[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-exacity--simplified-deeplearning":3,"tool-exacity--simplified-deeplearning":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":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":81,"owner_location":81,"owner_email":81,"owner_twitter":81,"owner_website":81,"owner_url":82,"languages":83,"stars":91,"forks":92,"last_commit_at":93,"license":81,"difficulty_score":46,"env_os":80,"env_gpu":94,"env_ram":94,"env_deps":95,"category_tags":100,"github_topics":81,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":22,"created_at":101,"updated_at":102,"faqs":103,"releases":144},3092,"exacity\u002Fsimplified-deeplearning","simplified-deeplearning","Simplified implementations of deep learning related works","simplified-deeplearning 是一个专注于深度学习理论落地与实践的开源学习项目。它围绕经典著作《Deep Learning Book》（花书）的核心脉络，将书中深奥的数学基础、机器学习原理及各类神经网络架构转化为通俗易懂的中文笔记。\n\n针对开发者在研读大部头英文原版教材时面临的语言障碍与理论抽象难懂等痛点，该项目不仅提供了系统的知识梳理，更关键的是附带了基于 PyTorch 和 TensorFlow 框架的可运行代码示例。从线性代数等数学基石，到卷积网络（CNN）、循环网络（RNN\u002FLSTM）、生成对抗网络（GAN）等前沿模型，每一个知识点都配有具体的实现方案，甚至包含如“古诗生成”等趣味实战案例，帮助用户直观理解算法逻辑。\n\n该工具非常适合希望系统构建深度学习理论体系的 AI 研究人员、需要快速上手核心算法的开发者，以及计算机相关专业的学生。其独特的技术亮点在于“理论 + 代码”的双轨驱动模式：既保留了原书的严谨学术框架，又通过 Jupyter Notebook 形式的交互式代码降低了复现门槛，让读者能在动手实践中真正掌握深度学习的精髓，是连接高深理论与工程实践的理","simplified-deeplearning 是一个专注于深度学习理论落地与实践的开源学习项目。它围绕经典著作《Deep Learning Book》（花书）的核心脉络，将书中深奥的数学基础、机器学习原理及各类神经网络架构转化为通俗易懂的中文笔记。\n\n针对开发者在研读大部头英文原版教材时面临的语言障碍与理论抽象难懂等痛点，该项目不仅提供了系统的知识梳理，更关键的是附带了基于 PyTorch 和 TensorFlow 框架的可运行代码示例。从线性代数等数学基石，到卷积网络（CNN）、循环网络（RNN\u002FLSTM）、生成对抗网络（GAN）等前沿模型，每一个知识点都配有具体的实现方案，甚至包含如“古诗生成”等趣味实战案例，帮助用户直观理解算法逻辑。\n\n该工具非常适合希望系统构建深度学习理论体系的 AI 研究人员、需要快速上手核心算法的开发者，以及计算机相关专业的学生。其独特的技术亮点在于“理论 + 代码”的双轨驱动模式：既保留了原书的严谨学术框架，又通过 Jupyter Notebook 形式的交互式代码降低了复现门槛，让读者能在动手实践中真正掌握深度学习的精髓，是连接高深理论与工程实践的理想桥梁。","# DeepLearningBook读书笔记\n\n## 前言\n\n  作为人工智能领域目前的最大研究热点，同时也是近年来为各种智能任务带来最大突破的技术方向 – 深度学习或者说神经网络正吸引着无数研究人员的眼球。事实上，传统的神经网络结构和算法早在上个世纪就已经被提出，但由于当时的任务需求仍远未达到传统机器学习算法的瓶颈，同时神经网络算法也受限于计算和数据资源，因此并未被普遍关注。\n\n  近些年来，依靠人工设计高质量特征的传统机器学习算法在语音识别、自然语言处理以及图像处理等方面逐渐达到瓶颈，人们开始将目光重新转向神经网络，利用已经积累的大量数据资源在这一系列智能任务上取得了突破性的进展。包括语音识别、语义理解、图像识别等在内的研究领域中目前state-of-the-art的结果几乎清一色的都是采用了基于深度学习的方法。同时，GPU强大的并行计算能力以及包括[TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)、[MXNet](https:\u002F\u002Fmxnet.incubator.apache.org\u002F)、[Pytorch](http:\u002F\u002Fpytorch.org\u002F)等在内的一系列深度学习框架的推出也为研究者和应用开发者提供了极大便利。\n\n  [DeepLearningBook](http:\u002F\u002Fwww.deeplearningbook.org\u002F)是目前第一本系统和完整的介绍深度学习的书籍，其作者包括深度学习领域的奠基人、处于研究生涯中期的领域中坚、更有近年来涌现的新星，非常适合搭建理论基础。但是直至去年，本书只有英文原版，对于大多数开发者来说，啃一本800页7*9英寸的书籍，难度可想而知。