neural-networks-and-deep-learning
neural-networks-and-deep-learning 是 Michael Nielsen 经典著作《神经网络与深度学习》的官方配套代码库。该项目致力于解决深度学习理论晦涩难懂的问题，通过将书中的数学推导转化为具体的 Python 代码，帮助读者在实践中掌握神经网络的核心机制。
适合对人工智能基础感兴趣的开发者、学生及研究人员使用。尽管代码基于 Python 2.7 和早期 Theano 版本构建，且不再维护新版本兼容性，但其代码结构清晰、注释详尽，专注于教学而非工程性能。项目采用 MIT 开源协议，允许自由学习和二次开发。
如果你想寻找一份能够辅助阅读经典教材、直观理解反向传播与梯度下降等关键概念的参考资料，neural-networks-and-deep-learning 依然是极佳的选择。它不追求最新的技术栈，而是回归本质，为初学者搭建起从理论到实现的坚实桥梁。
使用场景
计算机系研究生小李计划复现经典神经网络论文，希望深入理解反向传播的底层机制而非仅调用高级 API。
没有 neural-networks-and-deep-learning 时
- 需要手动编写大量基础矩阵运算代码，极易出现维度不匹配的 Bug，浪费大量调试时间且容易引入隐蔽错误。
- 花费数天时间调试梯度计算逻辑，却难以判断是数学推导错误还是代码实现问题，学习效率极其低下。
- 面对复杂的链式法则，缺乏直观的代码参照，导致学习曲线过于陡峭，容易产生挫败感而放弃深入。
使用 neural-networks-and-deep-learning 后
- 直接加载项目中的网络类定义，几分钟内即可搭建出可运行的多层感知机原型，快速验证自己的想法。
- 通过阅读源码中关于 Sigmoid 和 Softmax 的梯度更新细节，迅速验证了手算结果的正确性，建立了扎实的直觉。
- 利用内置的可视化脚本，直观观察到训练过程中损失函数的变化趋势，显著加速了超参数调优过程。
neural-networks-and-deep-learning 将抽象的数学公式转化为可执行的工程实践，极大降低了深度学习入门的理论门槛。
运行环境要求
- 未说明
未说明
未说明
快速开始
“神经网络与深度学习”代码示例
此仓库包含我为《神经网络与深度学习》一书准备的代码示例。
代码是基于 Python 2.6 或 2.7 编写的。有一个适用于 Python 3.8-3.10 的版本 在此处。我不会更新当前仓库以支持 Python 3 兼容性。
程序 src/network3.py 使用了 Theano（深度学习框架）库的 0.6 或 0.7 版本。为了与库的后续版本兼容，它需要修改。我不会进行此类修改。
由于代码是作为本书的配套内容编写的，我不打算添加新功能。不过，欢迎提交 bug 报告，你可以随时 fork（派生）并修改代码。
许可证
MIT 许可证
版权所有 (c) 2012-2022 Michael Nielsen
特此免费授予任何获得本软件副本及相关文档文件（“软件”）的人权利，在不加限制地处理该软件，包括但不限于使用权、复制权、修改权、合并权、发布权、分发权、再许可权和/或出售软件副本的权利，并允许向其提供软件的人员这样做，但须符合以下条件：
上述版权声明和本许可声明应包含在软件的所有副本或实质性部分中。
本软件按“原样”提供，不提供任何形式的明示或暗示保证，包括但不限于对适销性、特定用途适用性和非侵权性的保证。在任何情况下，作者或版权持有人均不对因合同、侵权或其他行为引起的、从软件中或与软件的使用或其他交易有关的任何索赔、损害或其他责任承担责任。
相似工具推荐
ML-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。 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。
ragflow
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。 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。 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。
PaddleOCR
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。 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。 PaddleOCR 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。
awesome-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。 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。 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。
scikit-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。 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。 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
keras
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。 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。 Keras 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。