[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-shenweichen--GraphNeuralNetwork":3,"tool-shenweichen--GraphNeuralNetwork":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。",75832,"2026-04-17T21:58:25",[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":79,"owner_location":80,"owner_email":81,"owner_twitter":79,"owner_website":79,"owner_url":82,"languages":83,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":92,"env_ram":92,"env_deps":93,"category_tags":98,"github_topics":99,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":22,"created_at":105,"updated_at":106,"faqs":107,"releases":135},8773,"shenweichen\u002FGraphNeuralNetwork","GraphNeuralNetwork","Implementation and experiments of graph neural netwokrs, like gcn,graphsage,gat,etc.","GraphNeuralNetwork 是一个专注于图神经网络（GNN）算法实现与实验的开源项目，旨在帮助开发者快速上手并深入理解这一前沿技术。它内置了 GCN、GraphSAGE 和 GAT 等经典模型的标准代码，并提供了在 Cora 数据集上的完整运行示例，有效解决了研究人员和工程师在复现论文算法时面临的环境配置复杂、代码参考缺失等痛点。\n\n该项目特别适合人工智能领域的研究人员、算法工程师以及希望探索图数据价值的开发者使用。无论是进行学术调研、模型对比，还是构建基于图结构的应用原型，GraphNeuralNetwork 都能提供坚实的代码基础。其核心亮点在于不仅提供了严谨的算法实现，还附带了详细的中文原理导读链接，将复杂的数学推导与工程实践紧密结合，极大地降低了学习门槛。用户只需简单的几步命令即可完成环境搭建并运行实验，是入门图神经网络领域不可多得的实用工具库。","# Graph Neural Network\n\n# Method\n\n\n|   Model   | Paper                                                                                                                      | Note                                                                                        |\n| :-------: | :------------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------ |\n| GCN  | [ICLR 2017][Semi-Supervised Classification with Graph Convolutional Networks](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1609.02907) | [【Graph Neural Network】GCN：算法原理，实现和应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78624225)  |\n| GraphSAGE  | [NIPS 2017][Inductive representation learning on large graphs](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F6703-inductive-representation-learning-on-large-graphs.pdf) | [【Graph Neural Network】GraphSAGE：算法原理，实现和应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F79637787)  |\n| GAT  | [ICLR 2018][Graph Attention Nerworks](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.10903.pdf) |  |\n\n# How to run examples\n1. clone the repo and use `pip install -r requirements.txt` to setup the operating environment with `python>=3.6`.\n2. run following commands\n```bash\ncd gnn\npython run_gcn_cora.py\npython run_graphsage_cora.py\npython run_gat_cora.py\n```\n\n# DisscussionGroup\n|公众号：浅梦学习笔记|微信：deepctrbot|\n|:--:|:--:|\n| [![公众号](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshenweichen_GraphNeuralNetwork_readme_2a7fa640ecc3.png)](https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FAlgoNotes)| [![微信](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshenweichen_GraphNeuralNetwork_readme_fa7f9d3024da.png)](https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FAlgoNotes)|\n","# 图神经网络\n\n# 方法\n\n\n|   模型   | 论文                                                                                                                      | 备注                                                                                        |\n| :-------: | :------------------------------------------------------------------------------------------------------------------------- | :------------------------------------------------------------------------------------------ |\n| GCN  | [ICLR 2017][基于图卷积网络的半监督分类](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1609.02907) | [【图神经网络】GCN：算法原理、实现和应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F78624225)  |\n| GraphSAGE  | [NIPS 2017][大规模图上的归纳式表示学习](https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F6703-inductive-representation-learning-on-large-graphs.pdf) | [【图神经网络】GraphSAGE：算法原理、实现和应用](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F79637787)  |\n| GAT  | [ICLR 2018][图注意力网络](https:\u002F\u002Farxiv.org\u002Fpdf\u002F1710.10903.pdf) |  |\n\n# 如何运行示例\n1. 克隆仓库，并使用 `pip install -r requirements.txt` 来搭建运行环境，要求 Python 版本 ≥ 3.6。\n2. 运行以下命令：\n```bash\ncd gnn\npython run_gcn_cora.py\npython run_graphsage_cora.py\npython run_gat_cora.py\n```\n\n# 讨论群\n|公众号：浅梦学习笔记|微信：deepctrbot|\n|:--:|:--:|\n| [![公众号](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshenweichen_GraphNeuralNetwork_readme_2a7fa640ecc3.png)](https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FAlgoNotes)| [![微信](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshenweichen_GraphNeuralNetwork_readme_fa7f9d3024da.png)](https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FAlgoNotes)|","# GraphNeuralNetwork 快速上手指南\n\n## 环境准备\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：Python >= 3.6\n- **前置依赖**：需安装 `pip` 包管理工具\n\n## 安装步骤\n1. 克隆项目仓库到本地：\n   ```bash\n   git clone \u003Crepo_url>\n   cd GraphNeuralNetwork\n   ```\n   *(注：请将 `\u003Crepo_url>` 替换为实际的项目仓库地址)*\n\n2. 安装 Python 依赖包（推荐使用国内镜像源加速）：\n   ```bash\n   pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n   ```\n\n## 基本使用\n进入 `gnn` 目录后，可直接运行以下命令体验三种经典的图神经网络模型（基于 Cora 数据集）：\n\n**1. 运行 GCN (Graph Convolutional Networks)**\n```bash\ncd gnn\npython run_gcn_cora.py\n```\n\n**2. 运行 GraphSAGE**\n```bash\npython run_graphsage_cora.py\n```\n\n**3. 运行 GAT (Graph Attention Networks)**\n```bash\npython run_gat_cora.py\n```\n\n运行成功后，终端将输出模型的训练过程及最终结果。","某电商平台的推荐算法团队正致力于优化“猜你喜欢”模块，试图从复杂的用户 - 商品交互数据中挖掘更深层的关联特征。\n\n### 没有 GraphNeuralNetwork 时\n- **关系建模能力弱**：传统模型（如协同过滤）仅依赖用户与物品的直接交互记录，无法有效捕捉“朋友的朋友也喜欢”这类高阶连通性信息，导致长尾商品推荐准确率极低。\n- **冷启动问题严峻**：面对新用户或新上架商品，由于缺乏历史行为数据，模型无法生成有效特征向量，只能随机推荐或基于热门榜单，用户体验较差。\n- **特征工程繁琐且静态**：工程师需手动设计大量统计类特征（如点击率、共现次数），不仅耗时耗力，且难以动态适应图谱结构的变化，模型迭代周期长达数周。\n- **忽略节点属性差异**：在处理异构数据时，难以将用户画像（年龄、地域）与商品属性（类别、价格）自然地融合进拓扑结构中，造成信息浪费。\n\n### 使用 GraphNeuralNetwork 后\n- **高阶关系精准捕获**：利用 GCN 或 GraphSAGE 的邻居聚合机制，模型能自动学习多跳路径上的隐含关系，显著提升了长尾商品的曝光转化率。\n- **高效解决冷启动**：借助归纳式学习能力（Inductive Learning），即使对于未见过的节点，也能通过其相邻节点的特征快速生成高质量嵌入向量，实现“即插即用”。\n- **端到端自动化学习**：无需人工构造复杂的交叉特征，GraphNeuralNetwork 直接从图结构中端到端地学习表示，将模型迭代周期从数周缩短至几天。\n- **结构与属性深度融合**：通过 GAT 等注意力机制，模型能自适应地权衡邻居节点的重要性，并将用户与商品的丰富属性无缝融入图表示中，大幅提升了推荐的个性化程度。