\n好消息是，在翻译人员的不懈努力下，[DeepLearningBook中文版](https:\u002F\u002Fgithub.com\u002Fexacity\u002Fdeeplearningbook-chinese)也已在GitHub上公开，中文翻译版已经由人民邮电出版社出版。\n\n  这个项目记录了我们对DeepLearningBook的学习笔记，我们按照全书的脉络对Deep Learning的基础框架进行了梳理和学习，同时将会附上使用 **PyTorch** 和 TensorFlow实现的相关代码。\n\n>GitHub的markdown不再支持tex公式的解析显示，使用Chrome的同学可以安装[GitHub with MathJax](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fgithub-with-mathjax\u002Fioemnmodlmafdkllaclgeombjnmnbima)添加MathJax的解析以对公式正常显示。\n\n>如果需要直接阅读模式，可以移步至我们的github.io进行阅读：[DeepLearningBook读书笔记](https:\u002F\u002Fdiscoverml.github.io\u002Fsimplified-deeplearning\u002F)\n\n## 目录\n\n1. [数学基础](数学基础\u002FREADME.md)\n    1. [线性代数](数学基础\u002F线性代数.md)\n    1. [概率与信息论](数学基础\u002F概率与信息论.md)\n    1. [数值计算](数学基础\u002F数值计算.md)\n1. [机器学习基础与实践](机器学习基础与实践\u002FREADME.md)\n    1. [机器学习基础](机器学习基础与实践\u002F机器学习基础.md)\n    1. [TensorFlow实战](机器学习基础与实践\u002FTensorFlow实战.md)\n1. [深度前馈网络](深度前馈网络\u002FREADME.md)\n1. [深度学习中的正则化](深度学习中的正则化\u002FREADME.md)\n1. [深度学习中的优化](深度学习中的优化\u002FREADME.md)\n1. [卷积网络](卷积网络\u002FREADME.md)\n    1. [简单卷积网络示例](卷积网络\u002F简单卷积网络.md)\n    1. [经典CNN模型(LeNet and AlexNet)](卷积网络\u002F卷积网络进阶.ipynb)\n    1. [GoogLeNet](卷积网络\u002FGoogLeNet.ipynb)\n    1. [ResNet](卷积网络\u002FResNet.ipynb)\n1. [循环递归网络](循环递归网络\u002FREADME.md)\n    1. [RNN示例](循环递归网络\u002FRNN.md)\n    1. [LSTM](循环递归网络\u002FLSTM.md)\n    1. [基于CharRNN的古诗生成](循环递归网络\u002Fpoetry-charRNN.ipynb)\n        \u003C!-- 1. [序列到序列学习](循环递归网络\u002FSequence.md) -->\n1. [实践调参](实践调参\u002FREADME.md)\n1. [线性因子模型](线性因子模型\u002FREADME.md)\n1. [自编码器](自编码器\u002FREADME.md)\n1. [表示学习](表示学习\u002FREADME.md)\n1. [结构化概率模型](结构化概率模型\u002FREADME.md)\n1. [蒙特卡洛方法](蒙特卡洛方法\u002FREADME.md)\n1. [玻尔兹曼机](玻尔兹曼机\u002FREADME.md)\n1. [有向生成网络](有向生成网络)\n1. [生成对抗网络](生成对抗网络\u002FREADME.md)\n\n\n>持续更新中，欢迎贡献简单易懂便于理解的代码示例，推荐使用Tensorflow和Jupyter Notebook提交代码和说明，详见：[如何贡献代码](pending\u002FREADME.md)。\n\n致谢\n--------------------\n我们分为两个类别的贡献者。\n - 负责人也就是对应的该章节案例维护者。\n - 贡献者对应于主要的案例开发者。\n\n| 原书章节 | 对应案例  | 负责人 | 贡献者 |\n| ------------ | ------------ | ------------ | ------------ |\n| [第一章 前言](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter1_introduction\u002F) | [前言介绍](README.md) | @swordyork | @daweicheng |\n| [第二章 线性代数](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter2_linear_algebra\u002F) | [线性代数](数学基础\u002F线性代数.md) | @zengxy | @zengxy @XueniLuo |\n| [第三章 概率与信息论](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter3_probability_and_information_theory\u002F) | [概率与信息论](数学基础\u002F概率与信息论.md) | @zengxy |  |\n| [第四章 数值计算](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter4_numerical_computation\u002F) | [数值计算](数学基础\u002F数值计算.md) | @zengxy |  |\n| [第五章 机器学习基础](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter5_machine_learning_basics\u002F) |[机器学习基础与实践](机器学习基础与实践\u002FREADME.md) |@zengxy  | @fangjie  |\n| [第六章 深度前馈网络](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter6_deep_feedforward_networks\u002F) | [深度前馈网络](深度前馈网络\u002FREADME.md) | @kimliu0803 | @hjptriplebee @fangjie  |\n| [第七章 深度学习中的正则化](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter7_regularization\u002F) | [深度学习中的正则化](深度学习中的正则化\u002FREADME.md) | @lupeng666 | @titicaca |\n| [第八章 深度模型中的优化](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter8_optimization_for_training_deep_models\u002F) | [深度学习中的优化](深度学习中的优化\u002FREADME.md) | @jinshengwang92 | @lupeng666  |\n| [第九章 卷积网络](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter9_convolutional_networks\u002F) | [卷积网络](卷积网络\u002FREADME.md) | @LiuCheng| @XueniLuo |\n| [第十章 序列建模：循环和递归网络](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter10_sequence_modeling_rnn\u002F) | [循环递归网络](循环递归网络\u002FREADME.md) | @zengxy | @hjptriplebee |\n| [第十一章 实践方法论](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter11_practical_methodology\u002F) |[实践调参](实践调参\u002FREADME.md)  | @daweicheng |  |\n| [第十二章 应用](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter12_applications\u002F) |  | |  |\n| [第十三章 线性因子模型](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter13_linear_factor_models\u002F) | [线性因子模型](线性因子模型\u002FREADME.md) | @liqi | @YaoStriveCode |\n| [第十四章 自编码器](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter14_autoencoders\u002F) | [自编码器](自编码器\u002FREADME.md) | @daweicheng |  |\n| [第十五章 表示学习](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter15_representation_learning\u002F) | [表示学习](表示学习\u002FREADME.md) |@daweicheng  | |\n| [第十六章 深度学习中的结构化概率模型](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter16_structured_probabilistic_modelling\u002F) |[结构化概率模型](结构化概率模型\u002FREADME.md) | @xuanming ||\n| [第十七章 蒙特卡罗方法](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter17_monte_carlo_methods\u002F) | [蒙特卡洛方法](蒙特卡洛方法\u002FREADME.md) | @xuanming |   |\n| [第十八章 面对配分函数](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter18_confronting_the_partition_function\u002F) |  | |  |\n| [第十九章 近似推断](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter19_approximate_inference\u002F) |  | | |\n| [第二十章 深度生成模型](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter20_deep_generative_models\u002F) |[玻尔兹曼机](玻尔兹曼机\u002FREADME.md)\u003Cbr> [有向生成网络](有向生成网络)\u003Cbr> [生成对抗网络](生成对抗网络) | @vistep \u003Cbr>@daweicheng\u003Cbr>@swordyork | |\n| 参考文献 | | |  |\n\n\n## All Thanks to Our Contributors :\n\n\u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fgraphs\u002Fcontributors\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fexacity_simplified-deeplearning_readme_a8645ebeca62.png\" \u002F>\n\u003C\u002Fa>\n\n","# 深度学习书读书笔记\n\n## 前言\n\n  作为人工智能领域目前的最大研究热点，同时也是近年来为各种智能任务带来最大突破的技术方向 – 深度学习或者说神经网络正吸引着无数研究人员的眼球。