[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-eriklindernoren--NapkinML":3,"tool-eriklindernoren--NapkinML":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",158594,2,"2026-04-16T23:34:05",[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。",108322,"2026-04-10T11:39:34",[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":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":76,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":89,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":99,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":100,"updated_at":101,"faqs":102,"releases":103},8263,"eriklindernoren\u002FNapkinML","NapkinML","A tiny lib with pocket-sized implementations of machine learning models in NumPy, most of which will fit in a tweet. ","NapkinML 是一个轻量级的机器学习开源库，致力于用极简的 NumPy 代码实现经典算法。它的核心理念是“口袋尺寸”，即每个模型的实现都极其精简，大部分代码甚至能容纳在一条推文之中。\n\n在机器学习领域，成熟的框架往往封装复杂，让初学者难以窥探算法内部的数学原理。NapkinML 正是为了解决这一痛点而生，它剥离了复杂的工程包装，将 K-Means、K 近邻、线性回归、逻辑回归、多层感知机及主成分分析等主流算法的核心逻辑赤裸地呈现出来。通过短短几十行代码，用户即可清晰看到数据如何流动、参数如何更新。\n\n这款工具特别适合开发者、数据科学初学者以及教育研究者使用。对于正在学习机器学习理论的学生，它是理解算法底层机制的绝佳教具；对于需要快速验证想法或进行教学演示的研究人员，它提供了干净、无依赖的代码参考。NapkinML 的独特亮点在于其极致的代码简洁性与透明度，让用户不再被黑盒模型困扰，而是能真正掌握机器学习的本质。","# NapkinML\n\n## About\nPocket-sized implementations of machine learning models, most of which will fit in a tweet.\n\n## Table of Contents\n- [NapkinML](#napkinml)\n  * [About](#about)\n  * [Table of Contents](#table-of-contents)\n  * [Installation](#installation)\n  * [Implementations](#implementations)\n    + [K-Means](#k-means)\n    + [K-Nearest Neighbors](#k-nearest-neighbors)\n    + [Linear Regression](#linear-regression)\n    + [Linear Discriminant Analysis](#linear-discriminant-analysis)\n    + [Logistic Regression](#logistic-regression)\n    + [Multilayer Perceptron](#multilayer-perceptron)\n    + [Principal Component Analysis](#principal-component-analysis)\n\n## Installation\n    $ git clone https:\u002F\u002Fgithub.com\u002Feriklindernoren\u002FNapkinML\n    $ cd NapkinML\n    $ sudo python setup.py install\n\n## Implementations\n### K-Means\n```python\nclass KMeans:\n    def fit(self, X, k, n_iter=200):\n        centers = random.sample(list(X), k)\n        for i in range(n_iter):\n            clusters = np.argmin(cdist(X, centers), axis=1)\n            centers = np.array([X[clusters == c].mean(0) for c in clusters])\n        return clusters\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fkmeans.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_89fa4723a08d.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    Figure: K-Means clustering of the Iris dataset.\n\u003C\u002Fp>\n\n### K-Nearest Neighbors\n```python\nclass KNN:\n    def predict(self, k, Xt, X, y):\n        idx = np.argsort(cdist(Xt, X))[:, :k]\n        y_pred = [np.bincount(y[i]).argmax() for i in idx]\n        return y_pred\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fknn.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_0a01ec078482.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    Figure: Classification of the Iris dataset with K-Nearest Neighbors.\n\u003C\u002Fp>\n\n\n### Linear Regression\n```python\nclass LinearRegression:\n    def fit(self, X, y):\n        self.w = np.linalg.lstsq(X, y, rcond=None)[0]\n    def predict(self, X):\n        return X.dot(self.w)\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Flinear_regression.