[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-priya-dwivedi--Deep-Learning":3,"tool-priya-dwivedi--Deep-Learning":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。",85092,2,"2026-04-10T11:13:16",[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},5784,"funNLP","fighting41love\u002FfunNLP","funNLP 是一个专为中文自然语言处理（NLP）打造的超级资源库，被誉为\"NLP 民工的乐园”。它并非单一的软件工具，而是一个汇集了海量开源项目、数据集、预训练模型和实用代码的综合性平台。\n\n面对中文 NLP 领域资源分散、入门门槛高以及特定场景数据匮乏的痛点，funNLP 提供了“一站式”解决方案。这里不仅涵盖了分词、命名实体识别、情感分析、文本摘要等基础任务的标准工具，还独特地收录了丰富的垂直领域资源，如法律、医疗、金融行业的专用词库与数据集，甚至包含古诗词生成、歌词创作等趣味应用。其核心亮点在于极高的全面性与实用性，从基础的字典词典到前沿的 BERT、GPT-2 模型代码，再到高质量的标注数据和竞赛方案，应有尽有。\n\n无论是刚刚踏入 NLP 领域的学生、需要快速验证想法的算法工程师，还是从事人工智能研究的学者，都能在这里找到急需的“武器弹药”。对于开发者而言，它能大幅减少寻找数据和复现模型的时间；对于研究者，它提供了丰富的基准测试资源和前沿技术参考。funNLP 以开放共享的精神，极大地降低了中文自然语言处理的开发与研究成本，是中文 AI 社区不可或缺的宝藏仓库。",79857,1,"2026-04-08T20:11:31",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},5773,"cs-video-courses","Developer-Y\u002Fcs-video-courses","cs-video-courses 是一个精心整理的计算机科学视频课程清单，旨在为自学者提供系统化的学习路径。它汇集了全球知名高校（如加州大学伯克利分校、新南威尔士大学等）的完整课程录像，涵盖从编程基础、数据结构与算法，到操作系统、分布式系统、数据库等核心领域，并深入延伸至人工智能、机器学习、量子计算及区块链等前沿方向。\n\n面对网络上零散且质量参差不齐的教学资源，cs-video-courses 解决了学习者难以找到成体系、高难度大学级别课程的痛点。该项目严格筛选内容，仅收录真正的大学层级课程，排除了碎片化的简短教程或商业广告，确保用户能接触到严谨的学术内容。\n\n这份清单特别适合希望夯实计算机基础的开发者、需要补充特定领域知识的研究人员，以及渴望像在校生一样系统学习计算机科学的自学者。其独特的技术亮点在于分类极其详尽，不仅包含传统的软件工程与网络安全，还细分了生成式 AI、大语言模型、计算生物学等新兴学科，并直接链接至官方视频播放列表，让用户能一站式获取高质量的教育资源，免费享受世界顶尖大学的课堂体验。",79792,"2026-04-08T22:03:59",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"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":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"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。",75309,"2026-04-10T11:12:54",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"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,"2026-04-03T21:50:24",[20,18],{"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":82,"owner_twitter":69,"owner_website":69,"owner_url":83,"languages":84,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":112,"env_os":113,"env_gpu":114,"env_ram":114,"env_deps":115,"category_tags":118,"github_topics":69,"view_count":10,"oss_zip_url":69,"oss_zip_packed_at":69,"status":22,"created_at":119,"updated_at":120,"faqs":121,"releases":152},6255,"priya-dwivedi\u002FDeep-Learning","Deep-Learning",null,"Deep-Learning 是一个汇集了作者多年深度学习实践项目的开源代码库。它并非单一的软件工具，而是一个包含多个独立文件夹的项目合集，旨在展示和分享作者在探索深度学习前沿理念与实用工具过程中的成果。\n\n对于希望从理论走向实践的开发者而言，这个仓库解决了“如何获取多样化、可运行的深度学习参考案例”的痛点。通过提供结构清晰的项目源码，它帮助用户直观地理解不同算法的实现细节，避免了从零开始构建原型的繁琐过程。此外，作者还将许多项目背后的思路整理成了技术博客，并提供了相关的咨询渠道，为深入学习者搭建了从代码阅读到原理理解的桥梁。\n\nDeep-Learning 特别适合有一定编程基础的 AI 开发者、数据科学家以及高校研究人员使用。如果你正在寻找灵感来启动自己的实验，或者希望通过研读他人代码来提升工程能力，这里丰富的案例将是很好的起点。虽然每个项目侧重不同，但其核心价值在于展示了如何将抽象的深度学习概念转化为具体的解决方案，鼓励用户克隆仓库后亲自尝试与修改，从而在动手实践中掌握技术精髓。","### Deep-Learning\n\nThis repository contains deep learning related projects I have done over time. I am very passionate about deep learning and explore interesting ideas and tools. Each project is contained in its own folder.\n\nI have blogged about a lot of these projects on Medium - https:\u002F\u002Fmedium.com\u002F@priya.dwivedi\n\nI also run a deep learning consultancy - https:\u002F\u002Fdeeplearninganalytics.org\u002F\n\nIf you want to collaborate on a project please reach out through my website.