[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-Spandan-Madan--DeepLearningProject":3,"similar-Spandan-Madan--DeepLearningProject":110},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":20,"owner_twitter":21,"owner_website":22,"owner_url":23,"languages":24,"stars":37,"forks":38,"last_commit_at":39,"license":40,"difficulty_score":41,"env_os":42,"env_gpu":42,"env_ram":42,"env_deps":43,"category_tags":57,"github_topics":59,"view_count":64,"oss_zip_url":20,"oss_zip_packed_at":20,"status":65,"created_at":66,"updated_at":67,"faqs":68,"releases":104},8331,"Spandan-Madan\u002FDeepLearningProject","DeepLearningProject","An in-depth machine learning tutorial introducing readers to a whole machine learning pipeline from scratch.","DeepLearningProject 是一份源自哈佛大学数据科学课程的端到端机器学习实战教程。它旨在解决当前网络上多数教程过于碎片化、仅聚焦于“快速训练模型”而忽视工程全貌的痛点。不同于使用现成数据集的速成课，DeepLearningProject 引导用户从零开始构建专属数据集，完整经历数据收集、清洗、传统机器学习算法尝试，直至最终部署深度学习模型的全流程，深入剖析每个环节的实现细节与决策逻辑。\n\n该项目最初基于 TensorFlow 开发，现已由社区贡献者重构为 PyTorch 版本，提供了更现代的代码实现。教程不仅包含详细的 HTML 文档，还配备了完整的 Jupyter Notebook 代码，支持通过 Conda 或 Docker 快速搭建复现环境。\n\nDeepLearningProject 特别适合希望跳出理论框架、深入理解工业级机器学习流水线的数据科学开发者、研究生及研究人员。对于不满足于调用高级 API，而是渴望掌握从数据源头到模型落地全过程的学习者而言，这是一份极具价值的进阶指南。","![harvard-logo](http:\u002F\u002Flogonoid.com\u002Fimages\u002Fharvard-logo.png)\n# An end to end tutorial of a machine learning pipeline\n\nThis tutorial tries to do what most Most Machine Learning tutorials available online do not. It is not a 30 minute tutorial which teaches you how to \"Train your own neural network\" or \"Learn deep learning in under 30 minutes\". It's a full pipeline which you would need to do if you actually work with machine learning - introducing you to all the parts, and all the implementation decisions and details that need to be made. The dataset is not one of the standard sets like MNIST or CIFAR, you will make you very own dataset. Then you will go through a couple conventional machine learning algorithms, before finally getting to deep learning!\n\nIn the fall of 2016, I was a Teaching Fellow (Harvard's version of TA) for the graduate class on \"Advanced Topics in Data Science (CS209\u002F109)\" at Harvard University. I was in-charge of designing the class project given to the students, and this tutorial has been built on top of the project I designed for the class.\n\n# UPDATE 24th October 2018\nThe tutorial has now been re-written in PyTorch thanks to Anshul Basia (https:\u002F\u002Fgithub.com\u002FAnshulBasia)\n\nYou can access the HTML here: https:\u002F\u002Fspandan-madan.github.io\u002FDeepLearningProject\u002FPyTorch_version\u002FDeep_Learning_Project-Pytorch.html\nand the IPython Notebook with the code in PyTorch here:https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fblob\u002Fmaster\u002FPyTorch_version\u002FDeep_Learning_Project-Pytorch.ipynb\n\n\n\n# Citing if you use the work here\nIf you would like to