[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-daviddao--deep-learning-book":3,"similar-daviddao--deep-learning-book":42},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":9,"readme_en":10,"readme_zh":11,"quickstart_zh":12,"use_case_zh":13,"hero_image_url":14,"owner_login":15,"owner_name":16,"owner_avatar_url":17,"owner_bio":18,"owner_company":19,"owner_location":20,"owner_email":21,"owner_twitter":22,"owner_website":23,"owner_url":24,"languages":22,"stars":25,"forks":26,"last_commit_at":27,"license":22,"difficulty_score":28,"env_os":29,"env_gpu":30,"env_ram":30,"env_deps":31,"category_tags":34,"github_topics":22,"view_count":36,"oss_zip_url":22,"oss_zip_packed_at":22,"status":37,"created_at":38,"updated_at":39,"faqs":40,"releases":41},2145,"daviddao\u002Fdeep-learning-book","deep-learning-book",":book: MIT Deep Learning Book in PDF format","deep-learning-book 是由深度学习领域三位泰斗级专家 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 联合撰写的权威教材《Deep Learning》的 PDF 整合版本。该项目将原本以网页形式发布的麻省理工学院（MIT）官方课程内容，精心整理并合并为单一的 PDF 文件，极大地方便了读者的离线阅读与收藏。\n\n在深度学习资源繁多但质量参差不齐的背景下，deep-learning-book 解决了学习者难以系统获取经典理论知识的痛点。它提供了从基础数学原理到前沿模型架构的完整知识体系，内容严谨且逻辑清晰，是进入机器学习与深度学习领域的最佳入门指南之一。虽然原版网页存在部分符号渲染不佳的问题，但该 PDF 版本致力于提供更流畅的阅读体验。\n\n这份资料特别适合高校学生、人工智能研究人员以及希望夯实理论基础的开发者使用。对于设计师或普通用户而言，若对 AI 底层逻辑有浓厚兴趣，它也是一份不可多得的深度读物。其核心亮点在于内容的权威性与系统性，被誉为深度学习领域的“圣经”，不仅涵盖了神经网络的基础知识，还深入探讨了优化算法、卷积网络、","deep-learning-book 是由深度学习领域三位泰斗级专家 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 联合撰写的权威教材《Deep Learning》的 PDF 整合版本。该项目将原本以网页形式发布的麻省理工学院（MIT）官方课程内容，精心整理并合并为单一的 PDF 文件，极大地方便了读者的离线阅读与收藏。\n\n在深度学习资源繁多但质量参差不齐的背景下，deep-learning-book 解决了学习者难以系统获取经典理论知识的痛点。它提供了从基础数学原理到前沿模型架构的完整知识体系，内容严谨且逻辑清晰，是进入机器学习与深度学习领域的最佳入门指南之一。虽然原版网页存在部分符号渲染不佳的问题，但该 PDF 版本致力于提供更流畅的阅读体验。\n\n这份资料特别适合高校学生、人工智能研究人员以及希望夯实理论基础的开发者使用。对于设计师或普通用户而言，若对 AI 底层逻辑有浓厚兴趣，它也是一份不可多得的深度读物。其核心亮点在于内容的权威性与系统性，被誉为深度学习领域的“圣经”，不仅涵盖了神经网络的基础知识，还深入探讨了优化算法、卷积网络、序列建模等关键技术，帮助读者构建扎实的理论框架，从而更好地应对实际工程挑战或开展学术研究。","# DeepLearningBook\nMIT Deep Learning Book in PDF format\n\nThis book was downloaded in HTML form and conviniently joined as a single PDF file for your enjoyment. Please notice the known issues in the web page, especially with regards to some symbols not rendering well or not at all.\n\nFrom http:\u002F\u002Fwww.deeplearningbook.org\u002F\n\n    An MIT Press book\n\n    Ian Goodfellow, Yoshua Bengio and Aaron Courville\n\n    The Deep Learning textbook is a resource intended to help students and practitioners enter the field of machine learning in general and deep learning in particular. The online version of the book is now complete and will remain available online for free. The print version will be available for sale soon.