[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-carefree0910--MachineLearning":3,"similar-carefree0910--MachineLearning":87},{"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":15,"owner_location":18,"owner_email":19,"owner_twitter":15,"owner_website":20,"owner_url":21,"languages":22,"stars":31,"forks":32,"last_commit_at":33,"license":34,"difficulty_score":35,"env_os":36,"env_gpu":37,"env_ram":37,"env_deps":38,"category_tags":44,"github_topics":46,"view_count":51,"oss_zip_url":15,"oss_zip_packed_at":15,"status":52,"created_at":53,"updated_at":54,"faqs":55,"releases":86},2584,"carefree0910\u002FMachineLearning","MachineLearning","Machine learning algorithms implemented by pure numpy","MachineLearning 是一个专为教育目的打造的 Python 机器学习库，其核心特色在于完全使用纯 NumPy 从零实现了各类经典机器学习算法。它主要解决了学习者在理解算法原理时面临的“黑盒”难题：通过摒弃高级框架的自动封装，让使用者能直观地看到数学公式如何转化为代码逻辑，从而深入掌握梯度下降、反向传播等底层机制。\n\n除了基础的 NumPy 实现，该项目还独特地提供了基于 TensorFlow 和 PyTorch 的后端支持，覆盖了神经网络（NN）和支持向量机（SVM）等复杂模型，方便用户对比不同底层架构的实现差异。对于开发者、计算机专业学生以及人工智能研究人员而言，MachineLearning 是理想的入门教具和原理验证平台。它不适合追求快速落地商业项目的普通用户，但非常适合希望夯实数学基础、探究算法本质的技术爱好者。值得一提的是，作者已推出更精简优雅的升级版 carefree-ml，但本项目依然保留了丰富的教学细节，配合详细的知乎专栏与博客文档，能帮助读者循序渐进地构建完整的机器学习知识体系。","# MachineLearning\n\n#### Update! (2020.05.31)\nA simplified (and more elegant) version: [carefree-ml](https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002Fcarefree-ml)\n\n---\n\nA Python ML package mainly for educational use.\n\nImplemented with `Numpy`\n\nImplemented `Tensorflow` & `PyTorch` backend for [NN](https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Ftree\u002Fmaster\u002FNN) & [SVM](https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Ftree\u002Fmaster\u002Fe_SVM)\n\n“文档”可以参见[知乎专栏](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fcarefree0910-pyml)或[博客](https:\u002F\u002Fmlblog.carefree0910.me)\n","# 机器学习\n\n#### 更新！（2020年5月31日）\n一个更简化（且更优雅）的版本：[carefree-ml](https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002Fcarefree-ml)\n\n---\n\n一个主要用于教学的 Python 机器学习库。\n\n使用 `Numpy` 实现。\n\n为 [神经网络](https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Ftree\u002Fmaster\u002FNN) 和 [支持向量机](https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Ftree\u002Fmaster\u002Fe_SVM) 提供了 `TensorFlow` 和 `PyTorch` 后端。\n\n“文档”可参见[知乎专栏](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fcarefree0910-pyml)或[博客](https:\u002F\u002Fmlblog.carefree0910.me)。","# MachineLearning 快速上手指南\n\n## 环境准备\n\n- **操作系统**：Windows \u002F macOS \u002F Linux\n- **Python 版本**：建议 Python 3.6+\n- **前置依赖**：\n  - `Numpy`（核心依赖）\n  - 可选后端：`Tensorflow` 或 `PyTorch`（用于神经网络和 SVM 模块）\n\n> 💡 提示：国内用户推荐使用清华或阿里镜像源加速安装。\n\n## 安装步骤\n\n1. 克隆项目仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning.git\ncd MachineLearning\n```\n\n2. 