[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-shogun-toolbox--shogun":3,"similar-shogun-toolbox--shogun":174},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":18,"owner_twitter":18,"owner_website":19,"owner_url":20,"languages":21,"stars":57,"forks":58,"last_commit_at":59,"license":60,"difficulty_score":61,"env_os":62,"env_gpu":63,"env_ram":63,"env_deps":64,"category_tags":69,"github_topics":73,"view_count":80,"oss_zip_url":18,"oss_zip_packed_at":18,"status":81,"created_at":82,"updated_at":83,"faqs":84,"releases":123},6250,"shogun-toolbox\u002Fshogun","shogun","Shōgun","Shogun 是一款自 1999 年诞生的开源机器学习工具箱，致力于提供统一且高效的算法实现。它核心解决了机器学习领域算法分散、不同编程语言间调用困难以及性能优化复杂等痛点，让研究人员和开发者能够专注于模型构建而非底层工程细节。\n\n这款工具非常适合机器学习研究者、数据科学家以及需要高性能计算支持的软件开发者使用。无论是进行学术探索还是工业级应用，Shogun 都能提供坚实的后盾。其最大的技术亮点在于采用 C++ 编写以确保极致的运行效率，同时通过自动生成技术，为 Python、R、Java、Scala、Ruby、C#、Octave 等多种主流语言提供了统一且成熟的接口。这意味着用户可以用自己最熟悉的语言轻松调用底层强大的 C++ 算法，无需担心跨语言调用的性能损耗或兼容性难题。此外，Shogun 支持 Linux、macOS、Windows 等多个平台，并拥有完善的文档与丰富的示例库，遵循宽松的 BSD 许可证，是连接理论研究与实际应用的理想桥梁。","# The SHOGUN machine learning toolbox\n-------------------------------------\n\nUnified and efficient Machine Learning since 1999.\n\nLatest release:\n\n[![Release](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease\u002Fshogun-toolbox\u002Fshogun.svg)](https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Freleases\u002Flatest)\n\nCite Shogun:\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F1555094.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F1555094)\n\nDevelop branch build status:\n\n[![Build status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshogun-toolbox_shogun_readme_bb28a7a9ef32.png)](https:\u002F\u002Fdev.azure.com\u002Fshogunml\u002Fshogun\u002F_build\u002Flatest?definitionId=-1)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fshogun-toolbox\u002Fshogun\u002Fbranch\u002Fdevelop\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fshogun-toolbox\u002Fshogun)\n\nDonate to Shogun via NumFocus:\n\n[![Powered by NumFOCUS](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpowered%20by-NumFOCUS-orange.svg?style=flat&colorA=E1523D&colorB=007D8A)](http:\u002F\u002Fnumfocus.org)\n\n\nBuildbot: https:\u002F\u002Fbuildbot.shogun.ml.\n\n * See [doc\u002Freadme\u002FABOUT.md](doc\u002Freadme\u002FABOUT.md) for a project description.\n * See [doc\u002Freadme\u002FINSTALL.md](doc\u002Freadme\u002FINSTALL.md) for installation instructions.\n * See [doc\u002Freadme\u002FINTERFACES.md](doc\u002Freadme\u002FINTERFACES.md) for calling Shogun from its interfaces.\n * See [doc\u002Freadme\u002FEXAMPLES.md](doc\u002Freadme\u002FEXAMPLES.md) for details on creating API examples.\n * See [doc\u002Freadme\u002FDEVELOPING.md](doc\u002Freadme\u002FDEVELOPING.md) for how to hack Shogun.\n \n * See [API examples](http:\u002F\u002Fshogun.ml\u002Fexamples) for all interfaces.