use this work, please cite the work using the doi -\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Fdoi\u002F10.5281\u002Fzenodo.830003.svg)](http:\u002F\u002Fdx.doi.org\u002F10.5281\u002Fzenodo.830003)\n\n# Reading\u002FViewing the Tutorial\nTo view the project as an HTML file, visit - https:\u002F\u002Fspandan-madan.github.io\u002FDeepLearningProject\u002F\n\n# The Code\nIf you would like to access to Code, please go through the ipython notebook `Deep_Learning_Project.ipynb`\n\n# SETUP\n\nPython\n- We will be using Python 2.7. Primary reason is that Tensorflow is not compatible with python > 3.5, and some other libraries are not compatible with python 3.\n\nTo make setup easy, we are going to use conda.\n- Please install conda 3 from https:\u002F\u002Fwww.continuum.io\u002Fdownloads\n- The repository has a conda config file which will make setting up super easy. It's the file `deeplearningproject_environment.yml`\n- Then create a new conda environment using the command with `conda env create -f deeplearningproject_environment.yml`\n- Now, you can activate the environment with: `source activate deeplearningproject`  \n- `jupyter notebook` \nIf all the isntallations go through, you are good to go! If not, here is a list of packages that need to be installed: `requests imDbPy wget tmdbsimple seaborn sklearn Pillow keras tensorflow h5py gensim nltk stop_words`\n\nPlease install imdbpy using 'pip install imdbpy==6.6' since earlier versions are broken\n### Setting up conda environment in jupyter notebook\nTo be able to run the environment you just created on a juputer notebook, first check that you have the python package `ipykernel` installed. If you don't simply install it using\n\n```bash\npip install ipykernel\n```\n\nNow, add this to your jupyter notebook using the command:\n\n```bash\npython -m ipykernel install --user --name deeplearningproject --display-name \"deeplearningproject\"\n```\n\nNeedless to say, remove all single quotes before running commands.\n\nGo to the directory and run jupyter notbeook by \"jupyter notebook\" and open the respective notebook on browser.\nTO install TMDB: pip install tmdbsimple\nUse \"import tmdbsimple as tmdb\"\n\n\n### Setting up a docker container with docker-compose\n\n#### Prerequisites\n* Docker https:\u002F\u002Fdocs.docker.com\u002Finstall\u002F\n* docker compose https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Finstall\u002F\n\n#### Run docker-compose\nTo work with an isolate environment and be able to run it on many systems without troubles, you can run this docker-compose command:\n```bash\ndocker-compose up\n```\nIt will build `deeplearningproject` image according to Dockerfile. And then run dokcer container via docker-compose. See Docker and docker-compose docs for more informations :\n* https:\u002F\u002Fdocs.docker.com\u002F\n* https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002F\n\nThen access notebooks through your web browser at http:\u002F\u002Flocalhost:8888\n\nYou should notice that notebooks have been copied from root to notebooks folder to mount them into container via bind volume. Any changes you make, will be saved  on host (notebooks dir).