[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jiqizhixin--ML-Tutorial-Experiment":3,"tool-jiqizhixin--ML-Tutorial-Experiment":61},[4,18,26,36,44,52],{"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",144730,2,"2026-04-07T23:26:32",[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。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":10,"last_commit_at":50,"category_tags":51,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":10,"last_commit_at":58,"category_tags":59,"status":17},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[14,15,13,60],"视频",{"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":73,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":76,"difficulty_score":32,"env_os":91,"env_gpu":92,"env_ram":91,"env_deps":93,"category_tags":99,"github_topics":76,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":101,"updated_at":102,"faqs":103,"releases":124},5296,"jiqizhixin\u002FML-Tutorial-Experiment","ML-Tutorial-Experiment","Coding the Machine Learning Tutorial for Learning to Learn","ML-Tutorial-Experiment 是一套由机器之心推出的机器学习实战教程代码库，旨在通过“从零手写”的方式，帮助学习者深入理解主流深度学习模型的核心原理。它解决了初学者在阅读理论文章时难以将抽象公式转化为具体代码、以及面对成熟框架时容易忽略底层实现细节的痛点。\n\n该项目涵盖了卷积神经网络（CNN）、生成对抗网络（GAN）、胶囊网络（CapsNet）、循环神经网络（RNN\u002FLSTM）以及 Transformer 等经典与前沿架构。其独特亮点在于不仅提供了基于 TensorFlow 和 Keras 的完整复现代码，还配套了详细的理论推导文章和补充实验笔记，甚至包含从基础算子到复杂架构（如 LeNet-5、DenseNet）的渐进式讲解。部分笔记本还支持直接在 Deepnote 或 Google Colab 云端运行，降低了环境配置门槛。\n\n这套资源非常适合希望夯实算法基础的 AI 开发者、计算机专业学生以及科研人员。如果你不满足于仅仅调用现成的 API，而是想真正搞懂模型内部是如何运作的，ML-Tutorial-Experiment 将是你循序渐进、动手实践的理想指南。","# ML-Tutorial-Experiment\nCoding the Machine Learning Tutorial for Learning to Learn \n\n- 第一期：[从零开始用TensorFlow搭建卷积神经网络](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-08-29-14)--&--[文章代码](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_CNN_Tutorial.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_CNN_Tutorial.ipynb)\n  -  补充资料：[基础代码解析](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_trial_1.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_trial_1.ipynb)\n  -  补充资料：[Keras构建CNN](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_Keras_CNN.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_Keras_CNN.ipynb)\n  -  补充资料：[TensorFlow构建LeNet-5](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_LeNet5.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_LeNet5.ipynb)\n  -  补充资料：[从DensNet到CliqueNet，探索卷积神经网络架构](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-05-23-6)\n- 第二期：[GAN完整理论推导与实现](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-10-1-1)--&--[文章代码](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002FKeras_GAN.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2FKeras_GAN.ipynb)\n  -  补充资料：[原版GAN的TensorFlow实现](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_GAN.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_GAN.ipynb)\n- 第三期：[CapsNet结构解析与实现](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-11-05)--&--[文章代码](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_orginal_CapsNet.