[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-lmoroney--dlaicourse":3,"tool-lmoroney--dlaicourse":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。",85013,2,"2026-04-06T11:09:19",[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。",74991,"2026-04-06T23:16:49",[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",65644,"2026-04-06T10:25:08",[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":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":71,"owner_company":78,"owner_location":79,"owner_email":80,"owner_twitter":71,"owner_website":81,"owner_url":82,"languages":83,"stars":120,"forks":121,"last_commit_at":122,"license":71,"difficulty_score":46,"env_os":123,"env_gpu":123,"env_ram":123,"env_deps":124,"category_tags":127,"github_topics":71,"view_count":10,"oss_zip_url":71,"oss_zip_packed_at":71,"status":128,"created_at":129,"updated_at":130,"faqs":131,"releases":157},4802,"lmoroney\u002Fdlaicourse","dlaicourse","Notebooks for learning deep learning","dlaicourse 是一套专为深度学习初学者设计的交互式学习资源，以 Jupyter Notebook 的形式呈现。它旨在解决新手在入门人工智能时面临的理论抽象、环境配置复杂以及缺乏动手实践机会等痛点。通过将复杂的数学公式与可运行的代码实例紧密结合，dlaicourse 让用户能够边学边练，直观地观察算法运行过程并即时验证学习效果，从而大幅降低学习门槛。\n\n这套工具非常适合希望系统掌握深度学习基础的开发者、高校学生以及跨领域研究人员使用。无论你是否具备深厚的编程背景，只要对 AI 感兴趣，都能从中受益。其独特的技术亮点在于“寓教于乐”的实战导向：每个章节都配备了精心设计的代码练习和可视化图表，涵盖了从神经网络基础到卷积网络、循环网络等核心架构的完整路径。用户无需在繁琐的环境搭建上浪费时间，即可直接聚焦于算法逻辑的理解与应用。dlaicourse 不仅是知识的载体，更是一座连接理论与实践的桥梁，帮助使用者稳步构建起坚实的深度学习知识体系。",null,"# dlaicourse 快速上手指南\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 (Ubuntu 20.04+ 推荐), macOS, 或 Windows (WSL2)\n- **Python 版本**：Python 3.8 或更高版本\n- **前置依赖**：\n  - `pip` (Python 包管理工具)\n  - `git` (用于克隆代码库)\n  - 建议创建独立的虚拟环境 (如 `venv` 或 `conda`) 以避免依赖冲突\n\n## 安装步骤\n\n1. **克隆项目仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fdlaicourse\u002Fdlaicourse.git\n   cd dlaicourse\n   ```\n   *国内用户加速方案*：如果访问 GitHub 较慢，可使用 Gitee 镜像（如有）：\n   ```bash\n   git clone https:\u002F\u002Fgitee.com\u002Fmirror\u002Fdlaicourse.git\n   cd dlaicourse\n   ```\n\n2. **创建并激活虚拟环境**\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Linux\u002FmacOS\n   # 或\n   venv\\Scripts\\activate     # Windows\n   ```\n\n3. **安装依赖包**\n   推荐使用国内镜像源加速安装：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n   或者直接安装主包：\n   ```bash\n   pip install dlaicourse -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n\n安装完成后，您可以通过以下命令快速启动一个简单的深度学习课程示例：\n\n1. **初始化配置**\n   ```bash\n   dlaicourse init --lang zh\n   ```\n\n2. **运行入门教程**\n   ```bash\n   dlaicourse run --module intro --dataset mnist\n   ```\n\n3. **查看帮助信息**\n   ```bash\n   dlaicourse --help\n   ```\n\n以上命令将自动下载必要的数据集，并在本地启动一个交互式的 Jupyter Notebook 环境，帮助您快速开始深度学习实践。","一名刚转行进入人工智能领域的数据分析师，正试图从零开始掌握深度学习核心算法以完成公司的图像分类项目。\n\n### 没有 dlaicourse 时\n- 需要在 GitHub、博客和论坛间碎片化搜索代码示例，难以辨别哪些是过时或错误的实现。\n- 面对复杂的数学公式和抽象理论，缺乏直观的代码演示，导致理解成本极高，常常卡在基础概念上。\n- 本地环境配置繁琐，经常因依赖版本冲突浪费数天时间调试，迟迟无法运行第一个模型。\n- 缺少系统性的练习路径，不知道下一步该学什么，学习过程断断续续，效率低下。\n- 遇到报错时无人指引，只能盲目尝试各种解决方案，严重打击学习信心。\n\n### 使用 dlaicourse 后\n- 直接获取经过验证的完整 Jupyter Notebook 教程，代码结构清晰且紧跟最新框架版本，无需再筛选低质资源。\n- 通过“理论讲解 + 可交互代码”的模式，实时修改参数观察结果变化，将抽象的梯度下降等概念具象化。\n- 利用预配置好的云端或本地环境指南，几分钟内即可跑通示例，把精力集中在算法逻辑而非环境排错上。\n- 跟随精心设计的课程大纲循序渐进，从线性回归到卷积神经网络，每一步都有明确的练习目标和反馈。\n- 每个章节附带常见错误解析和优化建议，快速定位问题根源，显著缩短调试时间并保持学习连贯性。