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_67d714adcc09.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    Figure: Linear Regression.\n\u003C\u002Fp>\n\n### Linear Discriminant Analysis\n```python\nclass LDA:\n    def fit(self, X, y):\n        cov_sum = sum([np.cov(X[y == val], rowvar=False) for val in [0, 1]])\n        mean_diff = X[y == 0].mean(0) - X[y == 1].mean(0)\n        self.w = np.linalg.inv(cov_sum).dot(mean_diff)\n    def predict(self, X):\n        return 1 * (X.dot(self.w) \u003C 0)\n```\n\n\n### Logistic Regression\n```python\nclass LogisticRegression:\n    def fit(self, X, y, n_iter=4000, lr=0.01):\n        self.w = np.random.rand(X.shape[1])\n        for _ in range(n_iter):\n            self.w -= lr * (self.predict(X) - y).dot(X)\n    def predict(self, X):\n        return sigmoid(X.dot(self.w))\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Flogistic_regression.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_0de732abb791.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    Figure: Classification with Logistic Regression.\n\u003C\u002Fp>\n\n### Multilayer Perceptron\n```python\nclass MLP:\n    def fit(self, X, y, n_epochs=4000, lr=0.01, n_units=10):\n        self.w = np.random.rand(X.shape[1], n_units)\n        self.v = np.random.rand(n_units, y.shape[1])\n        for _ in range(n_epochs):\n            h_out = sigmoid(X.dot(self.w))\n            out = softmax(h_out.dot(self.v))\n            self.v -= lr * h_out.T.dot(out - y)\n            self.w -= lr * X.T.dot((out - y).dot(self.v.T) * (h_out * (1 - h_out)))\n    def predict(self, X):\n        return softmax(sigmoid(X.dot(self.w)).dot(self.v))\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fmlp.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_7df7c1cb297b.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    Figure: Classification of the Iris dataset with a Multilayer Perceptron \u003Cbr> with one hidden layer.\n\u003C\u002Fp>\n\n\n### Principal Component Analysis\n```python\nclass PCA:\n    def transform(self, X, dim):\n        _, S, V = np.linalg.svd(X - X.mean(0), full_matrices=True)\n        idx = S.argsort()[::-1][:dim]\n        return X.dot(V[idx].T)\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fpca.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_1ba0f9aa439c.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    Figure: Dimensionality reduction with Principal Component Analysis.\n\u003C\u002Fp>\n","# NapkinML\n\n## 关于\n袖珍版的机器学习模型实现，其中大多数都可以用一条推文来表示。\n\n## 目录\n- [NapkinML](#napkinml)\n  * [关于](#about)\n  * [目录](#table-of-contents)\n  * [安装](#installation)\n  * [实现](#implementations)\n    + [K均值聚类](#k-means)\n    + [K近邻算法](#k-nearest-neighbors)\n    + [线性回归](#linear-regression)\n    + [线性判别分析](#linear-discriminant-analysis)\n    + [逻辑回归](#logistic-regression)\n    + [多层感知机](#multilayer-perceptron)\n    + [主成分分析](#principal-component-analysis)\n\n## 安装\n    $ git clone https:\u002F\u002Fgithub.com\u002Feriklindernoren\u002FNapkinML\n    $ cd NapkinML\n    $ sudo python setup.py install\n\n## 实现\n### K均值聚类\n```python\nclass KMeans:\n    def fit(self, X, k, n_iter=200):\n        centers = random.sample(list(X), k)\n        for i in range(n_iter):\n            clusters = np.argmin(cdist(X, centers), axis=1)\n            centers = np.array([X[clusters == c].mean(0) for c in clusters])\n        return clusters\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fkmeans.