[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-anhquan0412--basic_model_scratch":3,"tool-anhquan0412--basic_model_scratch":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",160784,2,"2026-04-19T11:32:54",[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。",109154,"2026-04-18T11:18:24",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":76,"owner_location":77,"owner_email":76,"owner_twitter":76,"owner_website":78,"owner_url":79,"languages":80,"stars":89,"forks":90,"last_commit_at":91,"license":76,"difficulty_score":92,"env_os":93,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":104,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":124},9763,"anhquan0412\u002Fbasic_model_scratch","basic_model_scratch","Implementation of some classic Machine Learning model from scratch and benchmarking against popular ML library","basic_model_scratch 是一个专注于“从零实现”经典机器学习算法的开源项目。它旨在通过仅使用 Python 及基础的 NumPy、Pandas 函数，手动构建线性回归、逻辑回归、随机森林、K 近邻以及包含多层结构和多种优化器的神经网络等模型，并将这些自研实现与成熟的 Scikit-learn 库进行性能基准对比，以验证算法的正确性与效率。\n\n该项目主要解决了学习者难以深入理解算法内部数学原理与代码细节的痛点。许多现成库虽然功能强大，但往往封装过度，掩盖了底层逻辑。basic_model_scratch 通过剥离高级抽象，让使用者能清晰看到权重衰减、动态学习率优化（如 Momentum、Adam）、Dropout 等关键技术的具体落地过程。此外，项目还包含了基于 PyTorch 但不依赖高层 API 的进阶实践，如自定义数据加载、数据增强及自编码器等，进一步拓展了深度学习的探索边界。\n\n这款工具非常适合希望夯实算法基础的开发者、计算机专业学生以及人工智能研究人员。对于想要摆脱“调包侠”身份、深入探究模型底层机制的学习者而言，basic_model_scratch 提供了极","basic_model_scratch 是一个专注于“从零实现”经典机器学习算法的开源项目。它旨在通过仅使用 Python 及基础的 NumPy、Pandas 函数，手动构建线性回归、逻辑回归、随机森林、K 近邻以及包含多层结构和多种优化器的神经网络等模型，并将这些自研实现与成熟的 Scikit-learn 库进行性能基准对比，以验证算法的正确性与效率。\n\n该项目主要解决了学习者难以深入理解算法内部数学原理与代码细节的痛点。许多现成库虽然功能强大，但往往封装过度，掩盖了底层逻辑。basic_model_scratch 通过剥离高级抽象，让使用者能清晰看到权重衰减、动态学习率优化（如 Momentum、Adam）、Dropout 等关键技术的具体落地过程。此外，项目还包含了基于 PyTorch 但不依赖高层 API 的进阶实践，如自定义数据加载、数据增强及自编码器等，进一步拓展了深度学习的探索边界。\n\n这款工具非常适合希望夯实算法基础的开发者、计算机专业学生以及人工智能研究人员。对于想要摆脱“调包侠”身份、深入探究模型底层机制的学习者而言，basic_model_scratch 提供了极佳的代码参考与实践路径，帮助你在动手复现中真正掌握机器学习的核心精髓。","# Machine Learning from scratch!\n\nUpdate: Code implementations have been moved to python module. Notebook will only show results and model comparison\n\nTo refresh my knowledge, I will attempt to implement some basic machine learning algorithms from scratch using only python and limited numpy\u002Fpandas function.\nMy model implementations will be compared to existing models from popular ML library (sklearn)\n- [Linear Regression with weight decay (L2 regularization)](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Flinear_regression.ipynb)\n- [Logistic Regression with weight decay](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Flogistic_regression.ipynb)\n- Random Forest with Permutation Feature Importances\n\t- [Random Forest Regressor](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Frandom_forest_regressor.ipynb)\n\t- [Random Forest Classifier](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Frandom_forest_classifier.ipynb)\n- [K Nearest Neighbors: supervised and unsupervised](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fknn.ipynb)\n- [Neural network for classification](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fscratch_neural_net.ipynb)\n\t- Stochastic Gradient Descent\n\t- Multiple hidden layers\n\t- Variety of activation functions + gradients (Sigmoid, Softmax, ReLU ...) customized for each hidden layer\n\t- L2 regularization\n\t- Dropout\n\t- [Dynamic learning rate optimizer](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fneural_net_optimizers.ipynb) (momentum, RMSProp and Adam)\n    - TODO: batchnorm\n\nThe following notebooks uses Pytorch libraries so they are not implemented from scratch. However, I try not to