\n * See [the wiki](https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fwiki\u002F) for extended developer information.\n\n## Interfaces\n-------------\n\nShogun is implemented in C++ and offers automatically generated, unified interfaces to Python, Octave, Java \u002F Scala, Ruby, C#, R, Lua. We are currently working on adding more languages including JavaScript, D, and Matlab.\n\n|    Interface     |     Status                                                |\n|:----------------:|-----------------------------------------------------------|\n|Python            | *mature* (no known problems)                              |\n|Octave            | *mature* (no known problems)                              |\n|Java\u002FScala        | *stable* (no known problems)                              |\n|Ruby              | *stable* (no known problems)                              |\n|C#                | *stable* (no known problems)                              |\n|R                 | *beta*   (most examples work, static calls unavailable)   |\n|Perl              | *pre-alpha* (work in progress quality)                    |\n|JS                | *pre-alpha* (work in progress quality)                    |\n\nSee [our website](http:\u002F\u002Fshogun.ml\u002Fexamples) for examples in all languages.\n\n## Platforms\n------------\n\nShogun is supported under GNU\u002FLinux, MacOSX, FreeBSD, and Windows.\n\n## Directory Contents\n---------------------\n\nThe following directories are found in the source distribution.\nNote that some folders are submodules that can be checked out with\n`git submodule update --init`.\n\n- *src* - source code, separated into C++ source and interfaces\n- *doc* - readmes (doc\u002Freadme, submodule), Jupyter notebooks, cookbook (API examples), licenses\n- *examples* - example files for all interfaces\n- *data* - data sets (submodule, required for examples)\n- *tests* - unit tests and continuous integration of interface examples\n- *applications* - applications of SHOGUN (outdated)\n- *benchmarks* - speed benchmarks\n- *cmake* - cmake build scripts\n\n## License\n----------\nShogun is distributed under [BSD 3-clause license](doc\u002Flicense\u002FLICENSE.md), with\noptional GPL3 components.\nSee [doc\u002Flicenses](doc\u002Flicense) for details.\n","# SHOGUN 机器学习工具箱\n-------------------------------------\n\n自1999年以来，提供统一且高效的机器学习解决方案。\n\n最新版本：\n\n[![Release](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Frelease\u002Fshogun-toolbox\u002Fshogun.svg)](https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Freleases\u002Flatest)\n\n引用 Shogun：\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F1555094.