\n\n#### Add packages\nYou can add conda or pip packages to image (and thus, container) by updating `deeplearningproject_environment.yml` file and then run\n```bash\ndocker-compose build\n```\nIt will build a new `deeplearningproject` image with new conda\u002Fpip packages installed. Stop your running container (`CTRL-C`) and then `docker-compose up` to rerun a fresh new container.\n\n\n# Known common bugs\nI will keep updating this as issues pop up on this repository.\n\n- One known bug is because Keras 2.0 is not compatible with some Keras 1.2 functionalities. You may run into errors with importing `VGG16`. If so, just update keras using the following command:\n```bash\nsudo pip install git+git:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras.git --upgrade\n```\n\n-OS Error: Too Many Open Files\nRefer to: https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F16526783\u002Fpython-subprocess-too-many-open-files\nor, shut down notebook and execute following the the same terminal\n``bash\nulimit -Sn 10000\n```\n\nAnd restart the jupyter notebook.\n\nHope this repo helps introduce you to a full machine learning pipeline! If you spot an error, please create an issue to help out others using this resource!\n\nTo prevent problems with installation and setting up, this repository comes with a conda environment profile. The only thing you will need is to install the newest version of conda, and use this profile to create a new environment and it will come set up with all the libraries you will need for the tutorial.\n\n","![哈佛大学Logo](http:\u002F\u002Flogonoid.com\u002Fimages\u002Fharvard-logo.png)\n# 机器学习流水线的端到端教程\n\n本教程试图做到大多数在线机器学习教程所做不到的事情。它并非那种教你如何“训练你自己的神经网络”或“在30分钟内学会深度学习”的半小时速成教程。而是一个完整的机器学习流程，涵盖了你在实际工作中可能遇到的所有环节、实现决策以及需要考虑的细节。数据集也不是MNIST或CIFAR这类标准数据集，而是由你自己创建的专属数据集。随后，你将依次尝试几种经典的机器学习算法，最后才进入深度学习领域！\n\n2016年秋季，我在哈佛大学担任“数据科学高级专题（CS209\u002F109）”研究生课程的教学助教（相当于助教）。我负责设计该课程的学生项目，而本教程正是基于我为这门课设计的项目开发而成。\n\n# 更新：2018年10月24日\n感谢Anshul Basia的努力，本教程现已使用PyTorch重写（https:\u002F\u002Fgithub.com\u002FAnshulBasia）。\n\n你可以通过以下链接访问HTML版本：https:\u002F\u002Fspandan-madan.github.io\u002FDeepLearningProject\u002FPyTorch_version\u002FDeep_Learning_Project-Pytorch.html  \n以及包含PyTorch代码的IPython Notebook：https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fblob\u002Fmaster\u002FPyTorch_version\u002FDeep_Learning_Project-Pytorch.ipynb\n\n\n\n# 引用说明\n如果你希望引用本项目，请使用以下DOI进行引用：\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Fdoi\u002F10.5281\u002Fzenodo.830003.svg)](http:\u002F\u002Fdx.doi.org\u002F10.5281\u002Fzenodo.830003)\n\n# 阅读\u002F查看教程\n如需以HTML文件形式查看该项目，请访问：https:\u002F\u002Fspandan-madan.github.io\u002FDeepLearningProject\u002F\n\n# 代码\n如需获取代码，请参阅IPython Notebook文件 `Deep_Learning_Project.ipynb`。