[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-darksigma--Fundamentals-of-Deep-Learning-Book":3,"tool-darksigma--Fundamentals-of-Deep-Learning-Book":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",84991,2,"2026-04-05T10:45:23",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},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。",77062,3,"2026-04-04T04:44:48",[17,13,20,19,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[19,13,20,18],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},3215,"awesome-machine-learning","josephmisiti\u002Fawesome-machine-learning","awesome-machine-learning 是一份精心整理的机器学习资源清单，汇集了全球优秀的机器学习框架、库和软件工具。面对机器学习领域技术迭代快、资源分散且难以甄选的痛点，这份清单按编程语言（如 Python、C++、Go 等）和应用场景（如计算机视觉、自然语言处理、深度学习等）进行了系统化分类，帮助使用者快速定位高质量项目。\n\n它特别适合开发者、数据科学家及研究人员使用。无论是初学者寻找入门库，还是资深工程师对比不同语言的技术选型，都能从中获得极具价值的参考。此外，清单还延伸提供了免费书籍、在线课程、行业会议、技术博客及线下聚会等丰富资源，构建了从学习到实践的全链路支持体系。\n\n其独特亮点在于严格的维护标准：明确标记已停止维护或长期未更新的项目，确保推荐内容的时效性与可靠性。作为机器学习领域的“导航图”，awesome-machine-learning 以开源协作的方式持续更新，旨在降低技术探索门槛，让每一位从业者都能高效地站在巨人的肩膀上创新。",72149,1,"2026-04-03T21:50:24",[20,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},2234,"scikit-learn","scikit-learn\u002Fscikit-learn","scikit-learn 是一个基于 Python 构建的开源机器学习库，依托于 SciPy、NumPy 等科学计算生态，旨在让机器学习变得简单高效。它提供了一套统一且简洁的接口，涵盖了从数据预处理、特征工程到模型训练、评估及选择的全流程工具，内置了包括线性回归、支持向量机、随机森林、聚类等在内的丰富经典算法。\n\n对于希望快速验证想法或构建原型的数据科学家、研究人员以及 Python 开发者而言，scikit-learn 是不可或缺的基础设施。它有效解决了机器学习入门门槛高、算法实现复杂以及不同模型间调用方式不统一的痛点，让用户无需重复造轮子，只需几行代码即可调用成熟的算法解决分类、回归、聚类等实际问题。\n\n其核心技术亮点在于高度一致的 API 设计风格，所有估算器（Estimator）均遵循相同的调用逻辑，极大地降低了学习成本并提升了代码的可读性与可维护性。此外，它还提供了强大的模型选择与评估工具，如交叉验证和网格搜索，帮助用户系统地优化模型性能。作为一个由全球志愿者共同维护的成熟项目，scikit-learn 以其稳定性、详尽的文档和活跃的社区支持，成为连接理论学习与工业级应用的最",65628,"2026-04-05T10:10:46",[20,18,14],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":10,"last_commit_at":63,"category_tags":64,"status":22},3364,"keras","keras-team\u002Fkeras","Keras 是一个专为人类设计的深度学习框架，旨在让构建和训练神经网络变得简单直观。它解决了开发者在不同深度学习后端之间切换困难、模型开发效率低以及难以兼顾调试便捷性与运行性能的痛点。\n\n无论是刚入门的学生、专注算法的研究人员，还是需要快速落地产品的工程师，都能通过 Keras 轻松上手。它支持计算机视觉、自然语言处理、音频分析及时间序列预测等多种任务。\n\nKeras 3 的核心亮点在于其独特的“多后端”架构。用户只需编写一套代码，即可灵活选择 TensorFlow、JAX、PyTorch 或 OpenVINO 作为底层运行引擎。这一特性不仅保留了 Keras 一贯的高层易用性，还允许开发者根据需求自由选择：利用 JAX 或 PyTorch 的即时执行模式进行高效调试，或切换至速度最快的后端以获得最高 350% 的性能提升。