[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ageron--handson-ml3":3,"tool-ageron--handson-ml3":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":81,"owner_email":80,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":102,"forks":103,"last_commit_at":104,"license":105,"difficulty_score":23,"env_os":106,"env_gpu":107,"env_ram":108,"env_deps":109,"category_tags":118,"github_topics":80,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":119,"updated_at":120,"faqs":121,"releases":150},3115,"ageron\u002Fhandson-ml3","handson-ml3","A series of Jupyter notebooks that walk you through the fundamentals of Machine Learning and Deep Learning in Python using Scikit-Learn, Keras and TensorFlow 2.","handson-ml3 是一套基于 Jupyter Notebook 的交互式学习资源，旨在通过实战代码引导用户掌握机器学习与深度学习的核心原理。作为畅销书《Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow》第三版的官方配套项目，它提供了书中所有示例代码及习题解答，帮助学习者从理论快速过渡到实践。\n\n该项目主要解决了机器学习入门过程中“环境配置难”和“理论与实践脱节”的痛点。用户无需在本地繁琐地安装依赖，即可通过 Google Colab、Kaggle 等云平台直接运行代码，体验完整的模型训练流程；同时也为本地开发提供了详尽的 Docker 及 Conda 部署指南。内容涵盖使用 Scikit-Learn 进行传统机器学习，以及利用 Keras 和 TensorFlow 2 构建深度神经网络的全链路操作。\n\nhandson-ml3 特别适合希望系统提升 Python 数据科学技能的开发者、人工智能领域的研究人员，以及计算机相关专业的学生。其独特的技术亮点在于紧跟业界主流，全面适配 TensorFlow 2","handson-ml3 是一套基于 Jupyter Notebook 的交互式学习资源，旨在通过实战代码引导用户掌握机器学习与深度学习的核心原理。作为畅销书《Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow》第三版的官方配套项目，它提供了书中所有示例代码及习题解答，帮助学习者从理论快速过渡到实践。\n\n该项目主要解决了机器学习入门过程中“环境配置难”和“理论与实践脱节”的痛点。用户无需在本地繁琐地安装依赖，即可通过 Google Colab、Kaggle 等云平台直接运行代码，体验完整的模型训练流程；同时也为本地开发提供了详尽的 Docker 及 Conda 部署指南。内容涵盖使用 Scikit-Learn 进行传统机器学习，以及利用 Keras 和 TensorFlow 2 构建深度神经网络的全链路操作。\n\nhandson-ml3 特别适合希望系统提升 Python 数据科学技能的开发者、人工智能领域的研究人员，以及计算机相关专业的学生。其独特的技术亮点在于紧跟业界主流，全面适配 TensorFlow 2 生态，并针对最新硬件环境优化了配置方案。无论你是想零门槛在线试跑算法，还是希望在本地搭建专业实验环境，这套笔记都能提供清晰、规范且可复现的代码路径，是通往机器学习实战的可靠桥梁。","Machine Learning Notebooks, 3rd edition\n=================================\n\nThis project aims at teaching you the fundamentals of Machine Learning in\npython. It contains the example code and solutions to the exercises in the third edition of my O'Reilly book [Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow (3rd edition)](https:\u002F\u002Fhoml.info\u002Fer3):\n\n\u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fer3\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_handson-ml3_readme_c97906b8e4cf.png\" title=\"book\" width=\"150\" border=\"0\" \u002F>\u003C\u002Fa>\n\n**Note**: If you are looking for the second edition notebooks, check out [ageron\u002Fhandson-ml2](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml2). For the first edition, see [ageron\u002Fhandson-ml](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml).\n\n## Quick Start\n\n### Want to play with these notebooks online without having to install anything?