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F1555094)\n\n开发分支构建状态：\n\n[![Build status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshogun-toolbox_shogun_readme_bb28a7a9ef32.png)](https:\u002F\u002Fdev.azure.com\u002Fshogunml\u002Fshogun\u002F_build\u002Flatest?definitionId=-1)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fshogun-toolbox\u002Fshogun\u002Fbranch\u002Fdevelop\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fshogun-toolbox\u002Fshogun)\n\n通过 NumFocus 向 Shogun 捐款：\n\n[![Powered by NumFOCUS](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fpowered%20by-NumFOCUS-orange.svg?style=flat&colorA=E1523D&colorB=007D8A)](http:\u002F\u002Fnumfocus.org)\n\n\nBuildbot：https:\u002F\u002Fbuildbot.shogun.ml。\n\n * 请参阅 [doc\u002Freadme\u002FABOUT.md](doc\u002Freadme\u002FABOUT.md) 获取项目简介。\n * 请参阅 [doc\u002Freadme\u002FINSTALL.md](doc\u002Freadme\u002FINSTALL.md) 获取安装说明。\n * 请参阅 [doc\u002Freadme\u002FINTERFACES.md](doc\u002Freadme\u002FINTERFACES.md) 获取如何通过各接口调用 Shogun 的信息。\n * 请参阅 [doc\u002Freadme\u002FEXAMPLES.md](doc\u002Freadme\u002FEXAMPLES.md) 获取创建 API 示例的详细信息。\n * 请参阅 [doc\u002Freadme\u002FDEVELOPING.md](doc\u002Freadme\u002FDEVELOPING.md) 获取如何参与 Shogun 的开发。\n\n * 请参阅 [API 示例](http:\u002F\u002Fshogun.ml\u002Fexamples) 查看所有接口的示例。\n * 请参阅 [维基](https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fwiki\u002F) 获取更详细的开发者信息。\n\n## 接口\n-------------\n\nShogun 使用 C++ 实现，并提供了自动生成的统一接口，支持 Python、Octave、Java \u002F Scala、Ruby、C#、R 和 Lua。我们目前正在努力增加更多语言的支持，包括 JavaScript、D 语言和 Matlab。\n\n|    接口     |     状态                                                |\n|:----------------:|-----------------------------------------------------------|\n|Python            | *成熟*（无已知问题）                              |\n|Octave            | *成熟*（无已知问题）                              |\n|Java\u002FScala        | *稳定*（无已知问题）                              |\n|Ruby              | *稳定*（无已知问题）                              |\n|C#                | *稳定*（无已知问题）                              |\n|R                 | *测试版*   （大多数示例可用，静态调用不可用）   |\n|Perl              | *预Alpha*（质量仍在开发中）                    |\n|JS                | *预Alpha*（质量仍在开发中）                    |\n\n请访问 [我们的网站](http:\u002F\u002Fshogun.ml\u002Fexamples) 查看所有语言的示例。\n\n## 平台\n------------\n\nShogun 支持 GNU\u002FLinux、MacOSX、FreeBSD 和 Windows。\n\n## 目录内容\n---------------------\n\n源代码发布包中包含以下目录。\n请注意，部分文件夹为子模块，可通过\n`git submodule update --init` 命令检出。\n\n- *src* - 源代码，分为 C++ 源文件和接口实现\n- *doc* - 说明文档（doc\u002Freadme，子模块）、Jupyter 笔记本、Cookbook（API 示例）、许可证\n- *examples* - 所有接口的示例文件\n- *data* - 数据集（子模块，示例所需）\n- *tests* - 单元测试及接口示例的持续集成\n- *applications* - SHOGUN 的应用（已过时）\n- *benchmarks* - 性能基准测试\n- *cmake* - CMake 构建脚本\n\n## 许可证\n----------\nShogun 采用 [BSD 3 条款许可证](doc\u002Flicense\u002FLICENSE.md) 发布，同时包含可选的 GPL3 组件。\n详情请参阅 [许可证文档](doc\u002Flicense)。","# SHOGUN 机器学习工具箱快速上手指南\n\nSHOGUN 是一个自 1999 年起开发的统一且高效的机器学习工具箱，核心由 C++ 编写，并提供 Python、Java、R 等多种语言的接口。