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_orginal_CapsNet.ipynb)\n  -  补充资料：[解读官方实现的核心代码](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002Fcapsule-implement-sara-sabour-Feb02)\n- 第四期：[RNN与CNN的序列建模](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-04-12-3)--&--[LSTM语言建模](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002FLSTM_PTB.ipynb)--&--[TCN官方实现](https:\u002F\u002Fgithub.com\u002Flocuslab\u002FTCN)--&--[TCN语言建模（Colaboratory）](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1GAXC0j9qzLyQu8G9_P_eHi-TtYm7uhXF)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2FLSTM_PTB.ipynb)\n- 第五期：[基于Transformer的神经机器翻译](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002FSynced-github-implement-project-machine-translation-by-transformer)--&--[Colaboratory实现](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1Wt9Jwynnki6lipwUcy0Sz5WKG7MYSGs0)\n\n#\n------\n为了扩展优秀模型与实现，机器之心将梳理历史优质文章，同时也欢迎各位开发者与研究者提供优质的文章。我们将尝试确定添加的文章都是可复现，且基本无理解性错误的文章，并按以下模型归类。若读者发现这些文章有错误或理解误差，可以在 GitHub 上提 issue，确定后我们将修改文章。\n\n* 数学与编程基础\n    * 线性代数\n        * [教程 | 基础入门：深度学习矩阵运算的概念和代码实现](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-08-07-2)\n    * 概率与信息论\n        * [从概率论到多分类问题：综述贝叶斯统计分类](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-09-28)\n    * 数值计算\n    * Python基础\n        * [从变量到封装：一文带你为机器学习打下坚实的Python基础](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-10-13)\n        * [一文带你了解 Python 集合与基本的集合运算](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F062403)\n    * NumPy基础\n        * [搭建模型第一步：你需要预习的 NumPy 基础都在这了](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F070101)\n        * [从数组到矩阵的迹，NumPy常见使用大总结](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-10-28)\n        * [数据科学初学者必知的NumPy基础知识](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-04-21-7)\n* 一般机器学习\n    * 入门模型\n        * 线性回归\n            * [初学TensorFlow机器学习：如何实现线性回归？](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-05-14-2)\n            * [Python环境下的8种简单线性回归算法](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-01-01)\n            * [极简Python带你探索分类与回归的奥秘](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F03132)\n        * Logistic 回归\n            * [从原理到应用：简述Logistics回归算法](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-05-13-3)\n            * [从头开始：用Python实现带随机梯度下降的Logistic回归](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-02-17-5)\n    * 朴素贝叶斯\n        * [实践中最广泛应用的分类模型：朴素贝叶斯算法](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F033088)\n    * 决策树\n    * 支持向量机\n    * 聚类方法\n        * K均值聚类\n        * 层次聚类\n    * 降维算法\n        * PCA\n        * 自编码器\n        * t-SNE\n    * 集成方法\n        * Staking\n        * Bagging\n            * 随机森林\n        * Boosting\n            * AdaBoost\n            * 提升树\n            * 梯度提升树\n    * 概率图模型\n        * 隐马尔科夫模型\n        * 隐马尔可夫随机场\n        * 条件随机场\n    * 半监督学习\n        * Entropy-based\n        * Graph-based\n* 深度学习\n    * 最优化方法\n    * 深度前馈网络\n    * 深度卷积网络\n    * 深度循环网络\n    * 深度生成模型\n        * PixelRNN\u002FPixelCNN\n        * VAE\n        * GAN\n\n","# ML-Tutorial-Experiment\n为“学会学习”而编写的机器学习教程编码\n\n- 第一期：[从零开始用TensorFlow搭建卷积神经网络](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-08-29-14)--&--[文章代码](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_CNN_Tutorial.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_CNN_Tutorial.ipynb)\n  -  补充资料：[基础代码解析](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_trial_1.