此外，Keras 具备强大的扩展能力，能无缝从本地笔记本电脑扩展至大规模 GPU 或 TPU 集群，是连接原型开发与生产部署的理想桥梁。",63927,"2026-04-04T15:24:37",[20,14,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"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":82,"owner_twitter":80,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":80,"difficulty_score":46,"env_os":97,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":103,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":104,"updated_at":105,"faqs":106,"releases":107},2836,"darksigma\u002FFundamentals-of-Deep-Learning-Book","Fundamentals-of-Deep-Learning-Book","Code companion to the O'Reilly \"Fundamentals of Deep Learning\" book","Fundamentals-of-Deep-Learning-Book 是 O'Reilly 畅销书《深度学习基础》（第二版）的官方代码配套资源库。它旨在解决读者在学习深度学习理论时“懂原理却难落地”的痛点，将书中抽象的算法概念转化为可运行、可修改的实际代码，帮助学习者通过动手实践真正掌握技术细节。\n\n这套资源特别适合希望系统构建深度学习知识体系的开发者、人工智能研究人员以及高校学生使用。无论你是想从零开始入门，还是希望更新对新一代智能技术的认知，都能从中获益。其核心亮点在于全面采用当前业界主流的 PyTorch 框架重构了书中所有算法，确保技术栈的现代性与实用性。此外，项目大部分章节内容都以 Google Colab 笔记本形式提供，用户无需在本地繁琐配置环境，即可直接在云端浏览器中运行示例并观察结果；部分章节也提供了 Python 脚本文件，方便进行更灵活的本地开发与调试。作为连接经典教材与工程实践的桥梁，Fundamentals-of-Deep-Learning-Book 让深度学习的学习过程变得更加直观和高效。","# Fundamentals of Deep Learning\n\nThis repository is the code companion to [Fundamentals of Deep Learning, Second Edition](https:\u002F\u002Fwww.amazon.com\u002FFundamentals-Deep-Learning-Next-Generation-Intelligence\u002Fdp\u002F1491925612 \"Fundamentals of Deep Learning\") by Nithin Buduma, [Nikhil Buduma](https:\u002F\u002Fgithub.com\u002Fdarksigma \"Nikhil Buduma\"), and [Joe Papa](https:\u002F\u002Fgithub.com\u002Fjoe-papa \"Joe Papa\"), with contributions from [Nicholas Locascio](https:\u002F\u002Fgithub.com\u002Fnicholaslocascio \"Nicholas Locascio\"). Contributions to the text and code have also been made by [Mostafa Samir](https:\u002F\u002Fgithub.com\u002FMostafa-Samir \"Mostafa Samir\"), [Surya Bhupatiraju](https:\u002F\u002Fgithub.com\u002Fsuryabhupa \"Surya Bhupatiraju\"), and [Anish Athalye](https:\u002F\u002Fgithub.com\u002Fanishathalye \"Anish Athalye\"). All algorithms in the Second Edition are implemented in [PyTorch](https:\u002F\u002Fwww.pytorch.org\u002F \"PyTorch\"), one of the most popular machine learning frameworks.\n\n## Guide to the repository\n\nThis repo contains code from the Second Edition of Fundamentals of Deep Learning, published in 2022. Code from the First Edition can be found in the first_edition_archive folder. The code from each chapter of the Second Edition can be found in the corresponding folder, if code exists for that chapter. Most of the examples in each chapter are given as Google Colab notebooks. In some cases, .py files have also been included for a more convenient execution of the examples.\n\n## Setting up your development environment\nYou can run the Google Colab notebooks directly from this github repo. [See instructions on Using Google Colab with GitHub here](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fgooglecolab\u002Fcolabtools\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fcolab-github-demo.ipynb \"Using Google Colab with Github\").