\n\n# 环境搭建\n\nPython\n- 我们将使用Python 2.7。主要原因是TensorFlow与Python 3.5及以上版本不兼容，同时其他一些库也不支持Python 3。\n为了简化环境配置，我们将使用conda。\n- 请从https:\u002F\u002Fwww.continuum.io\u002Fdownloads下载并安装Conda 3。\n- 仓库中提供了一个conda配置文件，名为`deeplearningproject_environment.yml`，可以极大简化环境搭建过程。只需运行以下命令即可创建新环境：\n```bash\nconda env create -f deeplearningproject_environment.yml\n```\n然后激活环境：\n```bash\nsource activate deeplearningproject\n```\n- `jupyter notebook`\n如果所有依赖都成功安装，那么你的环境就准备好了！如果没有，请确保安装以下包：`requests imDbPy wget tmdbsimple seaborn sklearn Pillow keras tensorflow h5py gensim nltk stop_words`\n\n请注意，安装imdbpy时应使用`pip install imdbpy==6.6`，因为早期版本存在缺陷。\n### 在Jupyter Notebook中设置Conda环境\n为了能够在Jupyter Notebook中使用刚刚创建的环境，首先确认已安装`ipykernel`包。若未安装，可使用以下命令进行安装：\n\n```bash\npip install ipykernel\n```\n\n接着，通过以下命令将其添加到Jupyter Notebook中：\n\n```bash\npython -m ipykernel install --user --name deeplearningproject --display-name \"deeplearningproject\"\n```\n\n注意，在执行命令前请移除所有单引号。\n\n进入相应目录后，运行`jupyter notebook`，并在浏览器中打开对应的Notebook。\n安装TMDB：pip install tmdbsimple  \n使用`import tmdbsimple as tmdb`。\n\n### 使用Docker Compose搭建Docker容器\n\n#### 前置条件\n* Docker：https:\u002F\u002Fdocs.docker.com\u002Finstall\u002F\n* Docker Compose：https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Finstall\u002F\n\n#### 运行Docker Compose\n为了在一个隔离的环境中工作，并确保其能在不同系统上顺利运行，你可以使用以下Docker Compose命令：\n```bash\ndocker-compose up\n```\n该命令会根据Dockerfile构建`deeplearningproject`镜像，然后通过Docker Compose启动容器。更多相关信息请参考Docker和Docker Compose官方文档：\n* https:\u002F\u002Fdocs.docker.com\u002F\n* https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002F\n\n之后，你可以在浏览器中通过http:\u002F\u002Flocalhost:8888访问Notebook。\n\n需要注意的是，Notebook文件已被复制到notebooks目录下，并通过绑定卷挂载到容器中。因此，你在Notebook中所做的任何更改都会保存在主机的notebooks目录中。\n\n#### 添加软件包\n你可以通过更新`deeplearningproject_environment.yml`文件来向镜像（进而容器）中添加conda或pip包，然后运行：\n```bash\ndocker-compose build\n```\n这将构建一个新的`deeplearningproject`镜像，其中包含新增的conda\u002Fpip包。先停止正在运行的容器（按`CTRL-C`），再运行`docker-compose up`以启动一个全新的容器。\n\n\n# 已知常见问题\n我会持续更新此部分，以记录在此仓库中出现的问题。\n\n- 其中一个已知问题是Keras 2.0与某些Keras 1.2的功能不兼容。你可能会在导入`VGG16`时遇到错误。如果是这样，可以通过以下命令升级Keras：\n```bash\nsudo pip install git+git:\u002F\u002Fgithub.com\u002Ffchollet\u002Fkeras.git --upgrade\n```\n\n- 操作系统错误：打开文件过多\n参考：https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F16526783\u002Fpython-subprocess-too-many-open-files  \n或者关闭Notebook，在同一终端中执行以下命令：\n```bash\nulimit -Sn 10000\n```\n\n然后重新启动Jupyter Notebook。\n\n希望这个仓库能帮助你全面了解机器学习的完整流程！如果你发现了任何错误，请提交issue，以便帮助其他使用本资源的人！\n\n为了避免安装和配置过程中出现问题，本仓库附带了一个Conda环境配置文件。你只需要安装最新版本的Conda，然后使用该配置文件创建新环境，它将自动配置好教程所需的所有库。","# DeepLearningProject 快速上手指南\n\nDeepLearningProject 是一个端到端的机器学习流水线教程，源自哈佛大学数据科学课程项目。它不局限于简单的模型训练，而是引导用户从零构建数据集、尝试传统机器学习算法，最终深入深度学习实战。本项目已提供 PyTorch 版本。