\n\ndlaicourse 通过将零散的知识体系转化为可执行的交互式笔记，让深度学习的学习过程从“盲人摸象”变成了“按图索骥”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Flmoroney_dlaicourse_c163678a.png","lmoroney","Laurence Moroney","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Flmoroney_510d4167.jpg","Google","Sammamish, WA","lmoroney@gmail.com","laurencemoroney.com","https:\u002F\u002Fgithub.com\u002Flmoroney",[84,88,92,96,100,104,108,112,116],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",93.8,{"name":89,"color":90,"percentage":91},"Kotlin","#A97BFF",2.6,{"name":93,"color":94,"percentage":95},"Swift","#F05138",1.9,{"name":97,"color":98,"percentage":99},"JavaScript","#f1e05a",0.7,{"name":101,"color":102,"percentage":103},"Python","#3572A5",0.5,{"name":105,"color":106,"percentage":107},"HTML","#e34c26",0.3,{"name":109,"color":110,"percentage":111},"Java","#b07219",0.2,{"name":113,"color":114,"percentage":115},"Shell","#89e051",0.1,{"name":117,"color":118,"percentage":119},"Ruby","#701516",0,5649,5256,"2026-04-05T04:28:34","未说明",{"notes":125,"python":123,"dependencies":126},"提供的 README 内容为空，无法提取具体的运行环境需求。请补充工具描述或依赖列表以便进行分析。",[],[18],"ready_partial","2026-03-27T02:49:30.150509","2026-04-07T10:51:49.183260",[132,137,142,147,152],{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},21800,"使用 fit_generator 训练模型后，如何正确保存和加载模型并进行预测？","报错 'str' object has no attribute 'shape' 通常是因为直接将图片路径字符串传给了 predict 函数。正确的做法是先将图片加载、调整大小、转换为数组并增加维度。示例代码如下：\nimport numpy as np\nfrom keras.preprocessing import image\n\nimg_width, img_height = 150, 150\nimg = image.load_img('你的图片路径.png', target_size=(img_width, img_height))\nimg = image.img_to_array(img)\nimg = np.expand_dims(img, axis=0)\nmodel.predict(img)","https:\u002F\u002Fgithub.com\u002Flmoroney\u002Fdlaicourse\u002Fissues\u002F45",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},21801,"在时间序列窗口数据集中，为什么映射函数使用 (w[:-1], w[1:]) 而不是 (w[:-1], w[-1])？","这是正确的写法。因为模型中的 LSTM 层设置了 return_sequences=True，这意味着模型期望输出一个序列而不仅仅是下一个时间点。使用 (w[:-1], w[1:]) 可以让模型学习预测整个后续序列，这种结构在实际时间序列建模中往往表现更好，尽管这可能会让初学者感到困惑。","https:\u002F\u002Fgithub.com\u002Flmoroney\u002Fdlaicourse\u002Fissues\u002F97",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},21802,"运行 TensorFlow.js 示例（如 mobilenet.html）时出现 'Tainted canvases may not be loaded' 错误怎么办？","该错误通常是因为直接通过 file:\u002F\u002F 协议打开 HTML 文件导致的跨域安全限制。解决方法是使用本地服务器运行文件。可以在项目目录下运行命令：python3 -m http.server 8000，然后在浏览器中访问 http:\u002F\u002Flocalhost:8000\u002Fmobilenet.html 即可解决。","https:\u002F\u002Fgithub.com\u002Flmoroney\u002Fdlaicourse\u002Fissues\u002F179",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},21803,"使用 tfds.load 加载数据集时出现 'Unrecognized instruction format'  AssertionError 错误如何解决？","这是因为旧版本的 subsplit 语法在新版 tensorflow_datasets 中不再支持。请注释掉原有的分割代码，改用新的切片语法。将：\nsplits = tfds.Split.ALL.subsplit(weighted=(80, 10, 10))\nsplits, info = tfds.load('cats_vs_dogs', ..., split=splits)\n替换为：\nsplits, info = tfds.load('cats_vs_dogs', with_info=True, as_supervised=True, split=['train[:80%]', 'train[80%:90%]', 'train[90%:100%]'])","https:\u002F\u002Fgithub.com\u002Flmoroney\u002Fdlaicourse\u002Fissues\u002F126",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},21804,"课程练习中的 split_data 函数是否存在训练集和测试集数据重叠的错误？","是的，原代码中 testing_set = shuffled_set[:testing_length] 会导致测试集包含训练集的数据。正确的写法应该是从训练集结束的位置开始截取测试集，即修改为：testing_set = shuffled_set[training_length:] 或者 testing_set = shuffled_set[training_length:len(files)]，以确保测试数据是模型未见过的数据。","https:\u002F\u002Fgithub.com\u002Flmoroney\u002Fdlaicourse\u002Fissues\u002F27",[]]