\n\n","# 深度学习基础\n\n本仓库是尼廷·布杜马、尼基尔·布杜马（[Nikhil Buduma](https:\u002F\u002Fgithub.com\u002Fdarksigma \"Nikhil Buduma\")）和乔·帕帕（[Joe Papa](https:\u002F\u002Fgithub.com\u002Fjoe-papa \"Joe Papa\")）合著的《深度学习基础（第二版）》（英文名：Fundamentals of Deep Learning, Second Edition，亚马逊链接：[https:\u002F\u002Fwww.amazon.com\u002FFundamentals-Deep-Learning-Next-Generation-Intelligence\u002Fdp\u002F1491925612](https:\u002F\u002Fwww.amazon.com\u002FFundamentals-Deep-Learning-Next-Generation-Intelligence\u002Fdp\u002F1491925612)）的配套代码库。此外，尼古拉斯·洛卡西奥（[Nicholas Locascio](https:\u002F\u002Fgithub.com\u002Fnicholaslocascio \"Nicholas Locascio\")）也为本书和代码做出了贡献。穆斯塔法·萨米尔（[Mostafa Samir](https:\u002F\u002Fgithub.com\u002FMostafa-Samir \"Mostafa Samir\")）、苏里亚·布帕蒂拉朱（[Surya Bhupatiraju](https:\u002F\u002Fgithub.com\u002Fsuryabhupa \"Surya Bhupatiraju\")）以及阿尼什·阿塔利耶（[Anish Athalye](https:\u002F\u002Fgithub.com\u002Fanishathalye \"Anish Athalye\")）也参与了文本和代码的编写。第二版中的所有算法均使用目前最流行的机器学习框架之一——PyTorch（[https:\u002F\u002Fwww.pytorch.org\u002F](https:\u002F\u002Fwww.pytorch.org\u002F)）实现。\n\n## 仓库使用指南\n\n本仓库包含2022年出版的《深度学习基础》第二版的代码。第一版的代码则位于first_edition_archive文件夹中。第二版各章的代码分别存放在对应的文件夹内，前提是该章确实包含代码。大多数章节的示例都以Google Colab笔记本的形式提供。在某些情况下，为了更便捷地运行示例，还附带了.py格式的脚本文件。\n\n## 开发环境搭建\n\n您可以直接从本GitHub仓库运行Google Colab笔记本。[有关如何将Google Colab与GitHub结合使用的说明，请参阅此处](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fgooglecolab\u002Fcolabtools\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fcolab-github-demo.ipynb \"Using Google Colab with Github\")。","# Fundamentals of Deep Learning 快速上手指南\n\n本指南基于《Fundamentals of Deep Learning, Second Edition》配套代码库，帮助开发者快速搭建环境并运行示例。书中所有算法均使用 **PyTorch** 框架实现。\n\n## 环境准备\n\n- **系统要求**：支持 Windows、macOS 或 Linux 的任意现代操作系统。\n- **前置依赖**：\n  - Python 3.8+\n  - PyTorch（推荐最新稳定版）\n  - Google 账号（用于直接使用 Colab 笔记本，可选）\n  - Git（用于克隆仓库）\n\n> 💡 提示：本项目大部分示例以 **Google Colab 笔记本**形式提供，无需本地安装即可运行。若需本地执行部分 `.py` 文件，请确保已安装 PyTorch。\n\n## 安装步骤\n\n### 方式一：使用 Google Colab（推荐）\n\n1. 访问 [Google Colab](https:\u002F\u002Fcolab.research.google.com\u002F)\n2. 点击 `GitHub` 标签页\n3. 输入仓库地址：`https:\u002F\u002Fgithub.com\u002FPacktPublishing\u002FFundamentals-of-Deep-Learning-Book`\n4. 选择对应章节的 `.ipynb` 文件即可直接运行\n\n> 🌐 国内用户若访问 GitHub 或 Colab 受限，可尝试使用镜像站或代理工具加速访问。