安装基础依赖（使用国内镜像）：\n```bash\npip install numpy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n3. （可选）安装深度学习后端：\n```bash\n# 安装 TensorFlow\npip install tensorflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 或安装 PyTorch (请根据官网选择对应命令)\npip install torch torchvision -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n本项目主要用于教育学习，以下是一个基于 Numpy 的简单线性回归示例：\n\n```python\nimport numpy as np\nfrom ML.LinearRegression import LinearRegression\n\n# 准备数据\nX = np.array([[1], [2], [3], [4]])\ny = np.array([2, 4, 6, 8])\n\n# 初始化并训练模型\nmodel = LinearRegression()\nmodel.fit(X, y)\n\n# 预测\nprint(model.predict(np.array([[5]])))  # 输出接近 10\n```\n\n如需使用神经网络或 SVM 模块，请参考项目中 `NN` 和 `e_SVM` 目录下的具体实现及参数配置。\n\n更多详细教程与原理讲解，可访问作者知乎专栏或博客：\n- 知乎专栏：https:\u002F\u002Fzhuanlan.zhihu.com\u002Fcarefree0910-pyml\n- 个人博客：https:\u002F\u002Fmlblog.carefree0910.me","某高校数据科学讲师正计划为学生开设一门机器学习原理课程，需要让学生在不依赖黑盒框架的前提下，深入理解算法背后的数学推导与实现细节。\n\n### 没有 MachineLearning 时\n- 学生直接调用 Scikit-learn 或 TensorFlow 等高级库，只能学会“调包”流程，完全无法洞察梯度下降、反向传播等核心机制的内部运作。\n- 若尝试从零手写算法，需自行处理繁琐的矩阵运算和数值稳定性问题，大量时间浪费在调试底层 Numpy 代码而非理解算法逻辑上。\n- 缺乏统一的教学代码标准，不同算法的实现风格迥异，导致学生难以建立系统的知识框架，学习曲线极其陡峭。\n- 想要对比不同后端（如纯 Numpy 与 PyTorch）的实现差异时，需要分别寻找多个来源的代码，环境配置复杂且难以维护。\n\n### 使用 MachineLearning 后\n- 借助 MachineLearning 提供的纯 Numpy 实现，学生可直接阅读简洁透明的源码，清晰看到每一个数学公式如何转化为代码，真正掌握算法本质。\n- 内置的标准实现规避了底层数值计算陷阱，让学生能专注于模型结构与超参数对结果的影响，大幅降低入门门槛。\n- 所有算法采用一致的课程化代码风格，配合详细的知乎专栏与博客文档，帮助学生快速构建起完整的机器学习知识体系。\n- 项目原生支持切换 Numpy、TensorFlow 及 PyTorch 后端，学生可在同一套接口下直观对比不同计算框架的实现差异，深化对工程落地的理解。\n\nMachineLearning 通过将复杂的工业级算法还原为纯净的教学代码，成功架起了数学理论与工程实践之间的桥梁。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcarefree0910_MachineLearning_159a4970.png","carefree0910",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcarefree0910_72f93ca8.jpg","一个啥都想学的浮莲子","Peking University","syameimaru.saki@gmail.com","carefree0910.me","https:\u002F\u002Fgithub.com\u002Fcarefree0910",[23,27],{"name":24,"color":25,"percentage":26},"Jupyter Notebook","#DA5B0B",63.6,{"name":28,"color":29,"percentage":30},"Python","#3572A5",36.4,1092,718,"2026-04-01T22:58:17","MIT",1,"","未说明",{"notes":39,"python":37,"dependencies":40},"该工具主要用于教育目的。核心算法基于 Numpy 实现，同时为神经网络 (NN) 和支持向量机 (SVM) 提供了 TensorFlow 和 PyTorch 后端支持。作者推荐查看其更新的简化版本 carefree-ml。",[41,42,43],"numpy","tensorflow","torch",[45],"开发框架",[41,47,48,49,42,50],"machine-learning","deep-learning","visualization","pytorch",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T05:16:05.024633",[56,61,66,71,76,81],{"id":57,"question_zh":58,"answer_zh":59,"source_url":60},11963,"在 TensorFlow 2.x 版本中运行代码报错 'TypeError: unsupported operand type(s) for +: 'int' and 'str'' 怎么办？","该错误是因为项目代码是基于较老版本的 TensorFlow 编写的，与 TensorFlow 2.x 存在兼容性问题。建议尝试使用旧版本的 TensorFlow（如 1.x 系列）来运行此项目，或者需要手动修改源码以适配 TF 2.x 的 API。","https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Fissues\u002F33",{"id":62,"question_zh":63,"answer_zh":64,"source_url":65},11964,"使用 'mushroom.txt' 数据集进行朴素贝叶斯训练时出现 'TypeError: Cannot cast array data from dtype('float64') to dtype('int64')' 错误如何解决？","这是因为标签数据（y）的类型是 float64，而 np.bincount 需要 int64 类型。