\n\nHope you enjoy cloning this repo and trying out things yourself\n\n\n","### 深度学习\n\n这个仓库包含了我过去做过的深度学习相关项目。我对深度学习充满热情，喜欢探索有趣的想法和工具。每个项目都放在独立的文件夹中。\n\n我在 Medium 上写过很多关于这些项目的文章——https:\u002F\u002Fmedium.com\u002F@priya.dwivedi\n\n此外，我还经营一家深度学习咨询公司——https:\u002F\u002Fdeeplearninganalytics.org\u002F\n\n如果你希望与我合作某个项目，请通过我的网站联系我。\n\n希望你喜欢克隆这个仓库，并亲自尝试其中的内容！","# Deep-Learning 快速上手指南\n\n本仓库收录了作者在不同时期完成的深度学习相关项目。每个项目均独立存放在各自的文件夹中，涵盖了多种有趣的想法与工具实现。\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 以获得最佳兼容性）\n- **Python 版本**：Python 3.6 或更高版本\n- **前置依赖**：\n  - Git（用于克隆仓库）\n  - pip 或 conda（用于管理 Python 包）\n  - CUDA Toolkit 及 cuDNN（若需使用 GPU 加速，请根据具体项目需求安装对应版本）\n\n> **提示**：国内开发者建议使用清华源或阿里源加速 Python 包下载。\n> - 临时使用清华源：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n> - 配置永久源：`pip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n## 安装步骤\n\n1. **克隆仓库**\n   将项目代码下载到本地：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi\u002FDeep-Learning.git\n   cd Deep-Learning\n   ```\n\n2. **创建虚拟环境（推荐）**\n   为避免依赖冲突，建议为每个项目创建独立的虚拟环境：\n   ```bash\n   python -m venv venv\n   source venv\u002Fbin\u002Factivate  # Windows 用户请使用: venv\\Scripts\\activate\n   ```\n\n3. **安装依赖**\n   进入您想要运行的具体项目文件夹（例如 `project_name`），并安装该项目的依赖：\n   ```bash\n   cd project_name\n   pip install -r requirements.txt\n   ```\n   *注：若某项目文件夹下无 `requirements.txt`，请参考该文件夹内的 README 或代码导入语句手动安装所需库（如 tensorflow, pytorch, keras 等）。*\n\n## 基本使用\n\n由于本仓库包含多个独立项目，使用方式取决于您选择的具体项目。以下为通用的运行流程示例：\n\n1. **进入项目目录**\n   ```bash\n   cd path\u002Fto\u002Fspecific\u002Fproject_folder\n   ```\n\n2. **查看项目说明**\n   大多数项目文件夹内会有独立的 `README.md` 或脚本说明，请先阅读以了解输入数据格式和参数设置。\n\n3. **运行示例脚本**\n   通常可以直接运行主脚本启动训练或推理：\n   ```bash\n   python main.py\n   ```\n   或者运行特定的笔记本文件（需先安装 Jupyter）：\n   ```bash\n   jupyter notebook demo.ipynb\n   ```\n\n> **建议**：初次使用时，请先浏览作者在 Medium 上的相关博客（https:\u002F\u002Fmedium.com\u002F@priya.dwivedi）以获取更详细的项目背景与思路解析。","某初创医疗科技公司的算法团队正试图从海量非结构化的病理切片报告中提取关键诊断指标，以辅助医生快速决策。\n\n### 没有 Deep-Learning 时\n- 团队需从零搭建卷积神经网络架构，反复调试层数与参数，耗费数周时间仍难以收敛。\n- 缺乏成熟的预处理与增强代码库，导致小样本数据下模型泛化能力极差，误诊率居高不下。\n- 成员间代码风格迥异且文档缺失，新加入的工程师无法快速理解既有实验逻辑，协作效率低下。\n- 遇到训练瓶颈时只能盲目搜索碎片化教程，缺乏经过验证的最佳实践参考，试错成本极高。\n\n### 使用 Deep-Learning 后\n- 直接复用仓库中经过验证的项目文件夹作为基线模型，将原型开发周期从数周缩短至几天。\n- 借鉴其中针对医学影像的数据增强技巧与调参策略，显著提升了小样本场景下的识别准确率。\n- 依托清晰的项目结构与作者在中篇（Medium）上的配套技术博客，团队成员能迅速上手并统一开发规范。\n- 参考作者在深度学习咨询中积累的实际案例思路，快速定位过拟合根源并制定出有效的优化方案。\n\nDeep-Learning 通过提供经过实战检验的代码资产与知识沉淀，让医疗 AI 团队从重复造轮子的困境中解脱，专注于核心业务价值的突破。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpriya-dwivedi_Deep-Learning_53b7ad5d.png","priya-dwivedi","Priyanka Dwivedi","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpriya-dwivedi_fa92d9b3.jpg","Founder of Deep Learning Analytical. Love building deep learning models.\r\nhttps:\u002F\u002Fdeeplearninganalytics.org\u002F","Deep Learning Consultant","Toronto, Canada","priyanka.kochhar3@gmail.com","https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi",[85,89,93,97,101,104],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",93.2,{"name":90,"color":91,"percentage":92},"Python","#3572A5",6,{"name":94,"color":95,"percentage":96},"HTML","#e34c26",0.7,{"name":98,"color":99,"percentage":100},"Starlark","#76d275",0.1,{"name":102,"color":103,"percentage":100},"Shell","#89e051",{"name":105,"color":106,"percentage":107},"Cython","#fedf5b",0,3361,2460,"2026-03-31T23:38:25","MIT",5,"","未说明",{"notes":116,"python":114,"dependencies":117},"该仓库为作者个人深度学习项目的集合，每个项目位于独立文件夹中。