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_trial_1.ipynb)\n  -  补充资料：[Keras构建CNN](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_Keras_CNN.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_Keras_CNN.ipynb)\n  -  补充资料：[TensorFlow构建LeNet-5](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_LeNet5.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_LeNet5.ipynb)\n  -  补充资料：[从DensNet到CliqueNet，探索卷积神经网络架构](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-05-23-6)\n- 第二期：[GAN完整理论推导与实现](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-10-1-1)--&--[文章代码](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002FKeras_GAN.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2FKeras_GAN.ipynb)\n  -  补充资料：[原版GAN的TensorFlow实现](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_GAN.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_GAN.ipynb)\n- 第三期：[CapsNet结构解析与实现](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-11-05)--&--[文章代码](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002Ftf_orginal_CapsNet.ipynb)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2Ftf_orginal_CapsNet.ipynb)\n  -  补充资料：[解读官方实现的核心代码](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002Fcapsule-implement-sara-sabour-Feb02)\n- 第四期：[RNN与CNN的序列建模](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-04-12-3)--&--[LSTM语言建模](https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fblob\u002Fmaster\u002FExperiments\u002FLSTM_PTB.ipynb)--&--[TCN官方实现](https:\u002F\u002Fgithub.com\u002Flocuslab\u002FTCN)--&--[TCN语言建模（Colaboratory）](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1GAXC0j9qzLyQu8G9_P_eHi-TtYm7uhXF)\n [\u003Cimg align=\"right\" height=\"22\" src=\"https:\u002F\u002Fbeta.deepnote.org\u002Fbuttons\u002Flaunch-in-deepnote.svg\">](https:\u002F\u002Fbeta.deepnote.org\u002Flaunch?template=data-science&url=https%3A%2F%2Fgithub.com%2Fjiqizhixin%2FML-Tutorial-Experiment%2Fblob%2Fmaster%2FExperiments%2FLSTM_PTB.ipynb)\n- 第五期：[基于Transformer的神经机器翻译](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002FSynced-github-implement-project-machine-translation-by-transformer)--&--[Colaboratory实现](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1Wt9Jwynnki6lipwUcy0Sz5WKG7MYSGs0)\n\n#\n------\n为了扩展优秀模型与实现，机器之心将梳理历史优质文章，同时也欢迎各位开发者与研究者提供优质的文章。我们将尝试确定添加的文章都是可复现，且基本无理解性错误的文章，并按以下模型归类。若读者发现这些文章有错误或理解误差，可以在 GitHub 上提 issue，确定后我们将修改文章。\n\n* 数学与编程基础\n    * 线性代数\n        * [教程 | 基础入门：深度学习矩阵运算的概念和代码实现](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-08-07-2)\n    * 概率与信息论\n        * [从概率论到多分类问题：综述贝叶斯统计分类](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-09-28)\n    * 数值计算\n    * Python基础\n        * [从变量到封装：一文带你为机器学习打下坚实的Python基础](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-10-13)\n        * [一文带你了解 Python 集合与基本的集合运算](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F062403)\n    * NumPy基础\n        * [搭建模型第一步：你需要预习的 NumPy 基础都在这了](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F070101)\n        * [从数组到矩阵的迹，NumPy常见使用大总结](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-10-28)\n        * [数据科学初学者必知的NumPy基础知识](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-04-21-7)\n* 一般机器学习\n    * 入门模型\n        * 线性回归\n            * [初学TensorFlow机器学习：如何实现线性回归？](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-05-14-2)\n            * [Python环境下的8种简单线性回归算法](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-01-01)\n            * [极简Python带你探索分类与回归的奥秘](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F03132)\n        * Logistic 回归\n            * [从原理到应用：简述Logistics回归算法](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2018-05-13-3)\n            * [从头开始：用Python实现带随机梯度下降的Logistic回归](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F2017-02-17-5)\n    * 朴素贝叶斯\n        * [实践中最广泛应用的分类模型：朴素贝叶斯算法](https:\u002F\u002Fwww.jiqizhixin.com\u002Farticles\u002F033088)\n    * 决策树\n    * 支持向量机\n    * 聚类方法\n        * K均值聚类\n        * 层次聚类\n    * 降维算法\n        * PCA\n        * 自编码器\n        * t-SNE\n    * 集成方法\n        * Staking\n        * Bagging\n            * 随机森林\n        * Boosting\n            * AdaBoost\n            * 提升树\n            * 梯度提升树\n    * 概率图模型\n        * 隐马尔科夫模型\n        * 隐马尔可夫随机场\n        * 条件随机场\n    * 半监督学习\n        * Entropy-based\n        * Graph-based\n* 深度学习\n    * 最优化方法\n    * 深度前馈网络\n    * 深度卷积网络\n    * 深度循环网络\n    * 深度生成模型\n        * PixelRNN\u002FPixelCNN\n        * VAE\n        * GAN","# ML-Tutorial-Experiment 快速上手指南\n\n本指南旨在帮助开发者快速运行机器之心（Synced）提供的机器学习教程实验代码，涵盖从 CNN、GAN 到 Transformer 等经典模型的复现。\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 (推荐 Linux\u002FWSL)\n*   **Python 版本**：Python 3.6 - 3.8 (根据教程发布时间，建议使用 Python 3.7)\n*   **核心依赖**：\n    *   TensorFlow (1.x 或 2.x，视具体 Notebook 而定，大部分早期教程基于 TF 1.x)\n    *   Keras\n    *   NumPy\n    *   Matplotlib\n    *   Jupyter Notebook \u002F JupyterLab\n*   **硬件建议**：部分深度学习模型（如 GAN, CapsNet, Transformer）建议在配备 NVIDIA GPU 的环境中运行以加速训练。\n\n## 安装步骤\n\n### 1. 克隆项目仓库\n首先将代码库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment.git\ncd ML-Tutorial-Experiment\n```\n\n### 2. 创建虚拟环境并安装依赖\n推荐使用 `conda` 或 `venv` 隔离环境。以下以 `pip` 为例安装基础依赖（针对 TensorFlow 2.x 兼容模式，若需运行旧版 TF 1.x 代码请调整版本号）：\n\n```bash\n# 创建虚拟环境\npython -m venv ml_tutorial_env\nsource ml_tutorial_env\u002Fbin\u002Factivate  # Windows 用户请使用: ml_tutorial_env\\Scripts\\activate\n\n# 使用国内镜像源加速安装 (推荐清华源)\npip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow keras numpy matplotlib jupyter pandas scipy\n```\n\n> **注意**：部分早期教程（如第一期 CNN、第二期 GAN 原版）可能依赖 TensorFlow 1.x。如需复现原始效果，可安装特定版本：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow==1.15.0`\n\n### 3. 启动 Jupyter\n进入实验目录并启动 Notebook 服务：\n\n```bash\ncd Experiments\njupyter notebook\n```\n\n## 基本使用\n\n本项目主要由一系列 Jupyter Notebook (`.ipynb`) 文件组成，每个文件对应一期教程的具体实现。\n\n### 方式一：本地运行\n1.  在浏览器打开的 Jupyter 界面中，找到对应的实验文件。\n    *   例如：运行卷积神经网络教程，打开 `tf_CNN_Tutorial.ipynb`。\n    *   例如：运行 GAN 教程，打开 `Keras_GAN.ipynb`。\n2.  点击单元格，按顺序执行代码（Cell -> Run All），即可看到模型训练过程及结果可视化。\n\n### 方式二：云端一键运行 (推荐)\n项目提供了 DeepNote 和 Google Colab 的快速启动链接，无需本地配置环境即可直接运行：\n\n*   **DeepNote**: 点击 README 中各章节旁的 `Launch in DeepNote` 按钮，即可在云端数据科学环境中加载并运行代码。\n*   **Google Colab**: 对于部分较新的教程（如 TCN, Transformer），可直接点击提供的 Colab 链接在 Google 免费 GPU 环境下运行。\n\n### 示例：运行第一个 CNN 教程\n假设您已克隆代码并安装了 TensorFlow：\n\n1.  进入 `Experiments` 文件夹。\n2.  打开 `tf_CNN_Tutorial.ipynb`。\n3.  依次运行代码块，系统将自动下载 MNIST\u002FCIFAR 数据集（首次运行需联网），构建卷积神经网络并进行训练。\n4.  观察输出日志中的 Loss 变化及最终生成的准确率图表。