事实上，传统的神经网络结构和算法早在上个世纪就已经被提出，但由于当时的任务需求仍远未达到传统机器学习算法的瓶颈，同时神经网络算法也受限于计算和数据资源，因此并未被普遍关注。\n\n  近些年来，依靠人工设计高质量特征的传统机器学习算法在语音识别、自然语言处理以及图像处理等方面逐渐达到瓶颈，人们开始将目光重新转向神经网络，利用已经积累的大量数据资源在这一系列智能任务上取得了突破性的进展。包括语音识别、语义理解、图像识别等在内的研究领域中目前state-of-the-art的结果几乎清一色的都是采用了基于深度学习的方法。同时，GPU强大的并行计算能力以及包括[TensorFlow](https:\u002F\u002Fwww.tensorflow.org\u002F)、[MXNet](https:\u002F\u002Fmxnet.incubator.apache.org\u002F)、[Pytorch](http:\u002F\u002Fpytorch.org\u002F)等在内的一系列深度学习框架的推出也为研究者和应用开发者提供了极大便利。\n\n  [DeepLearningBook](http:\u002F\u002Fwww.deeplearningbook.org\u002F)是目前第一本系统和完整的介绍深度学习的书籍，其作者包括深度学习领域的奠基人、处于研究生涯中期的领域中坚、更有近年来涌现的新星，非常适合搭建理论基础。但是直至去年，本书只有英文原版，对于大多数开发者来说，啃一本800页7*9英寸的书籍，难度可想而知。\n好消息是，在翻译人员的不懈努力下，[DeepLearningBook中文版](https:\u002F\u002Fgithub.com\u002Fexacity\u002Fdeeplearningbook-chinese)也已在GitHub上公开，中文翻译版已经由人民邮电出版社出版。\n\n  这个项目记录了我们对DeepLearningBook的学习笔记，我们按照全书的脉络对Deep Learning的基础框架进行了梳理和学习，同时将会附上使用 **PyTorch** 和 TensorFlow实现的相关代码。\n\n>GitHub的markdown不再支持tex公式的解析显示，使用Chrome的同学可以安装[GitHub with MathJax](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fgithub-with-mathjax\u002Fioemnmodlmafdkllaclgeombjnmnbima)添加MathJax的解析以对公式正常显示。\n\n>如果需要直接阅读模式，可以移步至我们的github.io进行阅读：[DeepLearningBook读书笔记](https:\u002F\u002Fdiscoverml.github.io\u002Fsimplified-deeplearning\u002F)\n\n## 目录\n\n1. [数学基础](数学基础\u002FREADME.md)\n    1. [线性代数](数学基础\u002F线性代数.md)\n    1. [概率与信息论](数学基础\u002F概率与信息论.md)\n    1. [数值计算](数学基础\u002F数值计算.md)\n1. [机器学习基础与实践](机器学习基础与实践\u002FREADME.md)\n    1. [机器学习基础](机器学习基础与实践\u002F机器学习基础.md)\n    1. [TensorFlow实战](机器学习基础与实践\u002FTensorFlow实战.md)\n1. [深度前馈网络](深度前馈网络\u002FREADME.md)\n1. [深度学习中的正则化](深度学习中的正则化\u002FREADME.md)\n1. [深度学习中的优化](深度学习中的优化\u002FREADME.md)\n1. [卷积网络](卷积网络\u002FREADME.md)\n    1. [简单卷积网络示例](卷积网络\u002F简单卷积网络.md)\n    1. [经典CNN模型(LeNet and AlexNet)](卷积网络\u002F卷积网络进阶.ipynb)\n    1. [GoogLeNet](卷积网络\u002FGoogLeNet.ipynb)\n    1. [ResNet](卷积网络\u002FResNet.ipynb)\n1. [循环递归网络](循环递归网络\u002FREADME.md)\n    1. [RNN示例](循环递归网络\u002FRNN.md)\n    1. [LSTM](循环递归网络\u002FLSTM.md)\n    1. [基于CharRNN的古诗生成](循环递归网络\u002Fpoetry-charRNN.ipynb)\n        \u003C!