[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Sentdex--NNfSiX":3,"tool-Sentdex--NNfSiX":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",154349,2,"2026-04-13T23:32:16",[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":75,"owner_website":79,"owner_url":80,"languages":81,"stars":120,"forks":121,"last_commit_at":122,"license":123,"difficulty_score":124,"env_os":125,"env_gpu":126,"env_ram":126,"env_deps":127,"category_tags":130,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":131,"updated_at":132,"faqs":133,"releases":164},7316,"Sentdex\u002FNNfSiX","NNfSiX","Neural Networks from Scratch in various programming languages","NNfSiX 是一个致力于将“从零开始构建神经网络”教程拓展至多种编程语言的开源项目。该项目基于广受欢迎的视频教程和配套书籍，旨在打破仅使用 Python 学习神经网络底层原理的局限，提供包括 C++、Java、JavaScript 等在内的多语言实现代码。\n\n对于希望深入理解神经网络内部机制的学习者而言，直接阅读框架封装好的代码往往难以触及核心算法。NNfSiX 通过展示不同语言中从头编写神经网络的全过程，帮助开发者剥离高级框架的抽象层，直观掌握反向传播、激活函数等关键数学原理的实现细节。这不仅解决了非 Python 开发者缺乏系统性底层学习资料的问题，也为对比不同语言在数值计算和性能表现上的差异提供了宝贵参考。\n\n该项目非常适合有一定编程基础的开发人员、计算机专业学生以及人工智能研究人员使用。无论你是想巩固深度学习理论基础，还是计划在其他语言环境中复现经典算法，都能在这里找到对应的代码范例。其独特的技术亮点在于严格遵循原教程的视频章节顺序，确保每种语言的实现逻辑与教学内容高度同步，且每个章节的代码均整合在单一文件中，极大地方便了阅读、调试与社区协作贡献。","# Neural Networks from Scratch in `X`\n\nThe idea here is to share [Neural Networks from Scratch tutorial parts](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLQVvvaa0QuDcjD5BAw2DxE6OF2tius3V3) \u002F [Neural Networks from Scratch book](https:\u002F\u002Fnnfs.io) in various other programming languages, besides just Python. \n\nIf you're following along in another language, feel free to contribute to your specific language via a pull request. If you're considering trying to use another language, you can see how others have achieved writing the neural networks from scratch in other languages here too.\n\n\n# How to contribute: \n\nThe plan is to share code from video part #s. We will be updating the Python variants, so, if you are just following the [book](https:\u002F\u002Fnnfs.io), you can see which block(s) of code should be translated by checking out the Python versions.\n\nBefore submitting a PR, check to see if there's already a PR from someone for that specific part # and language.\n\nSubmission for given part number should be complete in a single file, ie. should not be split across multiple files. This makes it easier for us to maintain the repository amd easier for others to follow.\n\nIf you want to submit solutions in multiple languages, or your submission adds new files and changes files of someone else, create separate PRs for these cases.