\n\n### 资源分类索引\n根据您的学习路径，可选择以下对应的 Notebook 文件：\n*   **基础入门**: `tf_trial_1.ipynb`, `tf_Keras_CNN.ipynb`\n*   **生成模型**: `Keras_GAN.ipynb`, `tf_GAN.ipynb`\n*   **进阶架构**: `tf_orginal_CapsNet.ipynb`, `LSTM_PTB.ipynb`\n*   **序列建模**: 参考 README 中的 Colab 链接运行 TCN 和 Transformer 模型。","某高校人工智能实验室的研究生李明，正试图复现一篇关于胶囊网络（CapsNet）的最新论文，以验证其在医学图像分类中的有效性。\n\n### 没有 ML-Tutorial-Experiment 时\n- **理论到代码的鸿沟巨大**：面对复杂的数学推导，李明难以将抽象公式转化为具体的 TensorFlow 或 Keras 层定义，常常卡在反向传播或动态路由算法的实现细节上。\n- **环境配置与调试耗时**：从零搭建卷积神经网络或 GAN 架构时，需反复排查维度不匹配、梯度消失等基础错误，数天时间浪费在调试而非理解模型核心上。\n- **缺乏权威参考基准**：网上教程质量参差不齐，找不到经过验证的 LeNet-5 或 Transformer 标准实现，导致无法判断是自己的代码有误还是对论文理解偏差。\n- **学习路径碎片化**：需要从不同博客、论坛拼凑 RNN、TCN 或 GAN 的代码片段，缺乏系统性的实验对比，难以掌握架构演进的内在逻辑。\n\n### 使用 ML-Tutorial-Experiment 后\n- **代码实现一键对标**：直接调用项目中提供的 CapsNet 和 GAN 完整源码，清晰看到“动态路由”等核心逻辑如何落地，迅速打通理论与工程的任督二脉。\n- **多框架灵活切换**：利用项目中并存的 TensorFlow 原生版与 Keras 简化版代码，既能深入底层原理，又能快速构建原型，大幅缩短从想法到验证的周期。\n- **权威基线加速迭代**：基于项目中已调优的 CNN 和 Transformer 翻译模型作为基准，李明只需关注针对医学数据的改进部分，实验效率提升数倍。\n- **系统化架构演进视野**：通过从 DensNet 到 CliqueNet 的系列实验笔记，系统性理解了卷积架构的演变脉络，为改进现有模型提供了扎实的理论支撑。\n\nML-Tutorial-Experiment 通过将前沿算法的理论推导与可运行代码深度绑定，让研究者从繁琐的底层造轮子中解放出来，专注于真正的创新探索。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjiqizhixin_ML-Tutorial-Experiment_f318893a.png","jiqizhixin","Synced","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjiqizhixin_a59c4a50.jpg","机器之心提供全球人工智能信息服务",null,"www.jiqizhixin.com","https:\u002F\u002Fgithub.com\u002Fjiqizhixin",[80,84],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",99,{"name":85,"color":86,"percentage":87},"Python","#3572A5",1,2500,723,"2026-04-07T04:59:05","未说明","未说明（代码基于 TensorFlow 和 Keras，通常支持 CPU 运行，但训练 GAN\u002FCapsNet 等模型建议使用 NVIDIA GPU）",{"notes":94,"python":91,"dependencies":95},"该项目为机器之心发布的机器学习教程代码合集，包含卷积神经网络、GAN、CapsNet、RNN 及 Transformer 等实验。代码主要以 Jupyter Notebook (.ipynb) 形式提供，并支持通过 Deepnote 或 Google Colaboratory 云端环境直接运行，无需本地配置复杂环境。具体依赖版本需参考各 Notebook 文件内的安装单元格。",[96,97,98],"TensorFlow","Keras","NumPy",[35,15,100],"其他","2026-03-27T02:49:30.150509","2026-04-08T10:09:25.012657",[104,109,114,119],{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},24021,"运行代码时出现 OSError: Unable to open file (name = 'generator'...) 错误，提示文件不存在，该如何解决？","这是因为尚未生成模型权重文件。需要先运行 train() 函数进行训练，该函数内部会执行 g.save_weights('generator', True) 和 d.save_weights('discriminator', True) 来保存模型。只有在训练完成后生成了 'generator' 文件，后续代码才能正常打开它。","https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fissues\u002F8",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},24022,"generate 文件（或相关模型文件）应该如何生成？","需要首先执行训练流程。在 train() 函数中，通过调用 g.save_weights('generator', True) 可以保存生成器（generator）的权重文件。只有完成这一步，相关的生成文件才会被创建。","https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fissues\u002F7",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},24023,"tf_LeNet5.ipynb 中全连接层正则化代码是否存在变量引用错误？","是的，原代码中存在笔误。在定义 'layer6-fc2' 作用域时，tf.add_to_collection('losses', ...) 中调用的应该是当前层的权重 fc2_weights，即 regularizer(fc2_weights)，而不是上一层的 fc1_weights。该问题已被修复。","https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fissues\u002F6",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},24024,"tf_LeNet5.ipynb 中最大池化层（max_pool）的步长（strides）参数设置是否正确？","原代码设置不正确。为了将输入从 28x28 下采样到 14x14，strides 参数应设置为 [1, 2, 2, 1] 而不是 [1, 1, 1, 1]。正确的代码应为：tf.nn.max_pool(relu1, ksize=[1, 2, 2, 1], strides=[1, 2, 2, 1], padding='SAME')。","https:\u002F\u002Fgithub.com\u002Fjiqizhixin\u002FML-Tutorial-Experiment\u002Fissues\u002F5",[]]