-- 1. [序列到序列学习](循环递归网络\u002FSequence.md) -->\n1. [实践调参](实践调参\u002FREADME.md)\n1. [线性因子模型](线性因子模型\u002FREADME.md)\n1. [自编码器](自编码器\u002FREADME.md)\n1. [表示学习](表示学习\u002FREADME.md)\n1. [结构化概率模型](结构化概率模型\u002FREADME.md)\n1. [蒙特卡洛方法](蒙特卡洛方法\u002FREADME.md)\n1. [玻尔兹曼机](玻尔兹曼机\u002FREADME.md)\n1. [有向生成网络](有向生成网络)\n1. [生成对抗网络](生成对抗网络\u002FREADME.md)\n\n\n>持续更新中，欢迎贡献简单易懂便于理解的代码示例，推荐使用Tensorflow和Jupyter Notebook提交代码和说明，详见：[如何贡献代码](pending\u002FREADME.md)。\n\n致谢\n--------------------\n我们分为两个类别的贡献者。\n - 负责人也就是对应的该章节案例维护者。\n - 贡献者对应于主要的案例开发者。\n\n| 原书章节 | 对应案例  | 负责人 | 贡献者 |\n| ------------ | ------------ | ------------ | ------------ |\n| [第一章 前言](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter1_introduction\u002F) | [前言介绍](README.md) | @swordyork | @daweicheng |\n| [第二章 线性代数](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter2_linear_algebra\u002F) | [线性代数](数学基础\u002F线性代数.md) | @zengxy | @zengxy @XueniLuo |\n| [第三章 概率与信息论](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter3_probability_and_information_theory\u002F) | [概率与信息论](数学基础\u002F概率与信息论.md) | @zengxy |  |\n| [第四章 数值计算](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter4_numerical_computation\u002F) | [数值计算](数学基础\u002F数值计算.md) | @zengxy |  |\n| [第五章 机器学习基础](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter5_machine_learning_basics\u002F) |[机器学习基础与实践](机器学习基础与实践\u002FREADME.md) |@zengxy  | @fangjie  |\n| [第六章 深度前馈网络](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter6_deep_feedforward_networks\u002F) | [深度前馈网络](深度前馈网络\u002FREADME.md) | @kimliu0803 | @hjptriplebee @fangjie  |\n| [第七章 深度学习中的正则化](https:\u002F\u002Fexacity.github.io\u002Fdeeplearningbook-chinese\u002FChapter7_regularization\u002F) | [深度学习中的正则化](深度学习中的正","# simplified-deeplearning 快速上手指南\n\n`simplified-deeplearning` 是基于经典教材《Deep Learning》（花书）的中文学习笔记项目。它梳理了深度学习的理论框架，并提供了基于 **PyTorch** 和 **TensorFlow** 的代码实现，适合希望系统学习深度学习理论并结合代码实践的开发者。\n\n## 环境准备\n\n本项目主要包含 Markdown 笔记和 Jupyter Notebook 代码示例。为了运行代码示例，你需要准备以下环境：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：推荐 Python 3.6+\n*   **核心依赖**：\n    *   `TensorFlow` 或 `PyTorch` (根据具体章节代码选择)\n    *   `Jupyter Notebook` (用于运行 `.ipynb` 文件)\n    *   `NumPy`, `Matplotlib` 等基础科学计算库\n*   **浏览器插件（可选）**：若在 GitHub 直接阅读笔记，建议 Chrome 用户安装 [GitHub with MathJax](https:\u002F\u002Fchrome.google.com\u002Fwebstore\u002Fdetail\u002Fgithub-with-mathjax\u002Fioemnmodlmafdkllaclgeombjnmnbima) 以正常渲染数学公式。\n\n## 安装步骤\n\n### 1. 克隆项目\n使用 Git 将项目下载到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning.git\ncd simplified-deeplearning\n```\n\n### 2. 安装依赖\n建议使用虚拟环境（如 `venv` 或 `conda`）隔离依赖。\n\n**方案 A：使用 pip 安装（推荐国内用户使用清华源加速）**\n\n```bash\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow torch jupyter numpy matplotlib\n```\n\n**方案 B：按需安装**\n如果只需运行特定章节（如卷积网络），可根据该章节目录下的具体要求安装对应版本的框架。