\n\n## 环境准备\n\n*   **操作系统**：Linux \u002F macOS \u002F Windows (需安装 Docker 或 Conda)\n*   **Python 版本**：推荐使用 **Python 2.7** (原始 TensorFlow 版本依赖)，但 PyTorch 版本通常兼容 Python 3+。建议优先使用提供的 Conda 环境配置以确保依赖一致性。\n*   **核心工具**：\n    *   [Conda](https:\u002F\u002Fwww.continuum.io\u002Fdownloads) (推荐用于管理环境)\n    *   [Docker](https:\u002F\u002Fdocs.docker.com\u002Finstall\u002F) & [Docker Compose](https:\u002F\u002Fdocs.docker.com\u002Fcompose\u002Finstall\u002F) (可选，用于隔离环境)\n*   **网络提示**：由于部分依赖库（如 `imdbpy`, `tmdbsimple`）及数据集下载涉及海外源，国内用户建议在终端配置代理，或在 `pip`\u002F`conda` 命令中指定国内镜像源（如清华源、阿里源）以加速安装。\n\n## 安装步骤\n\n### 方法一：使用 Conda 环境（推荐）\n\n1.  **安装 Conda**\n    访问官网下载并安装最新版 Conda。\n\n2.  **创建虚拟环境**\n    在项目根目录下，利用提供的配置文件一键创建环境：\n    ```bash\n    conda env create -f deeplearningproject_environment.yml\n    ```\n    *注：若下载缓慢，可尝试添加 `-c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain` 等镜像参数，或手动编辑 yml 文件替换源地址。*\n\n3.  **激活环境**\n    ```bash\n    source activate deeplearningproject\n    # Windows 用户使用: activate deeplearningproject\n    ```\n\n4.  **修复特定依赖**\n    根据说明，需强制安装特定版本的 `imdbpy` 以避免错误：\n    ```bash\n    pip install imdbpy==6.6\n    ```\n    如需使用 TMDB 数据，确保安装：\n    ```bash\n    pip install tmdbsimple\n    ```\n\n5.  **注册 Jupyter Kernel**\n    为了让 Jupyter Notebook 识别该环境，执行以下命令：\n    ```bash\n    pip install ipykernel\n    python -m ipykernel install --user --name deeplearningproject --display-name \"deeplearningproject\"\n    ```\n\n### 方法二：使用 Docker（隔离环境）\n\n如果你希望避免本地环境冲突，可以使用 Docker Compose：\n\n1.  **启动容器**\n    在项目根目录执行：\n    ```bash\n    docker-compose up\n    ```\n    该命令会自动构建镜像并启动容器，将本地的 `notebooks` 目录挂载到容器中。\n\n2.  **访问服务**\n    启动成功后，在浏览器访问：\n    ```text\n    http:\u002F\u002Flocalhost:8888\n    ```\n\n## 基本使用\n\n1.  **启动 Jupyter Notebook**\n    如果使用 Conda 环境，激活后运行：\n    ```bash\n    jupyter notebook\n    ```\n    如果使用 Docker，直接通过浏览器访问上述 localhost 地址即可。\n\n2.  **打开教程笔记**\n    *   **原始版本 (TensorFlow\u002FKeras)**：打开 `Deep_Learning_Project.ipynb`\n    *   **PyTorch 版本 (推荐)**：打开 `PyTorch_version\u002FDeep_Learning_Project-Pytorch.ipynb`\n        *   在线预览 HTML 版可访问：https:\u002F\u002Fspandan-madan.github.io\u002FDeepLearningProject\u002FPyTorch_version\u002FDeep_Learning_Project-Pytorch.html\n\n3.  **运行流程**\n    按顺序执行 Notebook 中的单元格。教程将引导你完成以下步骤：\n    *   **数据收集**：调用 API 构建自定义数据集（非 MNIST\u002FCIFAR 等标准集）。\n    *   **数据预处理**：清洗与格式化数据。\n    *   **传统机器学习**：使用 sklearn 等库进行基准测试。\n    *   **深度学习**：构建并训练神经网络模型。\n\n4.  **代码示例片段**\n    在 Notebook 中，你将看到类似以下的导入与初始化代码（以 PyTorch 版为例）：\n    ```python\n    import torch\n    import tmdbsimple as tmdb\n    \n    # 初始化 TMDB API (需自行填入 API Key)\n    tmdb.API_KEY = 'YOUR_API_KEY'\n    \n    # 后续步骤将跟随 Notebook 指引进行数据抓取与模型训练\n    ```\n\n开始你的端到端机器学习之旅吧！","某高校数据科学研究生团队需要从零构建一个完整的电影票房预测系统，但成员们仅熟悉碎片化的模型训练代码，缺乏处理真实数据的全流程经验。\n\n### 没有 DeepLearningProject 时\n- 团队成员只能依赖 MNIST 等标准数据集练习，面对需要自行爬取和清洗的真实电影数据（如 IMDb、TMDB）时束手无策。