[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-MorvanZhou--NLP-Tutorials":3,"tool-MorvanZhou--NLP-Tutorials":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":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":80,"owner_email":80,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":23,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":104,"github_topics":105,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":115,"updated_at":116,"faqs":117,"releases":168},3728,"MorvanZhou\u002FNLP-Tutorials","NLP-Tutorials","Simple implementations of NLP models. Tutorials are written in Chinese on my website https:\u002F\u002Fmofanpy.com","NLP-Tutorials 是一个专注于自然语言处理（NLP）领域的开源学习项目，旨在通过简洁的代码实现和详细的中文教程，帮助开发者轻松掌握从基础到前沿的 NLP 模型。它有效解决了初学者在面对复杂算法理论时“难以落地”的痛点，将抽象的数学原理转化为可运行、易理解的 Python 代码。\n\n该项目内容覆盖全面，循序渐进：从传统的搜索引擎核心算法 TF-IDF，到词向量表示（Word2Vec 中的 CBOW 与 Skip-Gram），再到序列建模（Seq2Seq）、卷积神经网络语言模型，以及当前主流的注意力机制（Attention）、Transformer 架构和预训练模型（如 BERT、GPT、ELMo）。其独特的技术亮点在于提供了基于 NumPy 的手写底层实现，让用户能深入理解模型内部运作机制，同时也包含 Scikit-learn、Keras 及 PyTorch 等多种框架版本，兼顾了教学深度与工程实用性。\n\nNLP-Tutorials 非常适合人工智能初学者、高校学生、算法工程师以及希望快速复现经典论文的研究人员使用。无论你是想夯实理论基础，还是寻找可靠的代码参考进行二次开发，这","NLP-Tutorials 是一个专注于自然语言处理（NLP）领域的开源学习项目，旨在通过简洁的代码实现和详细的中文教程，帮助开发者轻松掌握从基础到前沿的 NLP 模型。它有效解决了初学者在面对复杂算法理论时“难以落地”的痛点，将抽象的数学原理转化为可运行、易理解的 Python 代码。\n\n该项目内容覆盖全面，循序渐进：从传统的搜索引擎核心算法 TF-IDF，到词向量表示（Word2Vec 中的 CBOW 与 Skip-Gram），再到序列建模（Seq2Seq）、卷积神经网络语言模型，以及当前主流的注意力机制（Attention）、Transformer 架构和预训练模型（如 BERT、GPT、ELMo）。其独特的技术亮点在于提供了基于 NumPy 的手写底层实现，让用户能深入理解模型内部运作机制，同时也包含 Scikit-learn、Keras 及 PyTorch 等多种框架版本，兼顾了教学深度与工程实用性。\n\nNLP-Tutorials 非常适合人工智能初学者、高校学生、算法工程师以及希望快速复现经典论文的研究人员使用。无论你是想夯实理论基础，还是寻找可靠的代码参考进行二次开发，这里都能提供清晰的路径指引。配合作者莫烦 Python 网站上的图文解说，它能让你在不被繁琐配置困扰的情况下，高效开启 NLP 学习之旅。","# Natural Language Processing Tutorial\n\nTutorial in Chinese can be found in [mofanpy.com](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Fnlp\u002F).\n\nThis repo includes many simple implementations of models in Neural Language Processing (NLP).\n\nAll code implementations in this tutorial are organized as following:\n\n1. Search Engine\n  - [TF-IDF numpy \u002F TF-IDF skearn](#TF-IDF)\n2. Understand Word (W2V)\n  - [Continuous Bag of Words (CBOW)](#Word2Vec)\n  - [Skip-Gram](#Word2Vec)\n3. Understand Sentence (Seq2Seq)\n  - [seq2seq](#Seq2Seq)\n  - [CNN language model](#CNNLanguageModel)\n4. All about Attention\n  - [seq2seq with attention](#Seq2SeqAttention)\n  - [Transformer](#Transformer)\n5. Pretrained Models\n  - [ELMo](#ELMO)\n  - [GPT](#GPT)\n  - [BERT](#BERT)\n\nThanks for the contribution made by [@W1Fl](https:\u002F\u002Fgithub.com\u002FW1Fl) with a simplified keras codes in [simple_realize](simple_realize).\nAnd the a [pytorch version of this NLP](\u002Fpytorch) tutorial made by [@ruifanxu](https:\u002F\u002Fgithub.com\u002Fruifan831).\n\n## Installation\n\n```shell script\n$ git clone https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\n$ cd NLP-Tutorials\u002F\n$ sudo pip3 install -r requirements.txt\n```\n\n\n## TF-IDF\n\nTF-IDF numpy [code](tf_idf.py)\n\nTF-IDF short sklearn [code](tf_idf_sklearn.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_aedb15d6e40e.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_aedb15d6e40e.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## Word2Vec\n[Efficient Estimation of Word Representations in Vector Space](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1301.3781.pdf)\n\nSkip-Gram [code](skip-gram.py)\n\nCBOW [code](CBOW.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_912f952bebdd.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_912f952bebdd.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_c53e05e91699.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_c53e05e91699.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_4e144a237482.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_4e144a237482.