\n\n    Citing the book\n\n    To cite this book, please use this bibtex entry:\n\n    @unpublished{Goodfellow-et-al-2016-Book,\n        title={Deep Learning},\n        author={Ian Goodfellow, Yoshua Bengio, and Aaron Courville},\n        note={Book in preparation for MIT Press},\n        url={http:\u002F\u002Fwww.deeplearningbook.org},\n        year={2016}\n    }\n","# 深度学习书籍\nMIT深度学习书籍的PDF版本\n\n本书最初以HTML格式下载，并被方便地合并为一个单独的PDF文件，供您阅读。请注意网页上已知的一些问题，尤其是部分符号显示不正常甚至完全无法显示的情况。\n\n摘自 http:\u002F\u002Fwww.deeplearningbook.org\u002F\n\n    MIT出版社出版的图书\n\n    伊恩·古德费洛、约书亚·本吉奥和阿伦·库维尔 著\n\n    《深度学习》一书旨在帮助学生和从业者进入机器学习领域，尤其是深度学习这一分支。该书的在线版现已完成，并将继续免费在线提供。纸质版也将很快上市销售。\n\n    引用本书\n\n    如需引用本书，请使用以下BibTeX条目：\n\n    @unpublished{Goodfellow-et-al-2016-Book,\n        title={Deep Learning},\n        author={Ian Goodfellow, Yoshua Bengio, and Aaron Courville},\n        note={MIT出版社即将出版的书籍},\n        url={http:\u002F\u002Fwww.deeplearningbook.org},\n        year={2016}\n    }","# DeepLearningBook 快速上手指南\n\n`deep-learning-book` 并非一个需要编译或安装依赖的软件工具，而是由 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 编写的经典深度学习教材的 PDF 整合版本。本指南将指导你如何获取并阅读该资源。\n\n## 环境准备\n\n本项目无特定的系统要求或前置依赖，只需具备以下基础环境即可：\n\n*   **操作系统**：Windows、macOS 或 Linux 均可。\n*   **必要软件**：任意标准的 PDF 阅读器（如 Adobe Acrobat Reader, Foxit, 或浏览器内置阅读器）。\n*   **网络环境**：用于下载文件。若访问官方源较慢，建议配置网络加速或使用国内镜像站检索同名资源。\n\n## 安装步骤\n\n由于这是一个文档资源库，无需执行传统的安装命令。请按照以下步骤获取文件：\n\n1.  **克隆仓库或下载源码**\n    如果你希望通过 Git 获取包含 HTML 源文件的仓库（需自行转换），可使用以下命令：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fjanishar\u002Fmit-deep-learning-book-pdf.git\n    ```\n    *注：大多数用户直接下载预生成的 PDF 文件更为便捷。*\n\n2.  **直接下载 PDF 文件**\n    访问项目发布页面或官方资源页下载 `deep_learning_book.pdf`。\n    \n    *   **官方源**：访问 http:\u002F\u002Fwww.deeplearningbook.org\u002F 获取在线版或印刷版信息。\n    *   **国内加速建议**：若 GitHub 下载速度慢，建议使用国内代码托管平台（如 Gitee）搜索同名镜像项目，或使用终端代理加速下载：\n    ```bash\n    # 示例：使用代理加速 git 克隆（请替换为你的实际代理端口）\n    export https_proxy=http:\u002F\u002F127.0.0.1:7890 \n    git clone https:\u002F\u002Fgithub.com\u002Fjanishar\u002Fmit-deep-learning-book-pdf.git\n    ```\n\n## 基本使用\n\n获取 `deep_learning_book.pdf` 文件后，即可开始学习：\n\n1.  **打开文件**\n    双击下载的 PDF 文件，或使用命令行打开（以 macOS\u002FLinux 为例）：\n    ```bash\n    open deep_learning_book.pdf\n    ```\n    或在 Windows PowerShell 中：\n    ```powershell\n    Start-Process deep_learning_book.pdf\n    ```\n\n2.  **引用本书**\n    若在学术研究或文章中引用此书，请使用以下 BibTeX 条目：\n    ```bibtex\n    @unpublished{Goodfellow-et-al-2016-Book,\n        title={Deep Learning},\n        author={Ian Goodfellow, Yoshua Bengio, and Aaron Courville},\n        note={Book in preparation for MIT Press},\n        url={http:\u002F\u002Fwww.deeplearningbook.org},\n        year={2016}\n    }\n    ```\n\n**注意**：部分数学符号在 PDF 渲染中可能存在显示不全的情况，如遇此问题，建议对照官方网站的 HTML 版本查看。","一名刚入门深度学习的研究员正试图系统掌握神经网络基础，却因网络资源分散而难以高效构建知识体系。