use any high level Pytorch function\n- [Pytorch Neural Network](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002FNN_pytorch.ipynb) with: \n\t- Custom Data Loader\n\t- Data Augmentation on 1 channel image: torchvision vs fastai\n\t- Shallow NN with batchnorm and dropout\n\t- Learning rate finder\n- [Auto Encoding](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fautoencoder.ipynb)\n- [Collaborative Filtering](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fcollab_filtering.ipynb)\n- [Char RNN in Vietnamese (Fast.ai)](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Frnn-vietnamese.ipynb)\n","# 从零开始的机器学习！\n\n更新：代码实现已迁移到 Python 模块中。Notebook 将仅展示结果和模型对比。\n\n为了重温基础知识，我将尝试仅使用 Python 和有限的 NumPy\u002F pandas 函数，从头实现一些基础的机器学习算法。我的模型实现将与流行机器学习库（如 scikit-learn）中的现有模型进行比较：\n\n- [带有权重衰减（L2 正则化）的线性回归](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Flinear_regression.ipynb)\n- [带有权重衰减的逻辑回归](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Flogistic_regression.ipynb)\n- 随机森林及其排列特征重要性\n  - [随机森林回归器](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Frandom_forest_regressor.ipynb)\n  - [随机森林分类器](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Frandom_forest_classifier.ipynb)\n- [K 最近邻：监督与非监督](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fknn.ipynb)\n- [用于分类的神经网络](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fscratch_neural_net.ipynb)\n  - 随机梯度下降\n  - 多个隐藏层\n  - 各种激活函数及其导数（Sigmoid、Softmax、ReLU 等），并为每个隐藏层单独定制\n  - L2 正则化\n  - Dropout\n  - [动态学习率优化器](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fneural_net_optimizers.ipynb)（Momentum、RMSProp 和 Adam）\n  - 待办事项：批量归一化\n\n以下 Notebook 使用了 PyTorch 库，因此并非完全从零实现。不过，我尽量避免使用任何高级的 PyTorch 函数：\n\n- [PyTorch 神经网络](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002FNN_pytorch.ipynb)，包含：\n  - 自定义数据加载器\n  - 单通道图像的数据增强：torchvision 与 fastai 的对比\n  - 带有批量归一化和 Dropout 的浅层神经网络\n  - 学习率查找器\n- [自编码器](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fautoencoder.ipynb)\n- [协同过滤](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Fcollab_filtering.ipynb)\n- [越南语字符级 RNN（Fast.ai）](https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fblob\u002Fmaster\u002Frnn-vietnamese.ipynb)","# basic_model_scratch 快速上手指南\n\n`basic_model_scratch` 是一个旨在通过仅使用 Python 和基础的 NumPy\u002FPandas 功能，从零实现经典机器学习算法的教育型项目。该项目将自定义实现的模型与 Scikit-learn 等主流库进行对比，适合希望深入理解算法原理的开发者。\n\n## 环境准备\n\n本项目主要依赖 Python 基础数据科学栈。部分高级示例（如 PyTorch 相关笔记）需要额外安装深度学习框架。\n\n*   **操作系统**：Windows \u002F macOS \u002F Linux\n*   **Python 版本**：推荐 Python 3.8+\n*   **核心依赖**：\n    *   `numpy`\n    *   `pandas`\n    *   `matplotlib` (用于可视化结果)\n    *   `scikit-learn` (用于模型对比基准)\n*   **可选依赖**（针对 PyTorch 部分）：\n    *   `torch`\n    *   `torchvision`\n    *   `fastai` (针对越南语 RNN 示例)\n\n## 安装步骤\n\n1.  **克隆仓库**\n    首先从 GitHub 获取源代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch.git\n    cd basic_model_scratch\n    ```\n\n2.  **安装依赖**\n    建议创建虚拟环境后安装依赖。由于原仓库未提供 `requirements.txt`，请手动安装核心库。\n    \n    *使用官方源：*\n    ```bash\n    pip install numpy pandas matplotlib scikit-learn jupyter\n    ```\n\n    *使用国内镜像源（推荐中国开发者）：*\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy pandas matplotlib scikit-learn jupyter\n    ```\n\n    *(可选) 若需运行 PyTorch 相关 Notebook，请安装 torch 及相关库：*\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple torch torchvision fastai\n    ```\n\n## 基本使用\n\n本项目主要由 Jupyter Notebooks 组成，每个 Notebook 对应一个算法的实现与演示。\n\n1.  **启动 Jupyter Lab\u002FNotebook**\n    在项目根目录下运行：\n    ```bash\n    jupyter lab\n    # 或者\n    jupyter notebook\n    ```\n\n2.  **选择示例运行**\n    在浏览器打开的界面中，根据你想学习的算法选择对应的 `.ipynb` 文件。