\n- 学习资源多为\"30 分钟速成”教程，只讲解神经网络训练片段，导致大家不懂如何设计从数据获取到模型部署的完整流水线。\n- 在技术选型上陷入困惑，不清楚何时该用传统机器学习算法打底，何时该切入深度学习，缺乏系统的决策依据。\n- 环境配置混乱，依赖库版本冲突频发，大量时间浪费在解决 Python 版本兼容性和包安装错误上，而非核心算法研究。\n\n### 使用 DeepLearningProject 后\n- 团队直接复用其自定义数据集构建方案，顺利完成了从 API 抓取电影元数据到清洗标注的全过程，掌握了真实数据处理能力。\n- 依托哈佛大学课程项目的端到端教程，成员们系统地实践了包括数据探索、特征工程、传统模型对比及最终深度学习落地的完整闭环。\n- 通过遵循教程中“先传统后深度”的实施路径，团队合理制定了技术演进路线，先用常规算法建立基线，再引入深度学习提升精度。\n- 利用项目提供的 Conda 配置文件和 Docker 容器脚本，一键解决了复杂的环境依赖问题，确保了多成员协作时的环境一致性。\n\nDeepLearningProject 将零散的知识点整合为工业级的实战流水线，帮助开发者跨越了从“玩具代码”到“真实项目”的巨大鸿沟。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FSpandan-Madan_DeepLearningProject_a7179386.png","Spandan-Madan","Spandan Madan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FSpandan-Madan_8498b6bf.jpg","Co-Founder, Memorious. \r\nPast: PhD @ Harvard Computer Science, IIT Delhi.","Harvard","Cambridge, MA",null,"spandan_madan","http:\u002F\u002Fpeople.fas.harvard.edu\u002F~spm253\u002Fspandan\u002F","https:\u002F\u002Fgithub.com\u002FSpandan-Madan",[25,29,33],{"name":26,"color":27,"percentage":28},"HTML","#e34c26",56.3,{"name":30,"color":31,"percentage":32},"Jupyter Notebook","#DA5B0B",43.7,{"name":34,"color":35,"percentage":36},"Dockerfile","#384d54",0,4780,634,"2026-04-14T12:58:13","MIT",3,"未说明",{"notes":44,"python":45,"dependencies":46},"该项目主要基于 Python 2.7 和 TensorFlow\u002FKeras（旧版），虽然后期有 PyTorch 版本的更新提及，但核心安装指南仍针对 Python 2.7。建议使用 Conda 并通过提供的 yml 文件创建环境。已知问题包括 Keras 版本兼容性冲突以及操作系统文件打开数量限制（需执行 ulimit -Sn 10000 调整）。若使用 Docker，可通过 docker-compose 一键部署。","2.7",[47,48,49,50,51,52,53,54,55,56],"tensorflow","keras","scikit-learn","Pillow","h5py","gensim","nltk","seaborn","requests","imdbpy==6.6",[58],"开发框架",[60,61,62,63],"machine-learning","deep-learning","neural-networks","tutorial",2,"ready","2026-03-27T02:49:30.150509","2026-04-17T08:24:25.049445",[69,74,79,84,89,94,99],{"id":70,"question_zh":71,"answer_zh":72,"source_url":73},37265,"在 Windows 上安装时遇到依赖冲突或环境设置失败怎么办？","该项目主要在 Python 2.7 环境下测试和运行。如果在 Windows 上使用 Python 3.x 安装 tensorflow 等包遇到依赖错误（如 functools32, subprocess32 仅支持 Python 2.7），建议切换回 Python 2.7 环境进行安装。维护者已在 README 中澄清了此要求。","https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fissues\u002F17",{"id":75,"question_zh":76,"answer_zh":77,"source_url":78},37266,"运行代码时出现 'Genres' object has no attribute 'list' 错误如何解决？","这是因为 API 或类方法名称已变更。请将代码中的 `genres.list()` 修改为 `genres.movie_list()`。例如在第 18 单元格中，应使用 `list_of_genres=genres.movie_list()['genres']` 来获取类型列表。","https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fissues\u002F40",{"id":80,"question_zh":81,"answer_zh":82,"source_url":83},37267,"在非 macOS 系统（如 Linux 或 Windows）安装时遇到 'appnope' 包不可用的错误怎么办？","`appnope` 包仅用于 macOS 系统以禁用 App Nap 功能。