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## Seq2Seq\n[Sequence to Sequence Learning with Neural Networks](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F5346-sequence-to-sequence-learning-with-neural-networks.pdf)\n\nSeq2Seq [code](seq2seq.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_06f97eb59ad8.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_06f97eb59ad8.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n## CNNLanguageModel\n[Convolutional Neural Networks for Sentence Classification](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1408.5882.pdf)\n\nCNN language model [code](cnn-lm.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b54b60fef07b.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b54b60fef07b.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## Seq2SeqAttention\n[Effective Approaches to Attention-based Neural Machine Translation](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1508.04025.pdf)\n\nSeq2Seq Attention [code](seq2seq_attention.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_63e19effd054.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_63e19effd054.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_db8fc234bce2.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_db8fc234bce2.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n\n## Transformer\n[Attention Is All You Need](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1706.03762.pdf)\n\nTransformer [code](transformer.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6582905911de.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6582905911de.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_2e83601ed482.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_2e83601ed482.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_713b0bc79b41.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_713b0bc79b41.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## ELMO\n[Deep contextualized word representations](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.05365.pdf)\n\nELMO [code](ELMo.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_9a74f2378f64.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_9a74f2378f64.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b2b1941b74be.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b2b1941b74be.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## GPT\n[Improving Language Understanding by Generative Pre-Training](https:\u002F\u002Fcdn.openai.com\u002Fresearch-covers\u002Flanguage-unsupervised\u002Flanguage_understanding_paper.pdf)\n\nGPT [code](GPT.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6d55552ee075.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6d55552ee075.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_7850d3b99b0a.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_7850d3b99b0a.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## BERT\n[BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1810.04805.pdf)\n\nBERT [code](BERT.py)\n\nMy new attempt [Bert with window mask](BERT_window_mask.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_0bb25133fd78.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_0bb25133fd78.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_a06263e1b5d5.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_a06263e1b5d5.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n","# 自然语言处理教程\n\n中文教程可在 [mofanpy.com](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Fnlp\u002F) 找到。\n\n此仓库包含许多自然语言处理（NLP）中模型的简单实现。\n\n本教程中的所有代码实现按以下方式组织：\n\n1. 搜索引擎\n  - [TF-IDF numpy \u002F TF-IDF sklearn](#TF-IDF)\n2. 理解词（W2V）\n  - [连续词袋模型（CBOW）](#Word2Vec)\n  - [跳字模型（Skip-Gram）](#Word2Vec)\n3. 理解句子（Seq2Seq）\n  - [seq2seq](#Seq2Seq)\n  - [CNN语言模型](#CNNLanguageModel)\n4. 关于注意力的一切\n  - [带有注意力机制的seq2seq](#Seq2SeqAttention)\n  - [Transformer](#Transformer)\n5. 