本指南将帮助您快速在本地环境中部署并使用 SHOGUN。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：支持 GNU\u002FLinux、macOS、FreeBSD 或 Windows。\n*   **核心依赖**：\n    *   CMake (构建系统)\n    *   C++ 编译器 (如 GCC, Clang 或 MSVC)\n    *   Git (用于克隆代码库及更新子模块)\n*   **语言接口依赖**（根据您使用的语言选择安装）：\n    *   **Python**: Python 3.x, NumPy, SciPy\n    *   **Java\u002FScala**: JDK, Maven\u002FGradle\n    *   **R**: R 语言环境\n    *   **Octave**: GNU Octave\n\n> **提示**：对于中国开发者，建议使用国内镜像源加速依赖包的安装（如使用 `pip` 时添加 `-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`）。\n\n## 安装步骤\n\nSHOGUN 推荐通过源码编译安装，以获取最新功能并自定义接口。\n\n### 1. 克隆仓库并初始化子模块\nSHOGUN 的数据集和部分文档作为子模块管理，必须初始化才能正常编译和运行示例。\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun.git\ncd shogun\ngit submodule update --init\n```\n\n### 2. 创建构建目录并配置\n使用 CMake 配置构建选项。以下示例展示如何启用 Python 接口（可根据需要替换为 `-DINTERFACE_JAVA=ON` 等）：\n\n```bash\nmkdir build\ncd build\ncmake -DINTERFACE_PYTHON=ON -DCMAKE_BUILD_TYPE=Release ..\n```\n\n*注：若遇到网络问题导致依赖下载失败，请检查 CMake 输出日志，手动下载对应依赖库至指定目录或配置代理。*\n\n### 3. 编译与安装\n利用多核并行编译加速过程，然后执行安装：\n\n```bash\nmake -j$(nproc)\nsudo make install\n```\n\n*   **Linux\u002FmacOS**: 安装后可能需要刷新动态链接库缓存：`sudo ldconfig`。\n*   **Windows**: 生成的 `.dll` 文件位于 `build\u002Fsrc\u002Fshogun`，需将其路径添加到系统环境变量 `PATH` 中。\n\n### 4. 验证安装\n尝试导入库以确认安装成功：\n\n```bash\npython -c \"import shogun; print(shogun.__version__)\"\n```\n\n## 基本使用\n\n以下是一个最简单的 Python 示例，演示如何加载数据并创建一个支持向量机（SVM）分类器。\n\n### Python 示例\n\n```python\nfrom shogun import RealFeatures, BinaryLabels, LibSVM, GaussianKernel\n\n# 1. 准备数据 (此处使用随机生成的数据作为演示)\n# 在实际使用中，您可以使用 RealFeatures.load_from_file() 加载数据\ntrain_feats = RealFeatures(10, 2) \ntrain_labels = BinaryLabels([1, -1, 1, -1, 1, -1, 1, -1, 1, -1])\n\n# 2. 创建高斯核函数\nkernel = GaussianKernel(train_feats, train_feats, 1.0)\n\n# 3. 初始化 SVM 训练器\nsvm = LibSVM(1.0, kernel, train_labels)\n\n# 4. 训练模型\nsvm.train()\n\n# 5. 输出结果\nprint(\"训练完成，支持向量数量:\", svm.get_num_support_vectors())\n```\n\n### 其他语言\nSHOGUN 在不同语言中的 API 设计高度一致。如果您使用 Java、R 或 Octave，只需将上述逻辑转换为对应语言的语法即可。更多详细示例请访问 [SHOGUN 官方示例网站](http:\u002F\u002Fshogun.ml\u002Fexamples)。","某生物信息学团队正在构建跨语言基因表达预测系统，需同时支持 Python 数据预处理与 Java 后端部署。\n\n### 没有 shogun 时\n- 团队被迫为同一套支持向量机（SVM）算法分别编写 Python 和 Java 两套代码，逻辑难以保持一致。\n- 不同语言调用的底层数学库性能差异巨大，导致模型在训练和推理阶段出现显著的精度偏差。\n- 每当需要尝试新的核函数组合时，必须在多种开发环境中重复修改代码，迭代周期长达数周。\n- 缺乏统一的接口标准，使得资深 C++ 算法工程师难以直接复用现有高性能模块到上层应用。\n\n### 使用 shogun 后\n- 利用 shogun 统一的 C++ 内核及自动生成的多语言接口，团队仅需维护一套核心算法逻辑即可同时在 Python 和 Java 中调用。\n- 所有语言前端共享同一套经过高度优化的底层计算引擎，彻底消除了因实现差异导致的模型精度波动。\n- 研究人员可通过 Python 快速原型设计验证新核函数，确认无误后直接通过 shogun 的 Java 接口无缝部署至生产环境。\n- 借助成熟的接口生态，团队成功将原本分散的开发流程整合，大幅降低了跨语言协作的沟通与维护成本。