\n\n    *   **线性回归 (含 L2 正则化)**:\n        打开 `linear_regression.ipynb`，按顺序执行单元格，观察从零实现的梯度下降过程及与 sklearn 结果的对比。\n\n    *   **神经网络分类器**:\n        打开 `scratch_neural_net.ipynb`，该示例展示了包含多层隐藏层、多种激活函数（Sigmoid, ReLU 等）、Dropout 及动态学习率优化器（Adam, RMSProp）的手写神经网络。\n\n    *   **随机森林**:\n        打开 `random_forest_regressor.ipynb` 或 `random_forest_classifier.ipynb`，学习如何从头构建决策树集成并计算排列特征重要性。\n\n3.  **代码逻辑概览**\n    大多数 Notebook 遵循以下结构：\n    *   数据加载与预处理（仅使用 Pandas\u002FNumPy）。\n    *   定义模型类（包含 `fit` 和 `predict` 方法）。\n    *   手动实现损失函数与反向传播（针对神经网络）。\n    *   训练模型并绘制损失曲线。\n    *   调用 `sklearn` 同名模型进行效果对比验证。\n\n> **注意**：根据 README 更新说明，核心代码实现已迁移至 Python 模块，Notebook 主要用于展示运行结果和模型对比分析。如需修改算法逻辑，建议直接查看项目中对应的 `.py` 文件（如有）或在 Notebook 中直接修改代码单元格。","某高校数据科学讲师正准备开设一门“机器学习原理”课程，急需向学生直观展示算法内部运作机制，而非仅仅调用黑盒库。\n\n### 没有 basic_model_scratch 时\n- 学生只能依赖 Scikit-learn 等高级库的封装函数，无法理解线性回归中 L2 正则化或神经网络反向传播的具体数学推导过程。\n- 讲师若要手写教学代码，需从零构建随机森林的特征重要性评估或动态学习率优化器，耗费数周时间且容易引入实现错误。\n- 缺乏统一的基准对比环境，难以在同一框架下直观比较“从零实现”的模型与工业级库模型在精度和性能上的差异。\n- 教学资源分散，神经网络部分涉及 SGD、Adam 优化器及 Dropout 等复杂组件时，缺少结构清晰的参考代码供学生调试学习。\n\n### 使用 basic_model_scratch 后\n- 学生可直接阅读仅基于 Python 和基础 NumPy 实现的代码，清晰看到逻辑回归权重更新及神经网络各层激活函数的梯度计算细节。\n- 讲师直接复用项目中已完成的随机森林分类器及支持动量、RMSProp 的动态优化器代码，将备课重心从“写代码”转向“讲原理”。\n- 利用项目自带的 Benchmark 笔记，课堂演示能实时展示从零实现模型与 Sklearn 标准模型的效果对比，验证理论正确性。\n- 提供从浅层网络到自编码器、协同过滤的完整案例链，学生可基于现成的越南语字符 RNN 等进阶示例深入探索深度学习架构。\n\nbasic_model_scratch 通过将经典算法“白盒化”并提供权威基准对比，成功架起了机器学习理论推导与工程实践之间的桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fanhquan0412_basic_model_scratch_e4860d02.png","anhquan0412","Quan Tran","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fanhquan0412_035a87f5.png",null,"Perth, WA","https:\u002F\u002Fanhquan0412.github.io","https:\u002F\u002Fgithub.com\u002Fanhquan0412",[81,85],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",99.2,{"name":86,"color":87,"percentage":88},"Python","#3572A5",0.8,595,165,"2026-03-07T14:37:18",1,"","未说明",{"notes":96,"python":94,"dependencies":97},"该项目主要旨在仅使用 Python 和基础的 numpy\u002Fpandas 从头实现机器学习算法，并与 sklearn 进行对比。部分高级笔记本（如 PyTorch 神经网络、自动编码器、RNN 等）依赖 PyTorch、torchvision 和 fastai 库，但作者尝试不使用高级封装函数。README 中未明确指定具体的操作系统、GPU 型号、内存大小或 Python 版本要求。",[98,99,100,101,102,103],"numpy","pandas","scikit-learn","torch","torchvision","fastai",[14,105],"其他","2026-03-27T02:49:30.150509","2026-04-20T04:04:32.975581",[109,114,119],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},43844,"运行代码时出现 TypeError: torch.index_select 参数无效错误，该如何解决？","该错误通常是因为部分代码未在 GPU 环境下运行，导致移除了 '.cuda()' 函数。如果您在 GPU 上运行，需要显式地将模型移动到 GPU。请按照以下步骤修改代码：\n1. 在实例化模型后添加 .cuda()，例如：em_model = EmbeddingMult(n_factors,cf.n_users,cf.n_items).cuda()\n2. 继续初始化后续组件：\n   model = CollabFilterModel(em_model)\n   learner = CollabFilterLearner(cf.get_data(val_idxs,bs),model,opt_fn=optim.Adam)\n   learner.fit(1e-2, 3, wds=1e-4, cycle_len=1,cycle_mult=2)","https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fissues\u002F1",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},43845,"如何修正 Adam 优化器结合 L2 正则化的实现以符合 AdamW 的标准？","原有的实现方式不正确，应通过引入权重衰减项（weight decay）并在梯度指数移动平均之后应用它来修正为 AdamW。具体修改步骤如下：\n1. 删除原代码第 97 行。\n2. 将第 100 行修改为：self.weights[i][0]-= lr*(grad_w + (l2\u002Fbs) * self.weights[i][0])\n这样可以在更新权重时正确地在梯度步之后应用权重衰减，符合 AdamW 的原理。","https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fissues\u002F2",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},43846,"关于随机森林代码中时间相关特征顺序混合的注释是否准确？","原注释内容不准确。由于代码中并没有进行训练集和验证集的划分（train-val set split），sample_idxs 仅用于训练。因此，即使时间相关特征的顺序是混合的也没有关系，因为在选择最佳分割点时，这些特征无论如何都会被排序。","https:\u002F\u002Fgithub.com\u002Fanhquan0412\u002Fbasic_model_scratch\u002Fissues\u002F3",[]]