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_89fa4723a08d.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    图：鸢尾花数据集的K均值聚类。\n\u003C\u002Fp>\n\n### K近邻算法\n```python\nclass KNN:\n    def predict(self, k, Xt, X, y):\n        idx = np.argsort(cdist(Xt, X))[:, :k]\n        y_pred = [np.bincount(y[i]).argmax() for i in idx]\n        return y_pred\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fknn.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_0a01ec078482.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    图：使用K近邻算法对鸢尾花数据集进行分类。\n\u003C\u002Fp>\n\n\n### 线性回归\n```python\nclass LinearRegression:\n    def fit(self, X, y):\n        self.w = np.linalg.lstsq(X, y, rcond=None)[0]\n    def predict(self, X):\n        return X.dot(self.w)\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Flinear_regression.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_67d714adcc09.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    图：线性回归。\n\u003C\u002Fp>\n\n### 线性判别分析\n```python\nclass LDA:\n    def fit(self, X, y):\n        cov_sum = sum([np.cov(X[y == val], rowvar=False) for val in [0, 1]])\n        mean_diff = X[y == 0].mean(0) - X[y == 1].mean(0)\n        self.w = np.linalg.inv(cov_sum).dot(mean_diff)\n    def predict(self, X):\n        return 1 * (X.dot(self.w) \u003C 0)\n```\n\n\n### 逻辑回归\n```python\nclass LogisticRegression:\n    def fit(self, X, y, n_iter=4000, lr=0.01):\n        self.w = np.random.rand(X.shape[1])\n        for _ in range(n_iter):\n            self.w -= lr * (self.predict(X) - y).dot(X)\n    def predict(self, X):\n        return sigmoid(X.dot(self.w))\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Flogistic_regression.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_0de732abb791.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    图：使用逻辑回归进行分类。\n\u003C\u002Fp>\n\n### 多层感知机\n```python\nclass MLP:\n    def fit(self, X, y, n_epochs=4000, lr=0.01, n_units=10):\n        self.w = np.random.rand(X.shape[1], n_units)\n        self.v = np.random.rand(n_units, y.shape[1])\n        for _ in range(n_epochs):\n            h_out = sigmoid(X.dot(self.w))\n            out = softmax(h_out.dot(self.v))\n            self.v -= lr * h_out.T.dot(out - y)\n            self.w -= lr * X.T.dot((out - y).dot(self.v.T) * (h_out * (1 - h_out)))\n    def predict(self, X):\n        return softmax(sigmoid(X.dot(self.w)).dot(self.v))\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fmlp.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_7df7c1cb297b.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    图：使用具有一个隐藏层的多层感知机对鸢尾花数据集进行分类。\n\u003C\u002Fp>\n\n\n### 主成分分析\n```python\nclass PCA:\n    def transform(self, X, dim):\n        _, S, V = np.linalg.svd(X - X.mean(0), full_matrices=True)\n        idx = S.argsort()[::-1][:dim]\n        return X.dot(V[idx].T)\n```\n\n```\n$ python napkin_ml\u002Fexamples\u002Fpca.py\n```  \n\u003Cp align=\"center\">\n    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_readme_1ba0f9aa439c.png\" width=\"640\">\n\u003C\u002Fp>\n\u003Cp align=\"center\">\n    图：使用主成分分析进行降维。