\n\nshogun 通过“一次实现，多语言通用”的架构，完美解决了异构系统下机器学习算法统一开发与高效部署的难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fshogun-toolbox_shogun_e9f7bec7.png","shogun-toolbox","Shōgun ML","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fshogun-toolbox_77d92040.png","",null,"http:\u002F\u002Fwww.shogun-toolbox.org\u002F","https:\u002F\u002Fgithub.com\u002Fshogun-toolbox",[22,26,29,33,36,40,44,47,51,54],{"name":23,"color":24,"percentage":25},"C++","#f34b7d",89.9,{"name":27,"color":18,"percentage":28},"SWIG",3,{"name":30,"color":31,"percentage":32},"Python","#3572A5",2.6,{"name":34,"color":35,"percentage":32},"C","#555555",{"name":37,"color":38,"percentage":39},"CMake","#DA3434",1.7,{"name":41,"color":42,"percentage":43},"MATLAB","#e16737",0.1,{"name":45,"color":46,"percentage":43},"Shell","#89e051",{"name":48,"color":49,"percentage":50},"Jinja","#a52a22",0,{"name":52,"color":53,"percentage":50},"Dockerfile","#384d54",{"name":55,"color":56,"percentage":50},"Batchfile","#C1F12E",3069,1032,"2026-04-09T07:26:06","BSD-3-Clause",4,"Linux, macOS, FreeBSD, Windows","未说明",{"notes":65,"python":63,"dependencies":66},"Shogun 核心由 C++ 编写，提供 Python、Octave、Java\u002FScala、Ruby、C#、R、Lua 等多种语言的接口。部分数据集和文档作为 Git 子模块存在，需运行 'git submodule update --init' 获取。许可证主要为 BSD 3-clause，包含可选的 GPL3 组件。",[67,68],"C++ (核心实现)","CMake (构建脚本)",[70,71,72],"其他","开发框架","数据工具",[74,75,76,77,78,79],"machine-learning","data-science","artificial-intelligence","swig","c-plus-plus","cmake",2,"ready","2026-03-27T02:49:30.150509","2026-04-10T20:46:13.244532",[85,90,94,99,104,108,113,118],{"id":86,"question_zh":87,"answer_zh":88,"source_url":89},28282,"编译时遇到 'std::enable_if_t' 未声明的错误，如何解决？","这通常意味着您的编译器不支持 C++14 标准，或者未设置相应的编译器标志。请检查编译器版本是否支持 C++14，并确保在编译命令中添加了正确的标志（如 -std=c++14）。可以通过搜索错误信息来确认具体原因。","https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fissues\u002F3988",{"id":91,"question_zh":92,"answer_zh":93,"source_url":89},28283,"CMake 配置时出现运行时库路径冲突警告（如 libz.so.1 被 Anaconda 隐藏），该如何处理？","该警告表明系统目录中的运行时库（如 \u002Fusr\u002Flib\u002Fx86_64-linux-gnu 下的 libz.so.1）可能被其他目录（如 \u002Fopt\u002Fanaconda3\u002Flib）中的文件隐藏。您可以尝试重新运行 cmake 并通过 -DCMAKE_INSTALL_PREFIX 指定自定义安装路径，或者调整环境变量以确保链接到正确的库文件。",{"id":95,"question_zh":96,"answer_zh":97,"source_url":98},28284,"在 Python 中调用 Shogun 的 register_minimizer 方法时出现 TypeError，提示参数类型不匹配，如何解决？","这是因为 Minimizer 类不是 CSGObject 的子类，导致 SWIG 生成的 Python 绑定无法正确识别类型。解决方法是参考相关的 Pull Request（#3175）进行修复，或者手动修改底层 C++ 代码以确保类继承关系正确。此外，可以查看相关的头文件（如 Dummy.h 和 Dummy2.h）并在 src\u002Fshogun\u002Fbase\u002Fclass_list.cpp 中手动添加包含语句以注册新类。","https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fissues\u002F3174",{"id":100,"question_zh":101,"answer_zh":102,"source_url":103},28285,"如何在项目中正确提交代码片段或运行结果以避免刷屏？","请不要直接将代码或结果粘贴到 GitHub 的 Issue 评论中，这样会导致对话混乱。正确的做法是将内容上传到 Gist（https:\u002F\u002Fgist.github.com\u002F），然后将生成的链接贴在评论中。维护者可能会删除直接粘贴大段代码的评论。","https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fissues\u002F1971",{"id":105,"question_zh":106,"answer_zh":107,"source_url":103},28286,"在使用变分近似方法时，负对数似然（nlZ）的含义及其与原始 KL 方法的关系是什么？","通过变分近似方法生成的负对数似然（nlZ）实际上是原始 KL 方法生成的负对数似然的上方（变分）界。