预训练模型\n  - [ELMo](#ELMO)\n  - [GPT](#GPT)\n  - [BERT](#BERT)\n\n感谢 [@W1Fl](https:\u002F\u002Fgithub.com\u002FW1Fl) 在 [simple_realize](simple_realize) 中提供的简化版 Keras 代码。此外，[@ruifanxu](https:\u002F\u002Fgithub.com\u002Fruifan831) 还制作了本 NLP 教程的 [PyTorch 版本](\u002Fpytorch)。\n\n## 安装\n\n```shell script\n$ git clone https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\n$ cd NLP-Tutorials\u002F\n$ sudo pip3 install -r requirements.txt\n```\n\n\n## TF-IDF\n\nTF-IDF numpy [代码](tf_idf.py)\n\nTF-IDF 简短 sklearn [代码](tf_idf_sklearn.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_aedb15d6e40e.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_aedb15d6e40e.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## Word2Vec\n[向量空间中词表示的有效估计](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1301.3781.pdf)\n\nSkip-Gram [代码](skip-gram.py)\n\nCBOW [代码](CBOW.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_912f952bebdd.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_912f952bebdd.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_c53e05e91699.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_c53e05e91699.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_4e144a237482.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_4e144a237482.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## Seq2Seq\n[基于神经网络的序列到序列学习](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F5346-sequence-to-sequence-learning-with-neural-networks.pdf)\n\nSeq2Seq [代码](seq2seq.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_06f97eb59ad8.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_06f97eb59ad8.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n## CNNLanguageModel\n[用于句子分类的卷积神经网络](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1408.5882.pdf)\n\nCNN 语言模型 [代码](cnn-lm.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b54b60fef07b.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b54b60fef07b.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## Seq2SeqAttention\n[基于注意力的神经机器翻译的有效方法](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1508.04025.pdf)\n\nSeq2Seq Attention [代码](seq2seq_attention.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_63e19effd054.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_63e19effd054.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_db8fc234bce2.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_db8fc234bce2.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n\n## Transformer\n[注意力就是一切](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1706.03762.pdf)\n\nTransformer [代码](transformer.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6582905911de.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6582905911de.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_2e83601ed482.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_2e83601ed482.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_713b0bc79b41.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_713b0bc79b41.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## ELMO\n[深度上下文相关的词表示](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1802.05365.pdf)\n\nELMO [代码](ELMo.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_9a74f2378f64.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_9a74f2378f64.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b2b1941b74be.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_b2b1941b74be.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## GPT\n[通过生成式预训练提升语言理解能力](https:\u002F\u002Fcdn.openai.com\u002Fresearch-covers\u002Flanguage-unsupervised\u002Flanguage_understanding_paper.pdf)\n\nGPT [代码](GPT.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6d55552ee075.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_6d55552ee075.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_7850d3b99b0a.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_7850d3b99b0a.