\n\u003C\u002Fp>","# NapkinML 快速上手指南\n\nNapkinML 是一个轻量级的机器学习库，旨在用极少的代码（通常可容纳在一条推文内）实现经典的机器学习算法。它非常适合用于教学、快速原型验证或理解算法核心原理。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux、macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.x\n*   **前置依赖**：\n    *   `numpy` (数值计算)\n    *   `scipy` (部分距离计算依赖，如 `cdist`)\n    *   `matplotlib` (用于运行示例脚本查看可视化结果)\n\n> **提示**：如果尚未安装基础科学计算包，建议使用国内镜像源加速安装：\n> ```bash\n> pip install numpy scipy matplotlib -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n通过 Git 克隆项目仓库并执行安装脚本：\n\n```bash\n$ git clone https:\u002F\u002Fgithub.com\u002Feriklindernoren\u002FNapkinML\n$ cd NapkinML\n$ sudo python setup.py install\n```\n\n> **注意**：如果您没有系统管理员权限，或者希望在虚拟环境中使用，可以省略 `sudo` 并使用 `pip install .` 代替最后一行命令：\n> ```bash\n> $ pip install .\n> ```\n\n## 基本使用\n\nNapkinML 的设计哲学是“极简”。每个算法都封装在一个类中，通常只需调用 `fit` 进行训练和 `predict` 进行预测。\n\n以下以 **K-Means 聚类** 为例，展示最基础的使用流程：\n\n### 1. 代码示例\n\n```python\nfrom napkin_ml import KMeans\nimport numpy as np\n\n# 假设 X 是你的数据集 (n_samples, n_features)\n# 这里生成一些随机数据作为演示\nX = np.random.rand(100, 2)\n\n# 初始化模型\nkmeans = KMeans()\n\n# 训练模型：传入数据 X，聚类数量 k=3，迭代次数 n_iter=200\nclusters = kmeans.fit(X, k=3, n_iter=200)\n\n# clusters 即为每个样本所属的簇标签\nprint(clusters)\n```\n\n### 2. 运行官方示例\n\n项目内置了丰富的示例脚本，可直接运行以观察算法在真实数据集（如 Iris 鸢尾花数据集）上的效果及可视化输出。\n\n运行 K-Means 示例：\n```bash\n$ python napkin_ml\u002Fexamples\u002Fkmeans.py\n```\n\n运行其他算法示例（如逻辑回归）：\n```bash\n$ python napkin_ml\u002Fexamples\u002Flogistic_regression.py\n```\n\n### 支持的核心算法\n\n安装完成后，您可以直接导入并使用以下算法类：\n\n*   **KMeans**: K-均值聚类\n*   **KNN**: K-近邻分类\u002F回归\n*   **LinearRegression**: 线性回归\n*   **LDA**: 线性判别分析\n*   **LogisticRegression**: 逻辑回归\n*   **MLP**: 多层感知机（神经网络）\n*   **PCA**: 主成分分析（降维）","一位数据科学讲师正在准备机器学习入门课程，急需向学生展示 K-Means 聚类和逻辑回归等算法的底层数学原理，而不仅仅是调用黑盒库。\n\n### 没有 NapkinML 时\n- 学生面对 Scikit-learn 等成熟库中数百行的封装代码，难以理解梯度下降或距离计算的核心逻辑。\n- 讲师需要从零手写数模实现，耗费大量时间调试矩阵运算维度错误，挤占了备课精力。\n- 教学代码冗长复杂，无法在单屏内完整展示，导致课堂演示时学生注意力分散，难以建立直观认知。\n- 缺乏轻量级参考实现，初学者往往陷入“只会调包，不懂原理”的困境，遇到报错束手无策。\n\n### 使用 NapkinML 后\n- 核心算法如 KNN 或线性回归的实现被压缩至几十行甚至可放入一条推文，逻辑清晰透明，便于逐行讲解。\n- 讲师直接复用 NapkinML 中经过验证的“口袋版”代码作为教学范例，瞬间完成教案准备，聚焦于数学推导。\n- 极简的代码结构让学生能在几分钟内通读并复现整个模型训练过程，真正掌握从数据输入到参数更新的闭环。\n- 依托 NumPy 的简洁实现，学生能轻松修改学习率或迭代次数进行实验，直观观察超参数对模型收敛的影响。\n\nNapkinML 通过将复杂的机器学习模型浓缩为极简代码，成功打破了算法黑盒，让教育者能高效传授原理，让学习者能透彻理解本质。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Feriklindernoren_NapkinML_89fa4723.png","eriklindernoren","Erik Linder-Norén","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Feriklindernoren_598153e0.jpg","ML engineer at Apple. Excited about machine learning, basketball and building things.",null,"Stockholm, Sweden","eriklindernoren@gmail.com","http:\u002F\u002Fwww.eriklindernoren.se","https:\u002F\u002Fgithub.com\u002Feriklindernoren",[82],{"name":83,"color":84,"percentage":85},"Python","#3572A5",100,570,68,"2026-04-10T20:06:00","MIT",1,"Linux, macOS, Windows","不需要 GPU，仅使用 CPU 运行","未说明（由于是轻量级实现且示例数据集较小，常规开发内存即可满足）",{"notes":95,"python":96,"dependencies":97},"该项目旨在提供极简的机器学习算法实现（代码可容纳在一条推文内），主要用于教学和理解算法原理，而非生产环境高性能计算。安装依赖仅需 NumPy（代码中使用了 np 和 cdist 等函数）。示例运行涉及鸢尾花（Iris）数据集，数据量极小，对硬件无特殊要求。","未说明（根据 'sudo python setup.py install' 推断支持 Python 2.7 或 Python 3.x）",[98],"numpy",[14],"2026-03-27T02:49:30.150509","2026-04-17T08:25:27.504832",[],[]]