\n\nWe will be accepting PRs in the following ways:\n\n1. Prioritizing the already-established people who have contributed to that language already.\n2. Prioritizing by who submits first. \n","# 用 `X` 语言从零开始构建神经网络\n\n这里的思路是，除了 Python 之外，还以其他多种编程语言来分享 [从零开始构建神经网络教程系列](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLQVvvaa0QuDcjD5BAw2DxE6OF2tius3V3) 和 [《从零开始构建神经网络》书籍](https:\u002F\u002Fnnfs.io)。\n\n如果你正在使用其他语言学习，欢迎通过 Pull Request 方式为特定语言贡献代码。如果你正考虑尝试使用另一种语言，也可以在这里查看其他人是如何用不同语言实现从零开始构建神经网络的。\n\n# 如何贡献：\n\n我们的计划是分享视频各部分的代码。我们会持续更新 Python 版本，因此如果你只是按照 [本书](https:\u002F\u002Fnnfs.io) 学习，可以通过对比 Python 版本来确定需要翻译哪些代码块。\n\n在提交 PR 之前，请先检查是否已经有人针对该特定章节号和目标语言提交了 PR。\n\n针对给定章节号的提交应包含在一个完整的文件中，不应拆分到多个文件。这样既便于我们维护仓库，也方便其他读者跟进。\n\n如果你想提交多种语言的实现，或者你的提交涉及新增文件或修改他人已有的文件，请分别为这些情况创建单独的 PR。\n\n我们将按以下方式接受 PR：\n\n1. 优先考虑已为该语言做出过贡献的老 contributors。\n2. 按提交顺序优先处理。","# NNfSiX 快速上手指南\n\nNNfSiX (Neural Networks from Scratch in `X`) 是一个开源项目，旨在将经典的《从零开始构建神经网络》教程（原基于 Python）移植到各种其他编程语言中。本项目适合希望深入理解神经网络底层原理，并尝试使用不同语言实现算法的开发者。\n\n> **注意**：本项目并非一个可直接安装的工具库（如 pip package），而是一个包含多语言代码示例的代码仓库。以下指南将指导你如何获取代码并运行示例。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**：Windows、macOS 或 Linux 均可。\n*   **编程语言环境**：根据你想学习的语言版本，安装对应的运行时或编译器（例如：Node.js, Rust, Go, C++, Java 等）。\n    *   若跟随原版 Python 教程，需安装 **Python 3.6+**。\n*   **依赖管理**：\n    *   **Python 版**：仅需标准库（`math`, `random` 等），无需安装额外的第三方深度学习框架（如 TensorFlow 或 PyTorch），这正是“从零开始”的核心。\n    *   **其他语言版**：通常也仅依赖该语言的标准库，具体请参考对应语言文件夹内的说明。\n*   **版本控制**：建议安装 **Git** 以克隆仓库。\n\n## 安装步骤\n\n由于本项目是代码示例集合，无需执行传统的“安装”命令，只需克隆仓库即可。\n\n1.  **克隆仓库**\n    打开终端或命令行工具，执行以下命令：\n\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002FSentdex\u002FNNfSiX.git\n    ```\n\n    *国内加速方案*：如果访问 GitHub 较慢，可以使用 Gitee 镜像（如果有）或通过代理加速，或者直接下载 ZIP 包解压。\n    ```bash\n    # 示例：使用 Gitee 镜像（若存在）\n    git clone https:\u002F\u002Fgitee.com\u002Fmirror\u002FNNfSiX.git\n    ```\n\n2.  **进入目录**\n    选择你感兴趣的语言文件夹进入。例如，查看 Python 版本的第 1 部分代码：\n\n    ```bash\n    cd NNfSiX\u002FPython\u002Fpart-1\n    ```\n\n    或者查看其他语言（如 Rust）的实现：\n    ```bash\n    cd NNfSiX\u002FRust\u002Fpart-1\n    ```\n\n## 基本使用\n\n本项目的核心在于阅读和运行特定教程部分的代码文件。每个教程部分（Part）通常对应一个独立的代码文件。\n\n### 1. 运行 Python 示例\n\n假设你进入了 `Python\u002Fpart-1` 目录，该目录下通常包含一个主要的 `.py` 文件（例如 `part-1.py` 或类似命名）。\n\n直接运行该文件：\n\n```bash\npython part-1.py\n```\n\n你将看到控制台输出神经网络初始化的权重、偏置或前向传播的结果。\n\n### 2. 运行其他语言示例\n\n逻辑相同，进入对应语言目录后，使用该语言的运行命令。