按照变分方法的标准符号，最小化 nlZ 等价于最大化对数似然的下界。dnlZ 用于更新协方差函数的（超）参数。可以通过数值实验或相关论文进一步验证这一理论结果。",{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},28287,"如何优化 Shogun 中的点积运算性能，特别是针对深度学习任务？","首先应深入代码并系统地调查性能瓶颈。很多时候，简单的多核技术就能显著提升速度。对于 GPU 加速，需要识别哪些操作适合移至 GPU，候选操作通常是涉及固定且大型矩阵的运算。此外，可以参考 benchmark 文件夹中的过往基准测试示例来获取灵感。","https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fissues\u002F1973",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},28288,"SubsetStack 在处理大量子集时的内存可扩展性问题如何解决？","目前 SubsetStack 会记住所有过去的活跃索引向量以便快速移除子集，但这在仅添加大量子集时会消耗大量内存。解决方案是引入一种新模式（通过构造函数标志控制），该模式只允许添加子集并更新当前索引向量，而不保留旧向量。这样可以节省内存，但代价是无法从堆栈中移除子集（会报错）。该项目已通过 PR #2155 实现了原地（in-place）方法。","https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fissues\u002F2136",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},28289,"在 Windows 上使用 MSVC 2015 构建 Debug 版本时遇到 LNK2038 链接器错误，原因是什么？","LNK2038 错误通常是由于混合使用了不同运行时库设置（如 \u002FMD 与 \u002FMDd）编译的对象文件导致的。在 Debug 模式下，确保所有依赖库和项目本身都使用一致的调试运行时库设置。Release 版本正常工作而 Debug 版本失败，往往是因为某些第三方库或预编译文件未使用 Debug 配置构建。请检查 CMake 配置和 vcpkg 安装的库是否匹配当前的构建类型。","https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fissues\u002F4231",[124,129,134,139,144,149,154,159,164,169],{"id":125,"version":126,"summary_zh":127,"released_at":128},189176,"shogun_6.1.4","* 错误修复：\n        - 修复网站上的 Cookbook 示例","2019-07-05T10:23:31",{"id":130,"version":131,"summary_zh":132,"released_at":133},189177,"shogun_6.1.3","### 特性\n- 移除所有 \u003Cmath.h> 函数调用 [Viktor Gal]\n- 使用 C++11 的 std::isnan、std::isfinite、std::isinf [Viktor Gal]\n\n### 错误修复\n- 将 IPython 笔记本移植为 Python 3 兼容 [Viktor Gal]\n- 在 Windows 上链接接口库时使用 shogun-static 库 [Viktor Gal]\n- 修复使用 MSVC 编译时的 Python 类型映射 [Viktor Gal]\n- 修复 ShogunConfig.cmake 中的路径 [Viktor Gal]\n- 修复并行构建中的元示例解析器错误 [Esben Sørig]","2017-12-07T19:18:46",{"id":135,"version":136,"summary_zh":137,"released_at":138},189178,"shogun_6.1.2","### 错误修复：\n - 修复在 WIN32 上安装示例的问题 [Viktor Gal]","2017-11-29T08:27:46",{"id":140,"version":141,"summary_zh":142,"released_at":143},189179,"shogun_6.1.1","### 错误修复\n - 当 LICENSE_GPL_SHOGUN 被启用时，安装 GPL 模型的头文件 [Viktor Gal]\n - 使用 MSVC 编译时，始终开启 LIBSHOGUN_BUILD_STATIC [Viktor Gal]\n - 修复 IPython 笔记本中的错误 [Viktor Gal]","2017-11-29T01:20:35",{"id":145,"version":146,"summary_zh":147,"released_at":148},189180,"shogun_6.1.0","* 本版本献给海科顺利通过博士论文答辩！\n\n* 添加 conda-forge 包，以便通过跨平台的 conda 包管理器获取预编译二进制文件 [道格尔·萨瑟兰]\n* 将接口 CMake 变量改为 INTERFACE_* 格式\n* 将 GPL 许可的代码移至 gpl 子模块 [海科·施特拉斯曼]\n\n### 功能特性\n- 默认启用从 Eigen 使用 BLAS\u002FLAPACK [维克托·加尔]\n- 为 SGVector 和 SGMatrix 添加迭代器 [维克托·加尔]\n- 大幅降低 KernelPCA 的运行时间（2017 年 GSoC 项目）[米凯莱·马佐尼]\n- 重构 FisherLDA 和 LDA 求解器（2017 年 GSoC 项目）[米凯莱·马佐尼]\n- 添加训练模型序列化的自动化测试（2017 年 GSoC 项目）[米凯莱·马佐尼]\n- 默认启用 SWIG director 类 [维克托·加尔]\n- 对 DotFeatures 的协方差\u002F均值计算进行向量化处理 [米凯莱·马佐尼]\n- 