[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-hichenway--stock_predict_with_LSTM":3,"tool-hichenway--stock_predict_with_LSTM":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。",74939,"2026-04-05T23:16:38",[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":80,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":89,"forks":90,"last_commit_at":91,"license":92,"difficulty_score":10,"env_os":93,"env_gpu":93,"env_ram":93,"env_deps":94,"category_tags":99,"github_topics":80,"view_count":29,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":100,"updated_at":101,"faqs":102,"releases":133},866,"hichenway\u002Fstock_predict_with_LSTM","stock_predict_with_LSTM","Predict stock with LSTM supporting  pytorch, keras and tensorflow","stock_predict_with_LSTM 是一款专注于股票价格预测的深度学习开源项目，核心采用长短期记忆网络（LSTM）技术。它为用户提供了从数据训练到结果预测的完整解决方案，旨在帮助技术人员更高效地挖掘股票时间序列数据中的潜在规律。\n\n对于希望涉足量化分析或金融时序研究的开发者而言，这个项目能有效降低入门门槛。它解决了单一框架限制和模型灵活性不足的问题，允许用户根据需求自由调整参数与架构。\n\n项目的技术亮点十分突出：首先，它同时兼容 PyTorch、Keras 和 TensorFlow 三大主流深度学习框架，适应不同技术栈；其次，支持增量训练和多指标同步预测（如最高价与最低价），并能自定义预测天数。此外，内置的训练可视化与日志记录功能，让模型调试过程更加透明直观。无论是进行学术研究还是构建个人量化策略，stock_predict_with_LSTM 都是一个结构清晰、易于扩展的实用选择。","## Predict stock with LSTM\n\nThis project includes training and predicting processes with LSTM for stock data. The characteristics is as fellow: \n\n- Concise and modular\n- Support three mainstream deep learning frameworks of pytorch, keras and tensorflow\n- Parameters, models and frameworks can be highly customized and modified\n- Supports incremental training\n- Support predicting multiple indicators at the same time\n- Support predicting any number of days\n- Support train visualization and log record\n\n\nChinese introduction can refer to : \u003Chttps:\u002F\u002Fblog.csdn.net\u002Fsongyunli1111\u002Farticle\u002Fdetails\u002F78513811>\n\n\n\nThe simultaneous predict results for stock high and low price with pytorch show as follow:\n\n![predict_high_with_pytorch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhichenway_stock_predict_with_LSTM_readme_d6e92c6c1e1c.png)\n\n![predict_low_with_pytorch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhichenway_stock_predict_with_LSTM_readme_c610d28b8b3b.png)","## 使用 LSTM 预测股票价格\n\n本项目包含针对股票数据的 LSTM（长短期记忆网络）训练和预测流程。主要特性如下：\n\n- 简洁且模块化\n- 支持三种主流深度学习框架：PyTorch、Keras 和 TensorFlow\n- 参数、模型和框架均可高度自定义和修改\n- 支持增量训练\n- 支持同时预测多个指标\n- 支持预测任意天数\n- 支持训练可视化及日志记录\n\n\n中文介绍可参考：\u003Chttps:\u002F\u002Fblog.csdn.net\u002Fsongyunli1111\u002Farticle\u002Fdetails\u002F78513811>\n\n\n使用 PyTorch 对股票最高价和最低价进行同时预测的结果如下所示：\n\n![predict_high_with_pytorch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhichenway_stock_predict_with_LSTM_readme_d6e92c6c1e1c.png)\n\n![predict_low_with_pytorch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhichenway_stock_predict_with_LSTM_readme_c610d28b8b3b.png)","# stock_predict_with_LSTM 快速上手指南\n\n本项目基于 LSTM 实现股票数据预测，支持 PyTorch、Keras 和 TensorFlow 三种主流深度学习框架。代码结构简洁模块化，支持增量训练、多指标预测及可视化日志记录。\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 及以上\n- **深度学习框架**（三选一）：\n  - PyTorch\n  - TensorFlow\n  - Keras\n- **其他依赖**：pandas, numpy, matplotlib 等数据处理与可视化库\n\n> 💡 **国内加速提示**：建议使用国内镜像源安装依赖，以加快下载速度。例如配置清华源：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n1. **克隆项目代码**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fhichenway\u002Fstock_predict_with_LSTM.git\n   cd stock_predict_with_LSTM\n   ```\n\n2. **安装依赖包**\n   根据项目根目录下的 `requirements.txt` 文件安装所需库：\n   ```bash\n   pip install -r requirements.txt\n   ```\n   *注：若需切换深度学习框架，请确保已安装对应的框架版本（如 `torch`, `tensorflow` 或 `keras`）。