如果您使用的是 Linux 或 Windows，请在环境配置文件（如 .yml 文件）中找到并删除或注释掉包含 `appnope` 的那一行，然后重新尝试构建环境。","https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fissues\u002F6",{"id":85,"question_zh":86,"answer_zh":87,"source_url":88},37268,"如何消除导入 numpy 时出现的二进制兼容性警告（RuntimeWarning）？","可以在代码块底部添加以下 Python 代码来过滤掉特定的 numpy 警告信息：\nimport warnings\nwarnings.filterwarnings(\"ignore\", message=\"numpy.dtype size changed\")\nwarnings.filterwarnings(\"ignore\", message=\"numpy.ufunc size changed\")","https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fissues\u002F47",{"id":90,"question_zh":91,"answer_zh":92,"source_url":93},37269,"文档中的图片链接失效（404）或无法加载怎么办？","这通常是由于文件路径变更导致的相对路径错误。例如，figure 1 的正确访问地址已从包含 '\u002Fdocs\u002F' 的路径更改为根目录下的直接路径（如 '...\u002Fcontour.png'）。如果遇到此类问题，请检查并更新代码或文档中的图片相对路径，或者向仓库提交 Pull Request 修复路径。","https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fissues\u002F43",{"id":95,"question_zh":96,"answer_zh":97,"source_url":98},37270,"发现教程中泄露了真实的 TMDB API Key 应该如何处理？","如果发现自己的 API Key 被公开在代码或提交历史中，应立即删除该密钥对应的账户并重新生成新的 Key，因为即使更新了当前文件，攻击者仍可从历史提交记录中获取旧密钥。建议在代码中使用占位符代替真实密钥，并在 .gitignore 中排除配置文件。","https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fissues\u002F46",{"id":100,"question_zh":101,"answer_zh":102,"source_url":103},37271,"如何找出模型中对电影类型预测最具决定性的关键词？","对于深度学习模型，可以尝试以下方法：1. 筛选出模型高概率预测为某类型的样本，与低概率样本对比词分布；2. 对每个样本逐个移除单词，观察网络预测置信度的变化，若移除某词导致置信度显著下降，则该词为关键特征。注意：直接使用 `clf.coef_` 提取系数的方法主要适用于 SVM 等传统模型，不直接适用于深度模型。","https:\u002F\u002Fgithub.com\u002FSpandan-Madan\u002FDeepLearningProject\u002Fissues\u002F36",[105],{"id":106,"version":107,"summary_zh":108,"released_at":109},297815,"v1.0.0","这是该软件的首个版本。此举旨在探讨通过引用本研究成果，是否能使相关资料为他人所用。","2017-07-16T12:21:22",[111,122,130,139,147,156],{"id":112,"name":113,"github_repo":114,"description_zh":115,"stars":116,"difficulty_score":41,"last_commit_at":117,"category_tags":118,"status":65},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,"2026-04-06T06:32:30",[119,58,120,121],"Agent","图像","数据工具",{"id":123,"name":124,"github_repo":125,"description_zh":126,"stars":127,"difficulty_score":41,"last_commit_at":128,"category_tags":129,"status":65},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",[58,120,119],{"id":131,"name":132,"github_repo":133,"description_zh":134,"stars":135,"difficulty_score":64,"last_commit_at":136,"category_tags":137,"status":65},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",158594,"2026-04-16T23:34:05",[58,119,138],"语言模型",{"id":140,"name":141,"github_repo":142,"description_zh":143,"stars":144,"difficulty_score":64,"last_commit_at":145,"category_tags":146,"status":65},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",[58,120,119],{"id":148,"name":149,"github_repo":150,"description_zh":151,"stars":152,"difficulty_score":64,"last_commit_at":153,"category_tags":154,"status":65},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",[155,119,120,58],"插件",{"id":157,"name":158,"github_repo":159,"description_zh":160,"stars":161,"difficulty_score":64,"last_commit_at":162,"category_tags":163,"status":65},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",[155,58]]