\n\n### 3. 启动 Jupyter Notebook\n进入项目根目录或具体的章节文件夹，启动服务以便浏览和运行代码：\n\n```bash\njupyter notebook\n```\n浏览器会自动打开界面，即可导航至各章节的 `.ipynb` 文件进行交互学习。\n\n## 基本使用\n\n本项目主要通过阅读 Markdown 笔记理解理论，并通过运行 Notebook 代码验证实践。\n\n### 1. 在线阅读笔记\n若仅需阅读理论梳理，可直接访问项目托管的静态页面，无需本地部署：\n*   **在线阅读地址**：[DeepLearningBook 读书笔记](https:\u002F\u002Fdiscoverml.github.io\u002Fsimplified-deeplearning\u002F)\n\n### 2. 运行代码示例\n以“循环递归网络”章节中的 LSTM 示例为例：\n\n1.  在 Jupyter Notebook 界面中，进入 `循环递归网络\u002F` 目录。\n2.  打开 `LSTM.md` 阅读理论，或打开 `LSTM.ipynb` (如有) \u002F `RNN.md` 关联的代码块。\n3.  选中代码单元格，按 `Shift + Enter` 运行。\n\n**最简单的代码运行逻辑（通用）：**\n\n```python\n# 示例：导入库并检查版本 (在任意 Notebook 单元格中运行)\nimport tensorflow as tf\nimport torch\n\nprint(\"TensorFlow version:\", tf.__version__)\nprint(\"PyTorch version:\", torch.__version__)\n\n# 接下来可按照笔记脉络，运行具体的模型构建与训练代码\n# 例如运行 卷积网络\u002F简单卷积网络.md 中提供的代码片段\n```\n\n### 3. 学习路径建议\n按照项目目录结构循序渐进：\n1.  **数学基础**：复习线性代数、概率论。\n2.  **机器学习基础**：了解基本概念及 TensorFlow 入门。\n3.  **核心网络**：依次学习前馈网络、CNN（卷积网络）、RNN（循环网络）。\n4.  **进阶主题**：研究正则化、优化算法、生成对抗网络 (GAN) 等。\n\n> **提示**：项目中部分高级章节（如玻尔兹曼机、蒙特卡洛方法）可能仍在更新中，如遇代码缺失，请以理论笔记为主。","一名刚入门深度学习的研究生，正试图啃读经典的《Deep Learning》花书以构建理论体系，却因厚重的英文原著和复杂的数学公式而举步维艰。\n\n### 没有 simplified-deeplearning 时\n- **语言与篇幅门槛高**：面对 800 页的英文原版书籍，非英语母语者阅读速度极慢，难以坚持完成系统性学习。\n- **理论代码脱节**：书中只有抽象的数学推导和伪代码，学习者无法直观理解算法如何在 PyTorch 或 TensorFlow 中落地实现。\n- **环境配置困难**：想要复现经典模型（如 ResNet、LSTM），需从零搭建框架并调试数据管道，往往卡在环境配置上而非算法本身。\n- **公式阅读体验差**：在 GitHub 或普通文档中查看数学公式时，常因渲染问题导致公式显示乱码，严重影响对核心逻辑的理解。\n\n### 使用 simplified-deeplearning 后\n- **中文笔记降低门槛**：直接阅读按原书脉络梳理的中文读书笔记，配合清晰的章节导读，大幅提升了知识吸收效率。\n- **源码辅助理解**：每个理论章节都附带基于 PyTorch\u002FTensorFlow 的可运行代码（如古诗生成 CharRNN、GoogLeNet 实现），实现了“所见即所得”的学习闭环。\n- **开箱即用的案例**：提供了从线性代数基础到 GAN 生成对抗网络的完整 Jupyter Notebook 示例，无需重复造轮子，可直接运行并修改参数进行实验。\n- **完美的公式渲染**：通过优化的文档站点或浏览器插件支持，所有复杂的数学公式均能清晰展示，确保了理论推导的准确传达。\n\nsimplified-deeplearning 通过将晦涩的理论著作转化为“中文笔记 + 可运行代码”的实战指南，让深度学习初学者能跨越语言与工程障碍，快速掌握核心算法精髓。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fexacity_simplified-deeplearning_8d546481.png","exacity","Exacity","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fexacity_13a72239.png","",null,"https:\u002F\u002Fgithub.com\u002Fexacity",[84,88],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",98,{"name":89,"color":90,"percentage":10},"Python","#3572A5",2538,811,"2026-04-01T08:42:21","未说明",{"notes":96,"python":94,"dependencies":97},"本项目为《DeepLearningBook》的读书笔记与代码实现，主要使用 PyTorch 和 TensorFlow 框架。部分章节提供 Jupyter Notebook (.ipynb) 格式的代码示例。README 中未明确列出具体的操作系统、GPU 型号、内存大小或 Python 版本要求，建议根据所使用的深度学习框架（PyTorch\u002FTensorFlow）官方文档配置相应环境。