支持在模型训练过程中提前终止（2017 年 GSoC 项目）[乔瓦尼·德·托尼]\n- 添加对可观测变量的支持（2017 年 GSoC 项目）[乔瓦尼·德·托尼]\n- 使用 TFLogger 将可观测变量序列化以供 TensorBoard 使用（2017 年 GSoC 项目）[乔瓦尼·德·托尼]\n- 废弃 CMath::dot 和 SGVector::dot，改用 linalg::dot [维克托·加尔]\n- 为 BaggingMachine 添加类别概率（2017 年 GSoC 项目）[奥利维尔·阮]\n\n### 错误修复\n- 修复 Ruby 类型映射中矩阵转置的 bug [埃利亚斯·萨尔曼]\n- 修复 MKL 的检测与链接；在可用时使用 mkl_rt [维克托·加尔]\n- 修复 Windows 下的静态链接问题 [维克托·加尔]\n- 修复 Windows 上 SWIG 接口的编译问题 [qcrist]\n- 修复 CircularBuffer 中导致无法解析大型 CSV 和 LibSVM 文件的 bug #1991 [维克托·加尔]\n- 修复使用 clang 编译 R 接口时的问题 [维克托·加尔]","2017-11-28T22:34:53",{"id":150,"version":151,"summary_zh":152,"released_at":153},189181,"shogun_6.0.0","* 添加原生 MS Windows 支持 [Viktor Gal]\n* Shogun 要求编译器支持 C++11 特性\n* Shogun 云在线：在浏览器中使用 Jupyter Notebook 运行 Shogun，网址：https:\u002F\u002Fcloud.shogun.ml\n\n### 功能特性\n- LDA 现在支持 32、64 和 128 位浮点数 [Chris Goldsworthy]\n- 新增 SHOGUN_NUM_THREADS 环境变量，用于控制运行时模型使用的线程数 [Viktor Gal]\n- 在构建中添加了 Scala 接口 [Abhinav Rai]\n- 对核方法统计假设检验框架进行了大规模重写和 API 变更，大幅提升了二次时间复杂度 MMD 的置换检验速度，并新增了针对二次时间复杂度 MMD 的核选择算法 [Soumyajit De]\n\n### 错误修复：\n- 修复 R>=3.3.0 时 R 接口的构建错误，#3460 [Heiko Strathmann]\n- 使代码与 Eigen 3.3.0 兼容 [Viktor Gal]\n- 修复 Linux 上检测到的 CPU 数量问题 [Viktor Gal]\n- 修复 KMeansBase 中的多线程问题 [Viktor Gal]\n- 使 ExponentialARDKernel 线程安全 [Viktor Gal]\n- 使 PRNG 线程安全 [Viktor Gal]\n- 修复使用启用了 OpenMP 编译的 libshogun 时的 Python 接口问题 [Viktor Gal]\n- 修复 CART 以使其能够与交叉验证配合使用 [Fernando Iglesias]\n\n### 代码清理、效率优化及 API 变更：\n- 将核中的多线程实现移植到 OpenMP 后端 [Viktor Gal]\n- 修复 EuclideanDistance 中的伪共享问题 [Viktor Gal]\n- 修复整个项目的源码外构建问题 [Viktor Gal]\n- 添加 LIBSHOGUN CMake 标志，用于关闭 libshogun 的编译 [Viktor Gal]\n- 使用 CMake 导出 Shogun 目标，以便能够在系统上构建指向预编译 libshogun 的模块化接口，而无需重新编译 libshogun 自身 [Viktor Gal]\n\n### 备注\n- 包含对开发文档（doc\u002Freadme）的重大重写和清理 [Heiko Strathmann, Lea Götz]\n- 已知问题：Octave 多线程会崩溃，目前绑定是以单线程方式初始化的，详情见：https:\u002F\u002Fgithub.com\u002Fshogun-toolbox\u002Fshogun\u002Fissues\u002F3772 [Heiko Strathmann]","2017-04-23T10:02:15",{"id":155,"version":156,"summary_zh":157,"released_at":158},189182,"shogun_5.0.0","### 功能特性\n- Saurabh Mahindre 的 GSoC 2016 项目：对 KMeans、LARS、随机森林、自助法、KNN 等算法进行了重大效率优化。\n- 新增 Shogun 说明书，用于在所有目标语言中进行文档编写和测试 [Heiko Strathmann、Sergey Lisitsyn、Esben Sorig、Viktor Gal]。\n- 增加了使用高斯过程近似推断来学习 CombinedKernel 权重的选项 [Wu Lin]。\n- LARS 现在支持 32、64 和 128 位浮点数 [Chris Goldsworthy]。\n\n### 错误修复：\n- 修复 GCC >= 6.0.0 下 gTest 的段错误 [Björn Esser]。\n- 使 Java 和 CSharp 的安装目录可配置 [Björn Esser]。\n- 自动生成功能正确的模块后缀的 modshogun.rb 文件 [Björn Esser]。\n- 修复 KMeans++ 初始化问题 [Saurabh Mahindre]。\n\n### 代码清理、效率提升及 API 变更：\n- 将 Eigen3 设为硬性依赖。如果系统中未找到，则将其打包包含。[Heiko Strathmann]\n- 在 CStatistics 中移除 ALGLIB（GPL 许可）依赖，改用 CDFLIB（公共领域）[Heiko Strathmann]。\n- 移除模型选择中的 p 值估计功能 [Heiko Strathmann]。\n- 已移除静态接口 [Viktor Gal]。\n- 新增平移不变核基类 ShiftInvariantKernel，GaussianKernel 继承自该类 [Rahul De]。\n\n### 注意\n此版本新增了一个 CMake 选项 USE_GPL_SHOGUN，当其设置为 OFF 时，将从 Shogun 中排除所有 GPL 许可的代码 [Heiko Strathmann]。