\n\n### 没有 deep-learning-book 时\n- 需要在浏览器中逐章浏览在线网页，频繁跳转导致阅读思路经常被打断，难以形成连贯的逻辑框架。\n- 遇到复杂的数学公式或特殊符号时，网页渲染不稳定导致显示乱码或缺失，严重影响对核心算法的理解。\n- 无法在无网络环境（如通勤途中或实验室断网时）查阅资料，学习进度完全受制于网络连接状态。\n- 缺乏统一的引用格式指引，在撰写论文或技术报告时，花费大量时间手动整理参考文献信息。\n\n### 使用 deep-learning-book 后\n- 直接获取完整的 PDF 单文件，支持离线随时随地深度阅读，利用本地标注功能轻松构建个人知识图谱。\n- 经过整理的文档修复了部分网页端的渲染缺陷，确保矩阵运算和梯度推导等关键公式清晰准确，降低认知门槛。\n- 依托便携式格式，可在平板或电子阅读器上流畅学习，充分利用碎片化时间进行系统性复习与查漏补缺。\n- 书中内置标准的 BibTeX 引用条目，一键复制即可用于学术论文，大幅规范了科研写作流程并节省校对时间。\n\ndeep-learning-book 将碎片化的在线教程转化为结构严谨的离线知识库，让深度学习理论学习从“被动浏览”升级为“主动研读”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fdaviddao_deep-learning-book_ccf56cb4.png","daviddao","David Dao","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fdaviddao_88e9023f.jpg","Chief Scientist @gainforest & R&D Co-Lead @Protocol, Advisor @hypercerts-org ","@GainForest @protocol @hypercerts-org","onchain","david@gainforest.net",null,"daviddao.org","https:\u002F\u002Fgithub.com\u002Fdaviddao",557,1910,"2026-03-02T16:51:59",1,"","未说明",{"notes":32,"python":30,"dependencies":33},"该工具仅为《深度学习》书籍的 PDF 文件，无需任何计算资源、编程语言环境或依赖库。用户只需具备能阅读 PDF 文件的操作系统和软件即可使用。",[],[35],"其他",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T06:53:15.810077",[],[],[43,59,68,76,84,92],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":36,"last_commit_at":49,"category_tags":50,"status":37},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",[51,52,53,54,55,35,56,57,58],"图像","数据工具","视频","插件","Agent","语言模型","开发框架","音频",{"id":60,"name":61,"github_repo":62,"description_zh":63,"stars":64,"difficulty_score":65,"last_commit_at":66,"category_tags":67,"status":37},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",[55,51,57,56,35],{"id":69,"name":70,"github_repo":71,"description_zh":72,"stars":73,"difficulty_score":65,"last_commit_at":74,"category_tags":75,"status":37},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",[56,51,57,35],{"id":77,"name":78,"github_repo":79,"description_zh":80,"stars":81,"difficulty_score":28,"last_commit_at":82,"category_tags":83,"status":37},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,"2026-04-03T21:50:24",[57,35],{"id":85,"name":86,"github_repo":87,"description_zh":88,"stars":89,"difficulty_score":28,"last_commit_at":90,"category_tags":91,"status":37},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",[57,35,52],{"id":93,"name":94,"github_repo":95,"description_zh":96,"stars":97,"difficulty_score":36,"last_commit_at":98,"category_tags":99,"status":37},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",[57,52,35]]