\n\n* \u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002F\" target=\"_parent\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"Open In Colab\"\u002F>\u003C\u002Fa> (recommended)\n\n⚠ _Colab provides a temporary environment: anything you do will be deleted after a while, so make sure you download any data you care about._\n\n\u003Cdetails>\n\nOther services may work as well, but I have not fully tested them:\n\n* \u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fkaggle3\u002F\">\u003Cimg src=\"https:\u002F\u002Fkaggle.com\u002Fstatic\u002Fimages\u002Fopen-in-kaggle.svg\" alt=\"Open in Kaggle\" \u002F>\u003C\u002Fa>\n\n* \u003Ca href=\"https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fageron\u002Fhandson-ml3\u002FHEAD?filepath=%2Findex.ipynb\">\u003Cimg src=\"https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg\" alt=\"Launch binder\" \u002F>\u003C\u002Fa>\n\n* \u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fdeepnote3\u002F\">\u003Cimg src=\"https:\u002F\u002Fdeepnote.com\u002Fbuttons\u002Flaunch-in-deepnote-small.svg\" alt=\"Launch in Deepnote\" \u002F>\u003C\u002Fa>\n\n\u003C\u002Fdetails>\n\n### Just want to quickly look at some notebooks, without executing any code?\n\n* \u003Ca href=\"https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002Findex.ipynb\">\u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fjupyter\u002Fdesign\u002Fmaster\u002Flogos\u002FBadges\u002Fnbviewer_badge.svg\" alt=\"Render nbviewer\" \u002F>\u003C\u002Fa>\n\n* [github.com's notebook viewer](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002Findex.ipynb) also works but it's not ideal: it's slower, the math equations are not always displayed correctly, and large notebooks often fail to open.\n\n### Want to run this project using a Docker image?\nRead the [Docker instructions](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Ftree\u002Fmain\u002Fdocker).\n\n### Want to install this project on your own machine?\n\nStart by installing [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fproducts\u002Fdistribution) (or [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html)), [git](https:\u002F\u002Fgit-scm.com\u002Fdownloads), and if you have a TensorFlow-compatible GPU, install the [GPU driver](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx), as well as the appropriate version of CUDA and cuDNN (see TensorFlow's documentation for more details).\n\nNext, clone this project by opening a terminal and typing the following commands (do not type the first `$` signs on each line, they just indicate that these are terminal commands):\n\n    $ git clone https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3.git\n    $ cd handson-ml3\n\nNext, run the following commands:\n\n    $ conda env create -f environment.yml\n    $ conda activate homl3\n    $ python -m ipykernel install --user --name=python3\n\nFinally, start Jupyter:\n\n    $ jupyter notebook\n\nIf you need further instructions, read the [detailed installation instructions](INSTALL.md).\n\n# FAQ\n\n**Which Python version should I use?**\n\nI recommend Python 3.10. If you follow the installation instructions above, that's the version you will get. Any version ≥3.7 should work as well.\n\n**I'm getting an error when I call `load_housing_data()`**\n\nIf you're getting an HTTP error, make sure you're running the exact same code as in the notebook (copy\u002Fpaste it if needed). If the problem persists, please check your network configuration. If it's an SSL error, see the next question.