[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-makeyourownneuralnetwork--makeyourownneuralnetwork":3,"tool-makeyourownneuralnetwork--makeyourownneuralnetwork":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。",74963,"2026-04-06T11:16:39",[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":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":68,"owner_name":76,"owner_avatar_url":77,"owner_bio":72,"owner_company":72,"owner_location":72,"owner_email":72,"owner_twitter":72,"owner_website":78,"owner_url":79,"languages":80,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":46,"env_os":89,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":93,"github_topics":72,"view_count":10,"oss_zip_url":72,"oss_zip_packed_at":72,"status":94,"created_at":95,"updated_at":96,"faqs":97,"releases":127},4437,"makeyourownneuralnetwork\u002Fmakeyourownneuralnetwork","makeyourownneuralnetwork","Code for the Make Your Own Neural Network book","makeyourownneuralnetwork 是畅销书《Make Your Own Neural Network》的官方配套代码库，旨在通过动手实践帮助读者从零开始构建神经网络。它主要解决了初学者在面对深度学习时，常被复杂的数学公式和庞大的框架（如 TensorFlow 或 PyTorch）劝退的痛点。通过提供清晰、精简的代码实现，该项目将抽象的算法原理转化为可运行、可修改的具体程序，让用户能够直观地理解反向传播、矩阵运算等核心机制是如何一步步让机器“学会”思考的。\n\n这套资源特别适合希望深入理解 AI 底层逻辑的开发者、学生以及技术爱好者使用。如果你不满足于仅仅调用现成的 API，而是渴望知晓黑盒内部的工作原理，这里将是理想的起点。其独特的技术亮点在于“极简主义”的设计哲学：代码完全基于基础数学库编写，没有冗余的依赖项，结构通俗易懂，仿佛一位耐心的导师在逐行讲解。无论是用于教学演示还是个人自学，makeyourownneuralnetwork 都能为你打下坚实的神经网络基础，让高深的 AI 技术变得触手可及。","# makeyourownneuralnetwork\nCode for the [Make Your Own Neural Network book](https:\u002F\u002Fwww.amazon.com\u002FMake-Your-Own-Neural-Network\u002Fdp\u002F1530826608\u002Fr)\n\nblog: https:\u002F\u002Fmakeyourownneuralnetwork.blogspot.com\u002F\n",null,"# makeyourownneuralnetwork 快速上手指南\n\n本指南旨在帮助开发者快速运行《Make Your Own Neural Network》一书配套的开源代码，通过实践理解神经网络的基础原理。\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**：Windows、macOS 或 Linux 均可。\n*   **Python 版本**：推荐 Python 3.6 及以上版本（代码主要基于 Python 2\u002F3 兼容编写，但建议使用 Python 3）。\n*   **前置依赖**：\n    *   `numpy`：用于数值计算。\n    *   `matplotlib`：用于可视化结果（可选，但推荐安装以查看训练效果）。\n    *   `scipy`：部分示例可能需要。\n\n> **国内加速建议**：推荐使用清华或阿里镜像源安装依赖，以提升下载速度。\n> ```bash\n> pip install numpy matplotlib scipy -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 安装步骤\n\n该项目无需复杂的编译安装，只需克隆仓库并安装依赖即可。\n\n1.  **克隆项目仓库**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmakeyourownneuralnetwork\u002Fmakeyourownneuralnetwork.git\n    cd makeyourownneuralnetwork\n    ```\n\n2.  **安装 Python 依赖库**\n    在项目根目录下执行：\n    ```bash\n    pip install -r requirements.txt\n    ```\n    *注：如果项目中没有 `requirements.txt` 文件，请直接运行上述“环境准备”中的安装命令。*\n\n3.  **准备数据集**\n    代码通常依赖 MNIST 手写数字数据集。首次运行时，脚本会自动下载数据。如果自动下载失败，可手动从 [MNIST 官网](http:\u002F\u002Fyann.lecun.com\u002Fexdb\u002Fmnist\u002F) 下载 `.gz` 文件并放入代码指定的数据目录（通常为 `data` 或当前目录）。\n\n## 基本使用\n\n最简单的使用方式是运行书中的核心示例脚本，创建一个简单的神经网络并进行训练。\n\n1.  **运行神经网络示例**\n    执行以下命令启动训练过程（以 `python3_mnist.py` 或类似主脚本为例，具体文件名请查看目录结构，通常为 `chapter_03.ipynb` 对应的 py 文件或 `neural_network.py` 的演示脚本）：\n\n    ```bash\n    python3 chapter_03.py\n    ```\n    *或者，如果您使用的是 Jupyter Notebook 环境（推荐用于学习本书）：*\n\n    ```bash\n    jupyter notebook\n    ```\n    然后在浏览器中打开 `chapter_03.ipynb`，按顺序执行单元格即可看到神经网络的构建、训练及测试全过程。\n\n2.  **查看输出**\n    运行成功后，终端将输出训练的误差变化日志。如果安装了 `matplotlib`，程序还会弹出窗口展示识别结果的可视化图像，直观显示神经网络对手写数字的识别效果。\n\n通过以上步骤，您已成功运行了第一个自定义神经网络。建议结合《Make Your Own Neural Network》原著章节，修改代码中的超参数（如学习率、隐藏层节点数），观察对模型性能的影响。","一位刚入门深度学习的大学生试图从零开始理解神经网络原理，却因复杂的数学公式和抽象的代码实现而感到无从下手。\n\n### 没有 makeyourownneuralnetwork 时\n- 面对晦涩的矩阵微积分推导，只能死记硬背公式，无法直观理解反向传播是如何更新权重的。\n- 尝试自己编写代码时，常因维度不匹配或梯度计算错误导致模型无法收敛，调试过程极其挫败。\n- 直接调用现成的高级框架（如 TensorFlow）虽能跑通模型，但内部机制如同“黑盒”，难以真正掌握核心逻辑。\n- 缺乏循序渐进的代码示例，只能在零散的教程中拼凑知识，学习曲线陡峭且效率低下。\n\n### 使用 makeyourownneuralnetwork 后\n- 跟随书中步骤用 Python 逐步构建网络，亲手写出每一行矩阵运算代码，将抽象的数学公式转化为可视化的逻辑。\n- 利用提供的完整源码作为参照，快速定位自己实现中的维度错误，顺利让模型在手写数字识别任务上成功训练。\n- 通过修改示例代码中的超参数和层结构，直观观察到不同配置对结果的影响，彻底弄懂了神经网络的运作机制。\n- 依托清晰的项目结构，从简单的单层感知机扩展到多层网络，建立起扎实的理论基础与编码信心。\n\nmakeyourownneuralnetwork 将高深的神经网络理论拆解为可执行的代码步骤，让初学者真正实现了从“调包侠”到“理解者”的跨越。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmakeyourownneuralnetwork_makeyourownneuralnetwork_4a21b161.png","Tariq Rashid","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmakeyourownneuralnetwork_67650468.jpg","http:\u002F\u002Fmakeyourownneuralnetwork.blogspot.co.uk","https:\u002F\u002Fgithub.com\u002Fmakeyourownneuralnetwork",[81],{"name":82,"color":83,"percentage":84},"Jupyter Notebook","#DA5B0B",100,2492,1510,"2026-04-02T03:44:15","GPL-2.0","未说明",{"notes":91,"python":89,"dependencies":92},"README 内容仅包含书籍链接和博客地址，未提供具体的运行环境需求、依赖库或安装说明。该项目通常作为《Make Your Own Neural Network》书籍的配套代码，主要使用基础 Python 和 NumPy 进行教学演示，对硬件无特殊要求。",[],[18],"ready_partial","2026-03-27T02:49:30.150509","2026-04-06T22:01:56.484590",[98,103,108,112,117,122],{"id":99,"question_zh":100,"answer_zh":101,"source_url":102},20169,"训练时出现 'ValueError: shapes not aligned' 错误，提示维度不匹配（如 784 != 0），该如何解决？","该错误通常是因为输入数据的形状不正确，导致矩阵乘法无法对齐。