\n\n*   **Node.js 示例**:\n    ```bash\n    node part-1.js\n    ```\n*   **Rust 示例** (需先编译):\n    ```bash\n    rustc part-1.rs -o part-1\n    .\u002Fpart-1\n    ```\n*   **Go 示例**:\n    ```bash\n    go run part-1.go\n    ```\n\n### 3. 跟随教程学习\n\n建议配合原视频教程或书籍进行：\n*   **视频列表**: [Neural Networks from Scratch Playlist](https:\u002F\u002Fwww.youtube.com\u002Fplaylist?list=PLQVvvaa0QuDcjD5BAw2DxE6OF2tius3V3)\n*   **配套书籍**: [nnfs.io](https:\u002F\u002Fnnfs.io)\n\n观看视频中的某一部分（例如 Part 3），然后在仓库中找到对应语言的 `part-3` 文件，对比代码逻辑，尝试手动输入代码或修改参数以观察变化。\n\n---\n*提示：如果你想贡献自己使用的语言版本，请确保将单个教程部分的代码完整写在一个文件中，并提交 Pull Request。*","一位嵌入式系统工程师试图将神经网络算法移植到资源受限的 C++ 环境中，以实现对工业传感器的实时异常检测。\n\n### 没有 NNfSiX 时\n- **语言壁垒高**：官方教程和书籍仅基于 Python 编写，工程师需手动将高层抽象代码“翻译”为底层 C++，极易在矩阵运算逻辑上出错。\n- **调试成本巨大**：由于缺乏其他语言的参考实现，一旦输出结果与预期不符，难以判断是算法理解偏差还是语言特性导致的内存错误。\n- **学习曲线陡峭**：为了验证思路，不得不先搭建完整的 Python 环境跑通流程，再重复编写 C++ 版本，严重拖慢原型开发进度。\n- **社区支持缺失**：在尝试用非主流语言（如 Rust 或 Go）复现时，找不到同类项目的代码片段作为对照，只能闭门造车。\n\n### 使用 NNfSiX 后\n- **跨语言对照清晰**：直接参考仓库中已有的 C++ 完整实现，逐行对比 Python 原版，快速掌握指针管理与内存分配在神经网络中的具体写法。\n- **验证效率倍增**：利用多语言代码块进行逻辑互验，迅速定位是算法核心错误还是特定语言的语法陷阱，大幅缩短调试时间。\n- **开箱即用的模板**：无需从零构建，直接复用针对视频教程各章节的单文件代码，快速在嵌入式设备上完成从理论到部署的闭环。\n- **生态协作便利**：发现现有 C++ 实现未覆盖最新章节时，可依据统一的代码规范提交 PR，既贡献了社区又获得了同行评审反馈。\n\nNNfSiX 通过提供多语言的原生代码对照，打破了深度学习算法从理论教学到异构工程落地的语言隔阂。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSentdex_NNfSiX_e31022b1.png","Sentdex","Harrison","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSentdex_5a2bd5bc.jpg",null,"YouTube.com\u002FSentdex","Texas","harrison@pythonprogramming.net","https:\u002F\u002Fpythonprogramming.net","https:\u002F\u002Fgithub.com\u002FSentdex",[82,86,90,94,98,102,106,110,113,116],{"name":83,"color":84,"percentage":85},"C++","#f34b7d",18.4,{"name":87,"color":88,"percentage":89},"C","#555555",11.8,{"name":91,"color":92,"percentage":93},"Assembly","#6E4C13",9.2,{"name":95,"color":96,"percentage":97},"Swift","#F05138",7.8,{"name":99,"color":100,"percentage":101},"Java","#b07219",4.7,{"name":103,"color":104,"percentage":105},"C#","#178600",4,{"name":107,"color":108,"percentage":109},"Lua","#000080",3.7,{"name":111,"color":112,"percentage":10},"D","#ba595e",{"name":114,"color":115,"percentage":10},"Rust","#dea584",{"name":117,"color":118,"percentage":119},"Go","#00ADD8",2.5,1582,402,"2026-04-13T08:52:29","MIT",1,"","未说明",{"notes":128,"python":126,"dependencies":129},"该项目旨在将神经网络从头实现的教程翻译成多种编程语言，不仅限于 Python。代码提交需针对特定教程部分，且每个部分的实现应包含在单个文件中。