如需正常查看公式，Chrome 用户可安装 'GitHub with MathJax' 插件。",[98,99,85],"PyTorch","TensorFlow",[18],"2026-03-27T02:49:30.150509","2026-04-06T06:44:05.751503",[104,109,114,119,124,129,134,139],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},14233,"贡献代码有什么具体要求？对深度学习库、代码风格或模型范围有限制吗？","只要代码简单即可，最好是自己编写的实现。没有严格的库或风格限制，也不局限于《深度学习》书上的模型。可以参考相关讨论获取更多细节：https:\u002F\u002Fgithub.com\u002Fexacity\u002Fdeeplearningbook-chinese\u002Fissues\u002F128","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F3",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},14234,"在生成数据的代码中，为什么循环范围是 range(seq_len\u002F\u002F2) 而不是 range(seq_len)？遇到数组形状广播错误怎么办？","这是一个快速演示代码，当初设置为 seq_len\u002F\u002F2 并无特殊深意，实际上可以设置为 range(seq_len)。关于广播错误，通常是因为步长 s 设置不当。建议将 s 计算为 feature_length \u002F\u002F 2（例如特征长度 76 时，s 应为 38 而不是 24），这样可以避免形状不匹配的问题。","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F1",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},14235,"如何添加深度网络 Dropout 的案例？应该使用什么框架？","可以添加在输入层或隐含层使用 Dropout 的网络案例。建议使用 TensorFlow 来编写实现。贡献代码前可参考项目的贡献指南：https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fblob\u002Fmaster\u002Fpending\u002FREADME.md","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F13",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},14236,"添加标准 RNN 案例时有什么建议？","建议在添加标准 RNN 案例代码的同时，配套添加该案例的 Markdown 说明文档，以便用户更好地理解和使用。已有相关 Pull Request 可供参考：https:\u002F\u002Fgithub.com\u002FDiscoverML\u002Fsimplified-deeplearning\u002Fpull\u002F28","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F18",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},14237,"网页中内嵌的 LaTeX 公式无法正常显示，需要安装插件吗？","这通常不是浏览器插件问题，而是项目渲染配置问题。如果遇到此类问题，建议查看项目中其他相关的 Issue 讨论，通常维护者会统一修复数学公式渲染引擎（如 MathJax 或 KaTeX）的配置。","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F11",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},14238,"是否有序列学习（Sequence Learning）或古诗词生成的案例？","项目鼓励社区贡献此类案例。如果您想添加基于循环网络（RNN）写古诗词的 Sequence Learning 案例，强烈建议在提交代码时同时编写详细的 Markdown 说明文档。","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F20",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},14239,"有没有 LSTM 用于自然语言处理（NLP）的具体案例？","目前需要社区贡献。建议添加 LSTM 自然语言处理的案例，并在添加代码时同步提供该案例的 Markdown 说明文档，以完善项目内容。","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F19",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},14240,"项目是否包含 Pixel to Pixel 风格迁移的案例？","这是一个待添加的功能请求。欢迎贡献者添加 Pixel to Pixel 风格画的案例代码，并参照项目规范补充相应的说明文档。","https:\u002F\u002Fgithub.com\u002Fexacity\u002Fsimplified-deeplearning\u002Fissues\u002F17",[145],{"id":146,"version":147,"summary_zh":148,"released_at":149},80962,"v1.0.0","v1.0.0 TensorFlow 案例发布标签。","2024-08-31T02:59:11"]