\n\n**I'm getting an SSL error on MacOSX**\n\nYou probably need to install the SSL certificates (see this [StackOverflow question](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F27835619\u002Furllib-and-ssl-certificate-verify-failed-error)). If you downloaded Python from the official website, then run `\u002FApplications\u002FPython\\ 3.10\u002FInstall\\ Certificates.command` in a terminal (change `3.10` to whatever version you installed). If you installed Python using MacPorts, run `sudo port install curl-ca-bundle` in a terminal.\n\n**I've installed this project locally. How do I update it to the latest version?**\n\nSee [INSTALL.md](INSTALL.md)\n\n**How do I update my Python libraries to the latest versions, when using Anaconda?**\n\nSee [INSTALL.md](INSTALL.md)\n\n## Contributors\nI would like to thank everyone [who contributed to this project](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fgraphs\u002Fcontributors), either by providing useful feedback, filing issues or submitting Pull Requests. Special thanks go to Haesun Park and Ian Beauregard who reviewed every notebook and submitted many PRs, including help on some of the exercise solutions. Thanks as well to Steven Bunkley and Ziembla who created the `docker` directory, and to github user SuperYorio who helped on some exercise solutions. Thanks a lot to Victor Khaustov who submitted plenty of excellent PRs, fixing many errors. And lastly, thanks to Google ML Developer Programs team who supported this work by providing Google Cloud Credit.\n","机器学习笔记本，第3版\n================================\n\n该项目旨在教你使用 Python 进行机器学习的基础知识。它包含了我 O'Reilly 出版的《动手学机器学习：使用 Scikit-Learn、Keras 和 TensorFlow》（第3版）一书中的示例代码及习题解答：\n\n\u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fer3\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_handson-ml3_readme_c97906b8e4cf.png\" title=\"book\" width=\"150\" border=\"0\" \u002F>\u003C\u002Fa>\n\n**注意**：如果你正在寻找第2版的笔记本，请查看 [ageron\u002Fhandson-ml2](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml2)。对于第1版，请参阅 [ageron\u002Fhandson-ml](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml)。\n\n## 快速入门\n\n### 想在线体验这些笔记本，而无需安装任何东西吗？\n\n* \u003Ca href=\"https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002F\" target=\"_parent\">\u003Cimg src=\"https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg\" alt=\"在 Colab 中打开\"\u002F>\u003C\u002Fa>（推荐）\n\n⚠ _Colab 提供的是临时环境：你所做的任何操作过一段时间后都会被删除，因此请务必下载你关心的数据。_\n\n\u003Cdetails>\n\n其他服务也可能适用，但我尚未完全测试：\n\n* \u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fkaggle3\u002F\">\u003Cimg src=\"https:\u002F\u002Fkaggle.com\u002Fstatic\u002Fimages\u002Fopen-in-kaggle.svg\" alt=\"在 Kaggle 中打开\" \u002F>\u003C\u002Fa>\n\n* \u003Ca href=\"https:\u002F\u002Fmybinder.org\u002Fv2\u002Fgh\u002Fageron\u002Fhandson-ml3\u002FHEAD?filepath=%2Findex.ipynb\">\u003Cimg src=\"https:\u002F\u002Fmybinder.org\u002Fbadge_logo.svg\" alt=\"启动 Binder\" \u002F>\u003C\u002Fa>\n\n* \u003Ca href=\"https:\u002F\u002Fhoml.info\u002Fdeepnote3\u002F\">\u003Cimg src=\"https:\u002F\u002Fdeepnote.com\u002Fbuttons\u002Flaunch-in-deepnote-small.svg\" alt=\"在 Deepnote 中启动\" \u002F>\u003C\u002Fa>\n\n\u003C\u002Fdetails>\n\n### 只想快速浏览一些笔记本，而不执行任何代码吗？