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\n\n## BERT\n[BERT：用于语言理解的深度双向 Transformer 的预训练](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1810.04805.pdf)\n\nBERT [代码](BERT.py)\n\n我的新尝试 [带窗口掩码的 Bert](BERT_window_mask.py)\n\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_0bb25133fd78.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_0bb25133fd78.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>\n\u003Ca target=\"_blank\" href=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_a06263e1b5d5.png\" style=\"text-align: center\">\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_readme_a06263e1b5d5.png\" height=\"250px\" alt=\"image\">\n\u003C\u002Fa>","# NLP-Tutorials 快速上手指南\n\nNLP-Tutorials 是一个包含多种自然语言处理（NLP）模型简易实现的开源项目，涵盖从基础的 TF-IDF、Word2Vec 到先进的 Transformer、BERT 等模型。所有代码均提供简洁的实现逻辑，适合学习者快速理解核心原理。\n\n> 💡 **提示**：本项目配有详细的中文教程，访问 [mofanpy.com](https:\u002F\u002Fmofanpy.com\u002Ftutorials\u002Fmachine-learning\u002Fnlp\u002F) 可获取更深入的理论讲解。\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**：Linux, macOS 或 Windows (需安装 Git 和 Python)\n*   **Python 版本**：推荐 Python 3.6 及以上\n*   **前置依赖**：\n    *   `git`：用于克隆代码仓库\n    *   `pip3`：Python 包管理工具\n    *   主要库：`numpy`, `tensorflow` (或 `keras`), `sklearn` 等（将通过 requirements.txt 自动安装）\n\n## 安装步骤\n\n请按照以下步骤克隆仓库并安装依赖：\n\n1.  **克隆项目代码**\n    ```shell script\n    $ git clone https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\n    $ cd NLP-Tutorials\u002F\n    ```\n\n2.  **安装依赖包**\n    建议使用国内镜像源（如清华源）以加速下载：\n    ```shell script\n    $ sudo pip3 install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：如果无需 sudo 权限或使用虚拟环境，可去掉 `sudo`)*\n\n3.  **其他版本选择（可选）**\n    *   **PyTorch 版本**：如果需要 PyTorch 实现，请进入 `\u002Fpytorch` 目录查看相关代码。\n    *   **简化 Keras 版**：`simple_realize` 目录下包含更简化的 Keras 代码实现。\n\n## 基本使用\n\n本项目按功能模块组织代码，每个模型对应独立的 `.py` 文件。以下是运行最简单示例的流程：\n\n### 1. 运行基础模型：TF-IDF\nTF-IDF 是文本特征提取的基础方法。\n*   **NumPy 实现**：\n    ```shell script\n    $ python tf_idf.py\n    ```\n*   **Sklearn 实现**：\n    ```shell script\n    $ python tf_idf_sklearn.py\n    ```\n\n### 2. 运行词向量模型：Word2Vec\n学习 CBOW 和 Skip-Gram 模型。\n*   **Skip-Gram**：\n    ```shell script\n    $ python skip-gram.py\n    ```\n*   **CBOW**：\n    ```shell script\n    $ python CBOW.py\n    ```\n\n### 3. 运行进阶模型：Seq2Seq 与 Transformer\n涉及序列生成和注意力机制的模型。\n*   **Seq2Seq**：\n    ```shell script\n    $ python seq2seq.py\n    ```\n*   **Transformer**：\n    ```shell script\n    $ python transformer.py\n    ```\n\n### 4. 运行预训练模型：BERT \u002F GPT \u002F ELMo\n直接运行对应的脚本即可加载简化版的预训练模型逻辑进行演示：\n```shell script\n$ python BERT.py\n$ python GPT.py\n$ python ELMo.py\n```\n\n**说明**：运行上述脚本后，程序通常会输出训练过程中的损失值（Loss）或生成简单的预测结果。具体的代码逻辑和参数调整请参考各 `.py` 文件内的注释及莫烦 Python 网站的详细教程。","某初创公司的算法工程师小李，正负责为一款中文电商客服机器人开发核心的语义理解与自动回复模块。\n\n### 没有 NLP-Tutorials 时\n- **理论落地困难**：面对 Transformer、BERT 等复杂论文公式，小李难以将其转化为可运行的代码，反复调试底层矩阵运算耗费数周时间。\n- **缺乏中文语境支持**：网上多数优质教程为英文，且缺乏针对中文分词和语料处理的详细示例，导致模型在中文场景下表现不佳。\n- **架构摸索成本高**：从基础的 TF-IDF 检索到进阶的 Seq2Seq 注意力机制，需要自行拼凑零散代码片段，系统架构混乱且难以维护。\n- **预训练模型门槛高**：想要尝试 ELMo 或 GPT 等预训练模型提升效果，却因环境配置繁琐和代码逻辑不透明而迟迟无法动手。\n\n### 使用 NLP-Tutorials 后\n- **快速复现核心算法**：直接调用 NLP-Tutorials 中简洁清晰的 Python 实现，小李在两天内就跑通了从 CBOW 词向量到 Transformer 的全流程代码。\n- **中文教程无障碍学习**：依托莫烦 Python 网站的配套中文图文教程，小李迅速理解了注意力机制的原理，并针对性地优化了中文数据处理管道。\n- **模块化构建系统**：利用仓库中分类明确的模块（如搜索引挚、句法理解），小李像搭积木一样快速构建了稳定的客服对话系统架构。\n- **轻松集成前沿模型**：参考 NLP-Tutorials 提供的 BERT 和 GPT 简化版代码，小李成功将预训练模型迁移至业务场景，显著提升了回复准确率。\n\nNLP-Tutorials 通过提供“代码 + 中文教程”的一站式解决方案，极大地降低了自然语言处理技术的入门与落地门槛，让开发者能专注于业务创新而非重复造轮子。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FMorvanZhou_NLP-Tutorials_03e9fb2b.png","MorvanZhou","Morvan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FMorvanZhou_b02f189a.jpg","Deep Learning Research & Development at Tencent ",null,"https:\u002F\u002Fmofanpy.com","https:\u002F\u002Fgithub.com\u002FMorvanZhou",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,952,318,"2026-03-26T07:47:01","MIT","Linux, macOS, Windows","未说明 (代码基于 NumPy\u002FSklearn\u002FTensorFlow\u002FPyTorch 实现，具体取决于运行哪个脚本，README 未明确指定 GPU 需求)","未说明",{"notes":96,"python":97,"dependencies":98},"该仓库包含多种 NLP 模型的简单实现（从 TF-IDF 到 BERT）。