README 未提供具体的环境配置、依赖列表或硬件要求。用户需进入具体项目子目录查看各自的说明文档，或通过作者的博客及咨询网站获取更多信息。",[],[18],"2026-03-27T02:49:30.150509","2026-04-10T20:34:07.717414",[122,127,132,137,142,147],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},28304,"运行 create_pet_tf_record.py 时出现 'NoneType' object has no attribute 'groups' 错误怎么办？","该错误通常由文件名格式不匹配正则表达式引起。解决方法有两种：\n1. 将图片文件后缀从 .jpeg 改为 .jpg。\n2. 修改代码 object_detection\u002Fdataset_tools\u002Fcreate_pet_tf_record.py 第 57 行附近的正则表达式，将：\n`match = re.match(r'([A-Za-z_]+)(_[0-9]+\\.jpg)', file_name, re.I)`\n改为支持多种后缀的形式：\n`match = re.match(r'([A-Za-z_]+)(_[0-9]+\\.(jpg|jpeg))', file_name, re.I)`\n或者如果文件名中没有下划线分隔符，也可尝试移除正则中的下划线部分。","https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi\u002FDeep-Learning\u002Fissues\u002F6",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},28305,"训练时提示 FileNotFoundError: No such file or directory: '...\u002Fvia_region_data.json' 如何解决？","此错误表示程序无法在指定路径找到标注文件 via_region_data.json。请检查以下几点：\n1. 确认 --dataset 参数指向的路径是否正确，该路径应直接包含 via_region_data.json 文件（通常位于 train 或 val 文件夹内）。\n2. 检查命令中是否多余添加了子目录层级（例如不应在数据集根目录后额外加 \u002Ftrain，除非文件确实在那里面）。\n3. 建议在代码中添加 print 语句打印实际读取的路径以进行调试。\n4. 确保已从项目仓库下载了包含标注信息的 json 文件。","https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi\u002FDeep-Learning\u002Fissues\u002F80",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},28306,"模型训练完成后，在哪里可以找到生成的权重文件（.h5）？","训练生成的权重文件通常保存在项目根目录下的 logs 文件夹中（即 _log-folder_ within the _root_ directory）。如果在 inspect_custom_model.ipynb 中遇到找不到 mask_rcnn_damage.h5 的错误，请检查该日志文件夹并确认文件名是否与代码中引用的名称一致。","https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi\u002FDeep-Learning\u002Fissues\u002F30",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},28307,"代码中似乎没有保存训练权重的逻辑，如何手动保存训练后的模型权重？","需要在训练代码中手动添加保存权重的语句。在调用 `model.train(...)` 之后，添加以下代码行：\n`model.save_weights('你的文件路径\u002Fweights.h5')`\n请确保替换'你的文件路径'为实际的保存路径。这将把训练好的权重保存为 .h5 文件，以便后续加载使用。","https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi\u002FDeep-Learning\u002Fissues\u002F29",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},28308,"在深度估计任务中，如何将网络输出的归一化值转换为实际的物理深度（米）？","网络输出通常是归一化的值，需要利用训练集中提供的深度颜色与实际距离的对应关系进行反归一化。可以参考 utils.py 中的处理逻辑，通常涉及缩放操作。例如：\n`pred_y = scale_up(2, predict(model, x\u002F255, minDepth=10, maxDepth=1000, batch_size=bs)[:,:,:,0]) * 10.0`\n具体乘数和缩放因子取决于所使用的数据集（如 NYU Depth Dataset V2）的预处理方式，需查阅相关数据集文档或代码中的缩放函数。","https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi\u002FDeep-Learning\u002Fissues\u002F107",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},28309,"使用 balloon.py 训练自定义数据集时报错找不到文件，应该用哪个脚本？","如果是训练自定义数据集（如车辆损伤检测），不应直接使用原始的 balloon.py，而应使用该项目提供的修改版脚本 custom.py。custom.py 是专门针对自定义模型训练调整过的版本。同时，请确保 --dataset 参数指向的目录结构正确，通常不需要在数据集路径后额外追加 '\u002Ftrain'，除非你的文件确实嵌套在该子目录下。","https:\u002F\u002Fgithub.com\u002Fpriya-dwivedi\u002FDeep-Learning\u002Fissues\u002F63",[]]