*\n\n## 基本使用\n\n1. **配置参数**\n   修改项目中的配置文件，设置以下关键参数：\n   - 选择的深度学习框架（pytorch\u002Fkeras\u002Ftensorflow）\n   - 预测天数\n   - 需要预测的指标（如开盘价、收盘价、最高价、最低价等）\n   - 训练数据路径\n\n2. **运行训练与预测**\n   执行主程序脚本开始训练模型并进行预测：\n   ```bash\n   python main.py\n   ```\n   *(具体入口文件名请以实际仓库为准，通常为 `main.py` 或 `run.py`)*\n\n3. **查看结果**\n   - 训练过程可视化图表将自动生成在输出目录中。\n   - 日志记录可查看训练损失及准确率变化。\n\n更多中文详细介绍可参考：\u003Chttps:\u002F\u002Fblog.csdn.net\u002Fsongyunli1111\u002Farticle\u002Fdetails\u002F78513811>","某量化交易团队正在开发一套自动化选股系统，需要快速验证基于长短期记忆网络的股价预测策略有效性。\n\n### 没有 stock_predict_with_LSTM 时\n- 工程师需从零编写 LSTM 数据预处理与模型构建代码，重复造轮子导致开发周期长达两周。\n- 团队内部技术栈不统一，PyTorch 与 TensorFlow 用户协作困难，模型迁移需大量修改底层代码。\n- 训练过程缺乏可视化图表，只能通过打印日志判断损失函数变化，调试超参数效率极低。\n- 每次只能预测单一收盘价指标，若要分析波动区间需额外编写多个独立脚本，维护成本高。\n\n### 使用 stock_predict_with_LSTM 后\n- 直接复用项目提供的简洁模块，半天内即可完成数据加载与模型初始化，大幅缩短研发时间。\n- 利用 stock_predict_with_LSTM 支持的三大主流框架特性，团队成员可自由选择 PyTorch 或 Keras 进行二次开发，协作更顺畅。\n- 借助内置的训练可视化功能，实时查看预测曲线与真实值对比，快速定位过拟合问题并优化参数。\n- 开启多指标预测模式，一次性输出最高价、最低价及收盘价趋势，满足复杂交易策略的数据需求。\n\nstock_predict_with_LSTM 凭借灵活的框架兼容性与完善的可视化支持，让金融时序预测模型的落地变得高效且可控。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fhichenway_stock_predict_with_LSTM_14f97cd3.png","hichenway","海晨威","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fhichenway_ed2b8a08.jpg","知乎：海晨威",null,"Shanghai","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fdeep-learning-algorithm","https:\u002F\u002Fgithub.com\u002Fhichenway",[85],{"name":86,"color":87,"percentage":88},"Python","#3572A5",100,842,301,"2026-04-04T22:02:55","Apache-2.0","未说明",{"notes":95,"python":93,"dependencies":96},"README 中未明确说明具体的操作系统、Python 版本及硬件配置要求。项目支持 PyTorch、Keras 和 TensorFlow 三种主流深度学习框架。详细环境配置及部署细节请参考提供的中文博客链接。",[97,59,98],"pytorch","tensorflow",[18],"2026-03-27T02:49:30.150509","2026-04-06T08:42:14.640648",[103,108,113,118,123,128],{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},3717,"为什么每次运行预测结果都不一样？如何获取预测后的数据？","结果不一致是因为神经网络权重每次运行时都会重新随机初始化（见 weights 定义中的 tf.random_normal）。预测数据在 stock_predict_1.py 中保存在 predict 数组，在 stock_predict_2.py 中保存在 test_predict 数组，可直接输出查看。","https:\u002F\u002Fgithub.com\u002Fhichenway\u002Fstock_predict_with_LSTM\u002Fissues\u002F1",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},3718,"代码中是否存在“未来函数”导致的数据泄露问题？","存在。当前归一化使用了全量数据的均值和方差，这包含了测试集信息。正确的做法应仅使用训练数据进行归一化。","https:\u002F\u002Fgithub.com\u002Fhichenway\u002Fstock_predict_with_LSTM\u002Fissues\u002F9",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},3719,"运行时报错 \"ValueError: Attempt to have a second RNNCell use the weights...\" 怎么办？","这是 TensorFlow 变量作用域冲突导致的。建议在代码中添加 `tf.reset_default_graph()` 重置默认图，或参考相关 StackOverflow 链接解决变量重用问题。","https:\u002F\u002Fgithub.com\u002Fhichenway\u002Fstock_predict_with_LSTM\u002Fissues\u002F3",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},3720,"代码中定义的 dropout 参数实际生效了吗？","目前未生效。虽然定义了 DropWrapper，但未在返回中使用。需将返回语句改为 `return drop` 才能启用 dropout 功能。","https:\u002F\u002Fgithub.com\u002Fhichenway\u002Fstock_predict_with_LSTM\u002Fissues\u002F4",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},3721,"设置 iteration 大于 1 时，是否需要传递上一次的 final_state 作为下一次的 init_state？","可以这样做，但需同步修改训练数据生成逻辑。由于 batch_size=1 易过拟合，训练效果未必提升，但在预测阶段传递状态能提升结果。","https:\u002F\u002Fgithub.com\u002Fhichenway\u002Fstock_predict_with_LSTM\u002Fissues\u002F5",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},3722,"该代码是用于单变量还是多变量时间序列预测？","该仓库代码针对单变量时间序列（Singlevariate），并非特定论文的实现，因此不包含多变量预测代码。","https:\u002F\u002Fgithub.com\u002Fhichenway\u002Fstock_predict_with_LSTM\u002Fissues\u002F8",[]]