\n\nGraphNeuralNetwork 通过将复杂的非欧几里得数据结构转化为可计算的向量表示，让推荐系统真正具备了理解复杂社交与交易网络的能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshenweichen_GraphNeuralNetwork_b50cd8c9.png","shenweichen","浅梦","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshenweichen_160bf89d.jpg",null,"Hangzhou, Zhejiang, China","weichenswc@163.com","https:\u002F\u002Fgithub.com\u002Fshenweichen",[84],{"name":85,"color":86,"percentage":87},"Python","#3572A5",100,851,188,"2026-04-13T23:29:51","MIT","未说明",{"notes":94,"python":95,"dependencies":96},"需先克隆仓库，并通过 'pip install -r requirements.txt' 安装依赖。示例代码位于 gnn 目录下，分别对应 GCN、GraphSAGE 和 GAT 模型在 Cora 数据集上的运行脚本。",">=3.6",[97],"requirements.txt 中定义的依赖 (具体库及版本未在 README 中列出)",[18],[100,101,102,103,104],"gcn","graphsage","gnn","gat","graph-attention","2026-03-27T02:49:30.150509","2026-04-18T09:19:38.960000",[108,113,117,122,127,131],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},39355,"为什么 GitHub 上的代码是 TensorFlow 版本，而书上讲的是 PyTorch？两者有何区别？","书上的代码确实是以 PyTorch 版本为主，因为 PyTorch 版本通常更易懂且易于调试。GitHub 仓库提供的 TensorFlow 版本是社区或作者实现的另一种版本，但在转换过程中可能引入了一些 Bug（如 bias 判断错误、矩阵乘法维度问题等）。如果遇到困难，建议参考书中的 PyTorch 逻辑进行排查，或者严格按照 Issue 中的修复补丁修改 TensorFlow 代码。目前 `run_gat_cora.py` 和修复后的 `run_graphsage_cora.py` 运行较为稳定，而 `run_gcn_cora.py` 需要手动修复多处代码才能运行。","https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FGraphNeuralNetwork\u002Fissues\u002F2",{"id":114,"question_zh":115,"answer_zh":116,"source_url":112},39353,"运行 gcn.py 时遇到 'TypeError: Input pred of Switch Op has type float32 that does not match expected type of bool' 或 'ValueError: setting an array element with a sequence' 错误，如何解决？","这是代码中的几个已知 Bug，需要手动修改 `gnn\u002Fgcn.py` 文件：\n1. 第 72 行：将矩阵乘法改为嵌套形式 `output = tf.matmul(tf.matmul(A, features), self.kernel)`。\n2. 第 73 行：将判断条件 `if self.bias:` 修改为 `if self.use_bias:`。\n3. 删除 `act._uses_learning_phase = features._uses_learning_phase` 这一行（针对 AttributeError）。\n4. 第 95 行：确保邻接矩阵输入定义为 `Adj = Input(shape=(adj_dim,))`。\n建议使用的 TensorFlow 版本为 1.12 至 1.15。",{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},39354,"运行 run_graphsage_cora.py 时报错 'InternalError: Unsupported feed type'，该如何修复？","该错误是由于 `sample_neigh` 变量的数据类型不正确导致的。请在 `run_graphsage_cora.py` 文件的第 32 行附近插入以下代码进行类型转换：\n`sample_neigh = np.asarray(sample_neigh, dtype=np.float32)`\n修改后即可顺利执行，但请注意测试结果显示准确率可能在 0.45 左右。","https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FGraphNeuralNetwork\u002Fissues\u002F9",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},39356,"修复 gcn.py 后仍然遇到 'AttributeError: Tensor object has no attribute _uses_learning_phase' 错误怎么办？","这是因为代码中显式设置了学习阶段属性，而在某些 TensorFlow 版本（如 1.15）中 Tensor 对象不再直接支持该属性赋值。解决方法是在 `gnn\u002Fgcn.py` 的 `call` 函数末尾，删除或注释掉以下这行代码：\n`act._uses_learning_phase = features._uses_learning_phase`\n删除后重新运行即可解决该 AttributeError。","https:\u002F\u002Fgithub.com\u002Fshenweichen\u002FGraphNeuralNetwork\u002Fissues\u002F4",{"id":128,"question_zh":129,"answer_zh":130,"source_url":126},39357,"项目对 TensorFlow 的版本有什么具体要求？","根据用户反馈，该项目代码在 TensorFlow 1.12、1.14 和 1.15 版本上经过测试可以运行（需配合上述代码修复）。低版本（如 1.4.0）可能会遇到 'Unsupported feed type' 等兼容性错误，建议使用 TensorFlow 1.12 及以上版本，并确保按照 Issue 中的方案修正 `gcn.py` 和 `run_graphsage_cora.py` 中的代码。",{"id":132,"question_zh":133,"answer_zh":134,"source_url":121},39358,"运行 GraphSAGE 模型时准确率较低（约 0.45），是代码问题吗？","在修复了 'Unsupported feed type' 错误（通过将 `sample_neigh` 转换为 float32）后，部分用户反馈运行结果准确率约为 0.45。这可能是由于数据集预处理、超参数设置或代码实现细节（如邻居采样逻辑）与原始论文或标准实现存在差异所致。建议检查数据加载部分是否正确，并对比书中 PyTorch 版本的参数配置进行调整。",[]]