\n\n* \u003Ca href=\"https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002Findex.ipynb\">\u003Cimg src=\"https:\u002F\u002Fraw.githubusercontent.com\u002Fjupyter\u002Fdesign\u002Fmaster\u002Flogos\u002FBadges\u002Fnbviewer_badge.svg\" alt=\"通过 nbviewer 渲染\"\u002F>\u003C\u002Fa>\n\n* GitHub 自带的笔记本查看器 [github.com](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002Findex.ipynb) 也可以使用，但效果并不理想：速度较慢，数学公式有时无法正确显示，而且大型笔记本常常无法打开。\n\n### 想使用 Docker 镜像运行该项目吗？\n请阅读 [Docker 使用说明](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Ftree\u002Fmain\u002Fdocker)。\n\n### 想在自己的机器上安装该项目吗？\n\n首先安装 [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fproducts\u002Fdistribution)（或 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html)）、[git](https:\u002F\u002Fgit-scm.com\u002Fdownloads)，如果你有一块兼容 TensorFlow 的 GPU，还需要安装 [GPU 驱动程序](https:\u002F\u002Fwww.nvidia.com\u002FDownload\u002Findex.aspx)，以及相应版本的 CUDA 和 cuDNN（详情请参阅 TensorFlow 官方文档）。\n\n接下来，打开终端并输入以下命令克隆该项目（每行开头的 `$` 符号不需要输入，它们只是表示这是终端命令）：\n\n    $ git clone https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3.git\n    $ cd handson-ml3\n\n然后依次运行以下命令：\n\n    $ conda env create -f environment.yml\n    $ conda activate homl3\n    $ python -m ipykernel install --user --name=python3\n\n最后启动 Jupyter：\n\n    $ jupyter notebook\n\n如果需要更多指导，请阅读 [详细安装说明](INSTALL.md)。\n\n# 常见问题解答\n\n**我应该使用哪个 Python 版本？**\n\n我推荐使用 Python 3.10。如果你按照上述安装说明操作，就会得到这个版本。任何 ≥3.7 的版本也应该可以正常工作。\n\n**当我调用 `load_housing_data()` 时出现错误**\n\n如果出现 HTTP 错误，请确保你运行的代码与笔记本中的完全一致（必要时可以复制粘贴）。如果问题仍然存在，请检查你的网络配置。如果是 SSL 错误，请参阅下一个问题。\n\n**我在 macOSX 上遇到 SSL 错误**\n\n你可能需要安装 SSL 证书（请参考 [StackOverflow 上的相关问题](https:\u002F\u002Fstackoverflow.com\u002Fquestions\u002F27835619\u002Furllib-and-ssl-certificate-verify-failed-error)）。如果你是从官方网站下载的 Python，请在终端中运行 `\u002FApplications\u002FPython\\ 3.10\u002FInstall\\ Certificates.command`（将 `3.10` 替换为你安装的版本）。如果你是通过 MacPorts 安装的 Python，则在终端中运行 `sudo port install curl-ca-bundle`。\n\n**我已经在本地安装了该项目。如何将其更新到最新版本？**\n\n请参阅 [INSTALL.md](INSTALL.md)\n\n**使用 Anaconda 时，如何将我的 Python 库更新到最新版本？**\n\n请参阅 [INSTALL.md](INSTALL.md)\n\n## 贡献者\n我要感谢所有为该项目做出贡献的人（详见 [GitHub 上的贡献者图](https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fgraphs\u002Fcontributors)），无论是提供有用的反馈、提交问题还是 Pull Request。特别感谢 Haesun Park 和 Ian Beauregard，他们审阅了每一个笔记本并提交了许多 PR，其中包括对部分习题解答的帮助。还要感谢 Steven Bunkley 和 Ziembla 创建了 `docker` 目录，以及 GitHub 用户 SuperYorio 在部分习题解答上的帮助。非常感谢 Victor Khaustov 提交了大量优秀的 PR，修复了许多错误。最后，感谢 Google ML 开发者计划团队通过提供 Google Cloud 信用额度支持了这项工作。","# handson-ml3 快速上手指南\n\n本指南旨在帮助开发者快速搭建《Hands-on Machine Learning with Scikit-Learn, Keras and TensorFlow (第 3 版)》的配套实验环境。\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**：Windows、macOS 或 Linux。\n*   **Python 版本**：推荐 **Python 3.10**（兼容版本 ≥3.7）。