解决方法是将拟合代码中的 `nb.fit(_x, _y)` 修改为 `nb.fit(_x, np.asarray(_y, np.int))`，强制将标签转换为整数类型。","https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Fissues\u002F3",{"id":67,"question_zh":68,"answer_zh":69,"source_url":70},11965,"代码中的 'TimingMeta' 元类是什么作用？","TimingMeta 是一个用于辅助计时的工具类，属于 Python 的元类（metaclass）特性。如果希望深入了解元类的相关知识，可以参考作者在其知乎专栏中撰写的相关技术文章。","https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Fissues\u002F2",{"id":72,"question_zh":73,"answer_zh":74,"source_url":75},11966,"在 Windows 10 环境下运行 NN.py 时遇到 'module 'subprocess' has no attribute 'mswindows'' 错误，该项目支持 Windows 吗？","该项目可以在 Windows 10 环境下正常运行。遇到的错误通常是由于本地 Python 环境或依赖库（如 PySide、matplotlib 等）安装配置不当引起的，建议检查并重新配置相关的开发环境。","https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Fissues\u002F4",{"id":77,"question_zh":78,"answer_zh":79,"source_url":80},11967,"运行代码时报错 'AttributeError: 'list' object has no attribute 'clear'' 是什么原因？","该错误表明代码试图在一个列表对象上调用 `.clear()` 方法，但当前 Python 版本或上下文中的列表对象不支持此操作（通常发生在极旧的 Python 版本中）。由于缺乏具体上下文，建议检查 Python 版本是否过低，或确认变量类型是否正确。","https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Fissues\u002F7",{"id":82,"question_zh":83,"answer_zh":84,"source_url":85},11968,"在哪里可以找到该项目配套的详细教程或专栏文章？","作者已采纳建议，会在 README 文件中挂载专栏链接。在此之前，用户可以关注作者的知乎专栏以获取相关的机器学习教程和代码解析。","https:\u002F\u002Fgithub.com\u002Fcarefree0910\u002FMachineLearning\u002Fissues\u002F1",[],[88,99,108,116,124,137],{"id":89,"name":90,"github_repo":91,"description_zh":92,"stars":93,"difficulty_score":94,"last_commit_at":95,"category_tags":96,"status":52},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",[45,97,98],"图像","Agent",{"id":100,"name":101,"github_repo":102,"description_zh":103,"stars":104,"difficulty_score":51,"last_commit_at":105,"category_tags":106,"status":52},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,"2026-04-05T11:33:21",[45,98,107],"语言模型",{"id":109,"name":110,"github_repo":111,"description_zh":112,"stars":113,"difficulty_score":51,"last_commit_at":114,"category_tags":115,"status":52},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",[45,97,98],{"id":117,"name":118,"github_repo":119,"description_zh":120,"stars":121,"difficulty_score":51,"last_commit_at":122,"category_tags":123,"status":52},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",[45,107],{"id":125,"name":126,"github_repo":127,"description_zh":128,"stars":129,"difficulty_score":51,"last_commit_at":130,"category_tags":131,"status":52},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",[97,132,133,134,98,135,107,45,136],"数据工具","视频","插件","其他","音频",{"id":138,"name":139,"github_repo":140,"description_zh":141,"stars":142,"difficulty_score":94,"last_commit_at":143,"category_tags":144,"status":52},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",[98,97,45,107,135]]