安装时需运行 'sudo pip3 install -r requirements.txt'，但 README 未直接列出 requirements.txt 的具体内容。项目包含 TensorFlow\u002FKeras 实现以及由贡献者提供的 PyTorch 版本（位于 \u002Fpytorch 目录）。由于涵盖从基础统计模型到大型预训练模型（如 BERT、GPT），实际资源需求随运行的具体脚本差异巨大。","3.x (通过 pip3 安装推断)",[99,100,101,102,103],"numpy","scikit-learn","tensorflow (推测，因提及 keras)","torch (推测，因提及 pytorch 版本)","requirements.txt 中列出的其他库",[15,26],[106,107,108,109,110,111,112,113,114],"seq2seq","attention","nlp","tutorial","bert","gpt","w2v","transformer","elmo","2026-03-27T02:49:30.150509","2026-04-06T05:16:28.494406",[118,123,128,133,138,143,148,153,158,163],{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},17076,"Transformer 解码器中添加注意力机制时是否存在答案泄露问题？","是的，这是一个已知问题。在训练过程中，LayerNorm（或代码中的 BatchNorm）步骤利用了后续时间步的信息，导致推理时若标签变化预测结果也会随之变化，造成训练与推理不一致。维护者已确认该问题并修复，将 BN 替换为 LayerNorm，并确保掩码（mask）正确应用以避免信息泄露。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F10",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},17077,"PyTorch 版 Seq2Seq 报错 'expected scalar type Long but found Int' 如何解决？","这是由于张量数据类型不匹配导致的。解决方法是在数据加载后（例如第 96 行之后），显式地将输入张量转换为 LongTensor 类型。添加以下代码：\nbx = bx.type(torch.LongTensor)\nby = by.type(torch.LongTensor)","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F20",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},17078,"运行 seq2seq_attention.py 时出现 TensorFlow Addons 相关报错怎么办？","该错误通常由 Python 版本不兼容引起。建议将 Python 环境版本指定为 3.6.13 以解决兼容性问题。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F37",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},17079,"visual.py 中 show_tfidf 函数保存图片时报错 'No Such File or Directory' 如何修复？","这是因为保存路径中的目录不存在。需要在保存前检查并创建输出目录。请将相关代码替换为：\noutput_folder = '.\u002Fvisual\u002F'\nif not os.path.exists(output_folder):\n    os.makedirs(output_folder)\nplt.savefig(os.path.join(output_folder, '%s.png') % filename, format=\"png\", dpi=500)","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F26",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},17080,"BERT 实现中 NSP 任务使用了所有 token 而不是仅使用 [CLS] token，这是否符合原论文？","这是作者有意为之的差异。虽然原论文通常使用 [CLS] token 进行下一句预测（NSP），但该教程实现中使用了所有 token 的特征。作者解释这是为了教学目的或特定实验设置，具体原因可参考代码文件 BERT.py 第 14-18 行的注释说明。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F14",{"id":144,"question_zh":145,"answer_zh":146,"source_url":147},17081,"TF-IDF 计算中，为什么代码里 TF 的分母是出现最多的单词个数而不是文档总词数？","TF（词频）的计算方法有多种变体。当文档数量多且词频稀疏时，如果除以文档总词数，可能会导致词语区分度降低。除以出现最多的单词个数是一种归一化策略，旨在增强词语在不同文档间的区分能力，具体选择哪种公式取决于文档属性和实验效果。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F13",{"id":149,"question_zh":150,"answer_zh":151,"source_url":152},17082,"Transformer 代码中使用全连接层和 BatchNorm 代替矩阵乘法和 LayerNorm 会影响效果吗？","1. 全连接层本质上就是矩阵乘法，因此这一点没有实质区别。\n2. 关于归一化，虽然原论文使用 LayerNorm，但在某些情况下 BatchNorm 也能工作。不过为了更贴近原论文架构和提升稳定性，维护者已将代码中的 BatchNorm (BN) 修改为 LayerNorm (LN)。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F7",{"id":154,"question_zh":155,"answer_zh":156,"source_url":157},17083,"如何加载已经训练好的 ELMo 模型？","请参考 TensorFlow 2 教程中关于模型保存与加载的示例代码。具体实现可以查看：https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FTensorflow2-Tutorial\u002Fblob\u002Fmaster\u002Fsave-load.py","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F8",{"id":159,"question_zh":160,"answer_zh":161,"source_url":162},17084,"运行 skip-gram.py 时报错 'SyntaxError: invalid syntax' 指向变量类型注解怎么办？","这是因为当前的 Python 版本不支持 `_loss: tf.Tensor = ...` 这种带类型注解的赋值语法。解决方法是移除类型注解，将代码改为：\n_loss = self.loss(x, y, True)\n维护者已更新代码以兼容旧版本 Python。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F3",{"id":164,"question_zh":165,"answer_zh":166,"source_url":167},17085,"visual.py 中绘制 TF-IDF 热力图时坐标轴显示异常如何处理？","原始代码中 plt.xticks 和 plt.yticks 的设置存在小问题，特别是在引入预测阶段的新词汇时会导致输出错乱。维护者已确认该绘图及 vocab 输出问题并进行了修复重推，建议拉取最新代码解决。","https:\u002F\u002Fgithub.com\u002FMorvanZhou\u002FNLP-Tutorials\u002Fissues\u002F12",[]]