请检查你的输入列表（inputs_list）是否为空或格式错误。确保在调用 train 函数前，输入数据已被正确加载并转换为非空的二维数组。建议对照官方代码库中的 part2_neural_network_mnist_data.ipynb 笔记本，确认数据读取和预处理步骤（特别是标签和像素值的分离）是否完全一致。","https:\u002F\u002Fgithub.com\u002Fmakeyourownneuralnetwork\u002Fmakeyourownneuralnetwork\u002Fissues\u002F57",{"id":104,"question_zh":105,"answer_zh":106,"source_url":107},20170,"使用自己的手写图片进行测试时出现 'IndexError: list index out of range'，原因是什么？","这通常是因为代码版本不一致或图像加载库使用错误。首先，请确保你使用的是 GitHub 仓库中最新的 part3_neural_network_mnist_and_own_data.ipynb 代码。其次，注意图像读取函数的变化：旧代码可能使用 imageio.imread，而新代码推荐使用 skimage 的 io.imread。如果你混合使用了不同的库或代码版本，会导致数据集加载失败从而引发索引越界。请检查并统一你的导入语句和数据加载逻辑。","https:\u002F\u002Fgithub.com\u002Fmakeyourownneuralnetwork\u002Fmakeyourownneuralnetwork\u002Fissues\u002F49",{"id":109,"question_zh":110,"answer_zh":111,"source_url":107},20171,"为什么用自己的手写数字测试时神经网络无法识别，即使训练集很大？","主要原因通常是自定义图片的预处理不到位。官方提供的示例图片经过了特殊的处理：1. 尺寸必须严格调整为 28x28 像素；2. 需要应用均衡化（equalisation）处理，使背景更接近 MNIST 数据集的灰色背景，而不是纯白或纯黑；3. 图片文件名需与其代表的数字内容对应。如果直接使用未处理的截图或照片，噪声过大且分布与训练数据差异太大，会导致识别失败。请参考维护者提供的处理后示例图片进行对比。",{"id":113,"question_zh":114,"answer_zh":115,"source_url":116},20172,"代码中 'inputs = numpy.array(inputs_list, ndmin=2).T' 这一行的作用是什么？它会自动处理标签吗？","这行代码的作用是将输入列表强制转换为至少二维的 NumPy 数组，并进行转置（.T），以便将其形状从 (784,) 变为 (784, 1) 的列向量，满足神经网络矩阵运算的要求。需要注意的是，这一步仅处理像素数据，不包含标签。标签（label）必须在传入此代码之前，从原始数据行中单独提取出来（通常是每行的第一个值），不应包含在 inputs_list 中。","https:\u002F\u002Fgithub.com\u002Fmakeyourownneuralnetwork\u002Fmakeyourownneuralnetwork\u002Fissues\u002F27",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},20173,"为什么在 Part 2 代码中测试 MNIST 数据正常，但将同样的逻辑用于自定义手写图片 CSV 时却无法识别？","关键在于输入数据的数值范围和处理流程不同。MNIST 测试集（如 mnist_test_10.csv）中的数据通常已经是归一化后的浮点数（如 0.01 到 0.99）。而自定义图片转换成的 CSV 往往包含原始的灰度值（0-255）。如果在 Part 2 代码中直接读入原始灰度值 CSV，而没有经过 '(pixel \u002F 255.0 * 0.99) + 0.01' 这一步归一化和缩放处理，神经网络的权重将无法正确响应。请确保自定义数据在输入网络前经历了与 MNIST 数据相同的归一化变换。","https:\u002F\u002Fgithub.com\u002Fmakeyourownneuralnetwork\u002Fmakeyourownneuralnetwork\u002Fissues\u002F46",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},20174,"如何将高分辨率（如 37K）的图片转换为 28x28 像素以减少噪声并提高识别率？","直接缩小高分辨率图片会产生大量噪声和锯齿，导致识别率低。建议采取以下步骤：1. 不要直接缩放原始复杂图片；2. 尝试先在绘图软件（如画图工具）中手动绘制 28x28 像素的数字，确保笔画清晰且居中；3. 如果必须转换大图，请先进行二值化或阈值处理，去除背景噪声，然后再进行双线性或双三次插值缩放；4. 最重要的是进行“背景均衡化”，使自定义图片的背景灰度值分布接近 MNIST 数据集的特征，而不是简单的黑白反转。","https:\u002F\u002Fgithub.com\u002Fmakeyourownneuralnetwork\u002Fmakeyourownneuralnetwork\u002Fissues\u002F37",[]]