具体运行环境取决于所选用的编程语言及其标准库或第三方依赖，README 中未统一规定特定的操作系统、硬件配置或 Python 版本要求。",[],[14],"2026-03-27T02:49:30.150509","2026-04-14T12:35:39.689603",[134,139,144,149,154,159],{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},32849,"导入 nnfs 时出现 'ModuleNotFoundError: No module named nnfs' 错误，但 pip list 显示已安装，如何解决？","这通常是因为使用了错误的 Python 解释器。如果您同时使用 Windows 和 WSL，或者在 PyCharm\u002FVSCode 中使用了虚拟环境，需要确保在当前的解释器环境中安装了 nnfs。\n解决方案：\n1. 检查 IDE（PyCharm 或 VSCode）当前使用的 Python 解释器版本。\n2. 在该解释器对应的终端中运行 `pip install nnfs`。\n3. 如果使用虚拟环境，请激活虚拟环境后再次安装。\n4. 注意：WSL 和 Windows 需要分别安装包，它们不共享。","https:\u002F\u002Fgithub.com\u002FSentdex\u002FNNfSiX\u002Fissues\u002F176",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},32850,"运行代码时提示 'Layer_Dense' object has no attribute 'weights' 错误怎么办？","这通常是由于代码拼写错误导致的。请检查您的 `Layer_Dense` 类定义：\n1. 确认初始化方法中是否将变量名误写为 `_weigths_`（多了一个下划线或拼写错误），正确的应该是 `self.weights`。\n2. 确保以下代码行存在且未被注释，并且拼写完全正确：`self.weights = 0.1*np.random.randn(n_inputs,n_neurons)`。","https:\u002F\u002Fgithub.com\u002FSentdex\u002FNNfSiX\u002Fissues\u002F122",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},32851,"运行教程代码时遇到参数错误，提示 'spiral_data' 不需要 'samples' 参数或参数不匹配？","这是因为您使用的 nnfs 包版本过旧。该项目在书籍完成前已经更新了接口。\n解决方案：\n1. 升级 nnfs 包到最新版本：`pip install --upgrade nnfs`。\n2. 如果代码中使用的是 `samples=100`，在新版本中应改为 `points=100`（例如：`X, y = spiral_data(points=100, classes=3)`）。","https:\u002F\u002Fgithub.com\u002FSentdex\u002FNNfSiX\u002Fissues\u002F158",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},32852,"在 Google Colab 或本地运行激活函数时报错：'The truth value of an array with more than one element is ambiguous'？","这个错误通常发生在尝试对 numpy 数组进行布尔判断时，或者由于数据格式问题（如不规则嵌套序列）导致。\n常见原因及解决：\n1. 检查是否创建了不规则的 nested sequences（不同长度的列表嵌套），如果是，创建 ndarray 时需指定 `dtype=object`。\n2. 确保在调用激活函数（如 ReLU 的 `np.maximum`）之前，输入数据 `inputs` 是标准的 numpy 数组而非列表或其他对象。\n3. 确保已运行 `nnfs.init()` 来初始化环境设置。","https:\u002F\u002Fgithub.com\u002FSentdex\u002FNNfSiX\u002Fissues\u002F142",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},32853,"项目中是否支持或推荐添加 Jupyter Notebook (.ipynb) 文件？","不推荐。维护者和社区普遍认为：\n1. 该仓库的重点在于教授 Python 语言本身和神经网络原理，而不是特定的工具（如 Jupyter）。\n2. Notebook 中的代码与普通的 .py 文件内容相同，只是形式不同，添加它会增加维护负担且无实质区别。\n3. 建议直接使用提供的 Python 脚本文件进行学习。","https:\u002F\u002Fgithub.com\u002FSentdex\u002FNNfSiX\u002Fissues\u002F104",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},32854,"这个仓库包含 pythonprogramming.net 上的机器学习入门教程代码吗？","不包含。此仓库（NNfSiX）专门对应《Neural Networks from Scratch》书籍和视频系列的内容。pythonprogramming.net 上的通用机器学习教程系列是独立的项目，代码不在本仓库中。","https:\u002F\u002Fgithub.com\u002FSentdex\u002FNNfSiX\u002Fissues\u002F157",[]]