\n*   **必备工具**：\n    *   [Anaconda](https:\u002F\u002Fwww.anaconda.com\u002Fproducts\u002Fdistribution) 或 [Miniconda](https:\u002F\u002Fdocs.conda.io\u002Fen\u002Flatest\u002Fminiconda.html)（用于管理环境和依赖）。\n    *   [Git](https:\u002F\u002Fgit-scm.com\u002Fdownloads)（用于克隆项目代码）。\n*   **硬件加速（可选）**：如果您拥有支持 TensorFlow 的 NVIDIA GPU，请预先安装对应的显卡驱动、CUDA 和 cuDNN（具体版本请参考 TensorFlow 官方文档）。\n\n> **提示**：国内用户若下载 Anaconda 或 Git 较慢，可使用清华源或中科大源进行加速。\n\n## 安装步骤\n\n打开终端（Terminal 或 CMD\u002FPowerShell），依次执行以下命令：\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3.git\n    cd handson-ml3\n    ```\n\n2.  **创建并激活 Conda 环境**\n    这将自动安装书中所需的所有 Python 库（如 Scikit-Learn, TensorFlow, Keras 等）。\n    ```bash\n    conda env create -f environment.yml\n    conda activate homl3\n    ```\n    > **国内加速提示**：若 `conda env create` 下载缓慢，可临时配置清华源：\n    > `conda config --add channels https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain\u002F`\n\n3.  **注册 Jupyter 内核**\n    将新环境添加到 Jupyter Notebook 的内核列表中，以便在界面中选择。\n    ```bash\n    python -m ipykernel install --user --name=python3\n    ```\n\n4.  **启动 Jupyter Notebook**\n    ```bash\n    jupyter notebook\n    ```\n    浏览器会自动打开，点击 `index.ipynb` 即可开始学习。\n\n## 基本使用\n\n### 方式一：本地运行（推荐）\n完成上述安装步骤后，在浏览器打开的 Jupyter 界面中：\n1.  点击 **`index.ipynb`** 进入目录页。\n2.  选择任意章节的 Notebook（例如 `01_the_machine_learning_landscape.ipynb`）。\n3.  确保右上角内核显示为 **`python3`** (对应 `homl3` 环境)。\n4.  按顺序运行单元格（Shift + Enter）即可查看代码输出和图表。\n\n### 方式二：在线免安装体验\n如果您不想在本地安装任何软件，可以直接使用 Google Colab 在线运行所有示例：\n\n*   **Google Colab** (推荐):\n    [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002F)\n    > **注意**：Colab 提供的是临时环境，重启后数据会丢失，请及时下载重要结果。\n\n*   **仅查看代码（不执行）**：\n    可通过 [nbviewer](https:\u002F\u002Fnbviewer.jupyter.org\u002Fgithub\u002Fageron\u002Fhandson-ml3\u002Fblob\u002Fmain\u002Findex.ipynb) 快速浏览笔记内容。","某高校数据科学专业的研究生李明，正试图在两周内从零掌握机器学习核心算法，以完成他的毕业论文实证分析。\n\n### 没有 handson-ml3 时\n- **理论脱节**：啃完厚重的数学公式和理论书籍后，面对空白的 Python 编辑器依然不知如何将算法转化为可运行的代码。\n- **环境劝退**：花费数天配置 Anaconda、TensorFlow 和 GPU 驱动，却因版本兼容性问题频频报错，尚未开始学习就精疲力竭。\n- **数据缺失**：难以找到干净、标准且与经典教材匹配的练习数据集，大量时间浪费在清洗和伪造测试数据上。\n- **调试无门**：遇到模型不收敛或报错时，缺乏权威的参考代码进行比对，只能在论坛中盲目搜索碎片化答案。\n\n### 使用 handson-ml3 后\n- **即学即用**：直接打开 Jupyter Notebook，跟随书中章节运行现成的 Scikit-Learn 和 Keras 代码，瞬间看到从数据加载到模型预测的全流程。\n- **一键启动**：利用 Google Colab 链接无需本地安装即可在云端运行所有实验，或通过提供的 `environment.yml` 文件分钟级复现标准开发环境。\n- **资源配套**：直接调用内置的标准化数据集（如住房数据）和习题解答，确保实验结果与权威教材完全一致，专注逻辑而非数据准备。\n- **路径清晰**：依托第三版最新内容，系统性地遍历从基础回归到深度神经网络的完整案例，遇到瓶颈时可随时对照官方解决方案修正思路。\n\nhandson-ml3 将原本需要数月摸索的机器学习入门路径，压缩为一条可执行、可验证且紧跟业界标准的高效学习跑道。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fageron_handson-ml3_c97906b8.jpg","ageron","Aurélien Geron","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fageron_57c7255d.jpg","Author of the book Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow. Former PM of YouTube video classification and founder & CTO of Wifirst.",null,"Auckland","https:\u002F\u002Ftwitter.com\u002Faureliengeron","https:\u002F\u002Fgithub.com\u002Fageron",[85,89,93,96,99],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",100,{"name":90,"color":91,"percentage":92},"Python","#3572A5",0,{"name":94,"color":95,"percentage":92},"Dockerfile","#384d54",{"name":97,"color":98,"percentage":92},"Shell","#89e051",{"name":100,"color":101,"percentage":92},"Makefile","#427819",12808,4962,"2026-04-03T17:49:53","Apache-2.0","Linux, macOS, Windows","非必需。