n\n它将抽象的数学理论转化为可运行的代码，真正打通了深度学习原理与工程实践的认知壁垒。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMingchaoZhu_DeepLearning_26a83404.png","MingchaoZhu","Mingchao Zhu","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMingchaoZhu_70e88416.jpg",null,"Fudan University","deityrayleigh@gmail.com","https:\u002F\u002Fgithub.com\u002FMingchaoZhu",[83],{"name":84,"color":85,"percentage":86},"Python","#3572A5",100,7604,1445,"2026-04-05T07:55:15","MIT",1,"未说明",{"notes":94,"python":92,"dependencies":95},"本项目为《深度学习》书籍的配套代码实现，核心代码基于 Python 基础库 NumPy 编写，旨在从原理层面复现算法，不依赖 TensorFlow、PyTorch 等主流深度学习框架。",[96],"numpy",[13],[99,100,101,102,103,104,105],"python","deep-learning","machine-learning","xgboost","ensemble-learning","bayesian","regularization","2026-03-27T02:49:30.150509","2026-04-06T05:17:52.410366",[109],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},2767,"如何下载《深度学习》教材的中英文版本？","可以通过 GitHub Releases 页面下载。中文版链接：https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv0.0.1\u002FDL_cn.pdf；英文版链接：https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Freleases\u002Fdownload\u002Fv0.0.0\u002FDL_en.pdf。注意原 README 文档中第二个链接描述可能存在笔误（误标为中文版），实际应为英文版，下载时请核对文件名。","https:\u002F\u002Fgithub.com\u002FMingchaoZhu\u002FDeepLearning\u002Fissues\u002F7",[115,120,125,130],{"id":116,"version":117,"summary_zh":118,"released_at":119},102258,"v1.1.1","深度学习原理和代码.pdf DL 2\u002F3\u002F4\u002F5\u002F6\u002F7\u002F8\u002F9\u002F11","2020-04-22T17:46:57",{"id":121,"version":122,"summary_zh":123,"released_at":124},102259,"v1.0.1","DeepLearning 2\\3\\4\\5\\6\\7\\8\\9\\11\r\nDL_中文、DL_英文\r\ncode","2020-03-24T12:37:55",{"id":126,"version":127,"summary_zh":128,"released_at":129},102260,"v0.0.1","深度学习 (花书) 中文版","2020-04-22T17:54:16",{"id":131,"version":132,"summary_zh":133,"released_at":134},102261,"v0.0.0","深度学习 (花书) 英文版","2020-04-22T17:52:34"]