\n\n### 方式二：本地运行（可选）\n\n```bash\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002FPacktPublishing\u002FFundamentals-of-Deep-Learning-Book.git\ncd Fundamentals-of-Deep-Learning-Book\n\n# 安装 PyTorch（根据官网指引选择适合你环境的命令）\n# 示例：CPU 版本\npip install torch torchvision torchaudio\n\n# 或 GPU 版本（需 NVIDIA 显卡及 CUDA 支持）\n# pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\n```\n\n> 🇨🇳 国内用户推荐使用清华或阿里镜像源加速安装：\n```bash\npip install torch torchvision torchaudio -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n### 示例：运行第一章的 Colab 笔记\n\n1. 打开浏览器，进入 [Colab + GitHub 集成页面](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fgooglecolab\u002Fcolabtools\u002Fblob\u002Fmaster\u002Fnotebooks\u002Fcolab-github-demo.ipynb)\n2. 替换 URL 为本书仓库中的具体笔记路径，例如：\n   ```\n   https:\u002F\u002Fgithub.com\u002FPacktPublishing\u002FFundamentals-of-Deep-Learning-Book\u002Fblob\u002Fmain\u002Fchapter_01\u002Fintro_to_pytorch.ipynb\n   ```\n3. 点击“在 Colab 中打开”，即可交互式运行代码\n\n### 示例：本地运行 Python 脚本（如存在）\n\n```bash\ncd chapter_01\npython intro_to_pytorch.py\n```\n\n> ⚠️ 注意：并非所有章节都提供 `.py` 文件，优先使用 Colab 笔记本获得最佳体验。","某初创公司的算法工程师团队正试图从零构建一个基于 PyTorch 的图像缺陷检测系统，但团队成员对深度学习的底层原理和最新架构缺乏系统性认知。\n\n### 没有 Fundamentals-of-Deep-Learning-Book 时\n- 团队需自行在碎片化的网络博客和过时的教程中拼凑代码，导致实现的模型架构与书中理论脱节，调试成本极高。\n- 由于缺乏官方提供的标准化 PyTorch 实现参考，工程师在复现卷积神经网络或 Transformer 等核心算法时，常因细节错误陷入数天的无效排查。\n- 新成员上手缓慢，必须手动配置复杂的本地开发环境，且无法直接利用现成的 Google Colab 笔记本进行快速验证和教学演示。\n- 面对第二版新增的生成式 AI 内容，团队只能依赖零散的论文解读，难以将前沿理论转化为可运行的工程代码。\n\n### 使用 Fundamentals-of-Deep-Learning-Book 后\n- 团队直接调用书中各章节对应的官方代码库，确保每一行 PyTorch 实现都与核心理论严格对齐，大幅降低了架构设计的试错率。\n- 借助仓库中提供的完整算法示例，工程师能迅速定位并修正自定义模型中的逻辑漏洞，将核心模块的开发周期从数周缩短至几天。\n- 成员可直接通过 GitHub 链接在 Google Colab 中运行现成的 Notebook 实例，无需配置本地环境即可立即开展实验和内部技术培训。\n- 针对最新的深度学习趋势，团队利用书中更新的代码案例快速搭建了原型系统，实现了从理论概念到工程落地的无缝衔接。\n\nFundamentals-of-Deep-Learning-Book 通过将权威理论与工业级 PyTorch 代码深度绑定，彻底消除了深度学习从“读懂”到“跑通”之间的最后一公里障碍。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdarksigma_Fundamentals-of-Deep-Learning-Book_a791ca20.png","darksigma","Nikhil Buduma","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdarksigma_d60a411f.png","building autonomous capabilities for healthcare",null,"San Francisco, USA","nikhil@ambiencehealthcare.com","http:\u002F\u002Fnikhilbuduma.com","https:\u002F\u002Fgithub.com\u002Fdarksigma",[86,90],{"name":87,"color":88,"percentage":89},"Jupyter Notebook","#DA5B0B",96.6,{"name":91,"color":92,"percentage":93},"Python","#3572A5",3.4,672,298,"2026-03-30T05:37:52","","未说明",{"notes":100,"python":98,"dependencies":101},"本书第二版代码主要基于 PyTorch 框架。大部分示例以 Google Colab 笔记本形式提供，可直接在云端运行，无需本地配置复杂环境。部分章节也提供了 .py 文件以便本地执行。第一版代码归档在 first_edition_archive 文件夹中。",[102],"PyTorch",[18],"2026-03-27T02:49:30.150509","2026-04-06T05:44:08.168396",[],[]]