若使用 TensorFlow 兼容的 GPU，需安装对应的 NVIDIA 显卡驱动、CUDA 和 cuDNN（具体版本需参考 TensorFlow 文档，README 未指定具体型号或显存大小）","未说明",{"notes":110,"python":111,"dependencies":112},"建议使用 Anaconda 或 Miniconda 管理环境；可通过 environment.yml 文件一键创建环境；支持在 Google Colab、Kaggle 等云端平台直接运行无需本地安装；MacOS 用户若遇 SSL 错误需手动安装证书；本地更新项目或库请参考 INSTALL.md 文档。","推荐 3.10，≥3.7 亦可",[113,114,115,116,117],"scikit-learn","keras","tensorflow","jupyter","ipykernel",[13],"2026-03-27T02:49:30.150509","2026-04-06T06:53:23.905601",[122,127,132,137,142,146],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},14355,"如何在 Windows 上配置支持 GPU 的 TensorFlow 环境？","在 Windows 10\u002F11 上配置 GPU 支持的最简单步骤如下：\n1. 安装 Microsoft Visual C++ Redistributable（从微软官网下载）。\n2. 安装 Nvidia Game Ready 驱动或 RTX Quadro 显示驱动。\n3. 下载并安装 Miniconda（不要添加到 PATH），安装完成后从开始菜单运行 'Anaconda Powershell Prompt (miniconda3)'。\n4. 编辑 environment.yml 文件，或直接下载社区提供的 environment-gpu.yml 文件进行环境创建。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fissues\u002F21",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},14356,"在 Windows 上创建 HOML3 环境时，遇到 'AutoROM.accept-rom-license' 构建失败或 DLL 导入错误怎么办？","这是因为 AutoROM 包在 Windows 上缺乏官方支持，通常是因为缺少 OpenSSL 导致的 DLL 导入错误。解决方法：\n1. 安装 OpenSSL v1.1.1S（从 slproweb.com 下载）。\n2. 激活环境后运行命令：`pip install --upgrade autorom[accept-rom-license]`。\n如果仍然报错提示找不到 libtorrent DLL，可能需要手动复制缺失的 DLL 文件（参考 libtorrent 相关 issue 查找缺失文件）。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fissues\u002F35",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},14357,"运行 Keras 笔记本时使用 `tf.keras.utils.plot_model` 报错缺少 'pydot' 依赖怎么办？","这是因为默认环境中未包含 pydot 库。该功能用于绘制模型结构图。解决方法是手动安装 pydot 及其依赖 graphviz：\n1. 使用 pip 安装：`pip install pydot`\n2. 确保系统已安装 Graphviz 软件并将其添加到环境变量中。\n维护者已在后续更新中将 pydot 添加到了依赖列表中，更新项目代码即可解决。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fissues\u002F29",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},14358,"在使用 `FunctionTransformer` 时遇到 `TypeError: unexpected keyword argument 'feature_names_out'` 错误？","这是由于 scikit-learn 版本不兼容导致的。`feature_names_out` 参数是在较新版本的 scikit-learn 中引入的。如果您使用的是旧版本（如 1.0.2），会出现此错误。\n解决方法：\n1. 升级 scikit-learn 到最新版本：`pip install --upgrade scikit-learn`。\n2. 或者按照项目 INSTALL.md 中的说明，更新整个项目环境和库以确保版本匹配。","https:\u002F\u002Fgithub.com\u002Fageron\u002Fhandson-ml3\u002Fissues\u002F5",{"id":143,"question_zh":144,"answer_zh":145,"source_url":126},14359,"在 WSL (Windows Subsystem for Linux) 下安装 TensorFlow GPU 失败或有警告怎么办？","在 WSL 下配置 GPU 支持较为复杂，常见问题包括 CUDA 工具包安装成功但 GPU 支持未生效。建议尝试以下方案：\n1. 严格遵循 Nvidia 官方的 'CUDA on WSL User Guide' 进行配置。\n2. 检查依赖项是否完整，特别是驱动程序与 WSL2 内核的兼容性。\n3. 如果直接安装困难，可以考虑使用 Docker 镜像作为替代方案，这通常能避免复杂的依赖问题。",{"id":147,"question_zh":148,"answer_zh":149,"source_url":136},14360,"书中关于 Gym 环境的代码因为 API 变更无法运行怎么办？","Gym 库的最新版本引入了许多破坏性变更（breaking changes），导致旧代码无法运行。\n解决方法：\n1. 确保拉取最新的仓库代码，维护者已经更新了相关笔记本（如第 18 章）以适配最新的 Gym 版本。\n2. 如果必须使用旧代码，需手动调整代码以符合新版 Gym 的 API 规范（例如观察空间和处理步骤的变化），但强烈建议直接使用更新后的官方代码。",[]]