\n","2016-11-04T21:40:59",{"id":160,"version":161,"summary_zh":162,"released_at":163},189183,"shogun_4.1.0","这是一个新功能和清理修复版本。\n\n### 功能：\n- 在结构化输出框架中添加了用于近似推理的 GEMPLP [Jiaolong Xu]。\n- 对 GP 推理的 FITC 框架（FITC_Laplce、FITC、VarDTC）进行了效率优化 [Wu Lin]。\n- 在稀疏 GP 推理中增加了对诱导变量的优化 [Wu Lin]。\n- 增加了 GP 推理的优化方法（Newton、Cholesky、LBFGS 等）[Wu Lin]。\n- 为变分 GP 推理添加了自动相关性确定（ARD）核功能 [Wu Lin]。\n- 更新了变分 GP 推理的 Notebook [Wu Lin]。\n- 新增了随机优化框架（L1\u002F2 损失、镜像下降法、近端梯度法、Adagrad、SVRG、RMSProp、Adadelta 等）[Wu Lin]。\n- 新的 Shogun 元语言，用于自动生成所有目标语言的代码清单 [Esben Sörig]。\n- 添加了周期核 [Esben Sörig]。\n- 在神经网络中增加了梯度输出功能 [Sanuj Sharma]。\n\n### Bug 修复：\n- 修复了使用 OpenJDK 进行 java_modular 构建的问题 [Björn Esser]。\n- 捕获了神经网络代码中的未捕获异常 [Khaled Nasr]。\n- 修复了在 MacOSX 上使用 SWIG 3.0.5 构建模块化接口时的问题 [Björn Esser]。\n- 修复了在 SGMatrix 实例上两次调用 delete[] 导致的段错误 [Björn Esser]。\n- 修复了使用完全强化编译标志（CXX|LDFLAGS）构建时的问题 [Björn Esser]。\n- 为 SWIG 打补丁，修复了 SWIG 与 Python >= 3.5 的兼容性问题 [Björn Esser]。\n- 添加 modshogun.rb：确保在加载 modshogun.so 之前先加载 narray [Björn Esser]。\n- 在运行 R 脚本时正确设置工作目录（#2654）[Björn Esser]。\n\n### 清理、效率更新及 API 变更：\n- 在线性代数库中添加了基于 GPU 的点积运算 [Rahul De]。\n- 在线性代数库中添加了缩放方法 [Rahul De]。\n- 在线性代数库中添加了逐元素乘法 [Rahul De]。\n- 在线性代数库中添加了逐元素一元运算符 [Rahul De]。\n- 移除了参数迁移框架 [Heiko Strathmann]。\n- 默认禁用了 Python 集成测试 [Sergey Lisitsyn, Heiko Strathmann]。","2016-05-17T16:48:03",{"id":165,"version":166,"summary_zh":167,"released_at":168},189184,"shogun_4.0.0","- 本次发布包含了我们2014年Google Summer of Code项目的8位学生的成果 [学生；导师]：\n  - OpenCV集成与计算机视觉应用 [Abhijeet Kislay；Kevin Hughes]\n  - 大规模多标签分类 [Abinash Panda；Thoralf Klein]\n  - 基于近似推理的大规模结构化预测 [Jiaolong Xu；Shell Hu]\n  - 核心深度学习模块 [Khaled Nasr；Sergey Lisitsyn、Theofanis Karaletsos]\n  - 机器学习基础：决策树、核密度估计 [Parijat Mazumdar；Fernando Iglesias]\n  - Shogun推广与教育应用 [Saurabh Mahindre；Heiko Strathmann]\n  - 使用核函数测试和度量变量交互作用 [Soumyajit De；Dino Sejdinovic、Heiko Strathmann]\n  - 高斯过程的变分学习 [Wu Lin；Heiko Strathmann、Emtiyaz Khan]\n- 本次发布还包含多项代码清理和错误修复：\n  - 功能新增：\n    - 新的Shogun项目简介 [Heiko Strathmann]\n    - 决策树学习的ID3算法 [Parijat Mazumdar]\n    - PCA矩阵分解的新模式：SVD与EVD，支持原地操作或重新分配内存 [Parijat Mazumdar]\n    - 添加具有线性、逻辑斯蒂及softmax激活函数的神经网络 [Khaled Nasr]\n    - 在多分类笔记本中增加核方法多分类策略示例 [Saurabh Mahindre]\n    - 添加包含ID3算法示例的决策树笔记本 [Parijat Mazumdar]\n    - 添加数独识别的IPython笔记本 [Alejandro Hernandez]\n    - 支持对特征、标签以及自定义核函数进行原地子集操作 [Heiko Strathmann]\n    - 添加主成分分析笔记本 [Abhijeet Kislay]\n    - 添加多核学习笔记本 [Saurabh Mahindre]\n    - 增加多标签分类相关的类，以支持多标签分类任务 [Thoralf Klein]\n    - 在神经网络中加入修正线性单元、丢弃层和最大范数正则化 [Khaled Nasr]\n    - 增加用于多分类的C4.5决策树算法 [Parijat Mazumdar]\n    - 增加对任意无环图结构神经网络的支持 [Khaled Nasr]\n    - 增加用于分类与回归的CART决策树算法 [Parijat Mazumdar]\n    - 增加用于多分类和回归的CHAID决策树算法 [Parijat Mazumdar]\n    - 增加卷积神经网络 [Khaled Nasr]\n    - 增加基于CART的随机森林集成学习算法 [Parijat Mazumdar]\n    - 增加受限玻尔兹曼机 [Khaled Nasr]\n    - 增加用于集成学习的随机梯度提升算法 [Parijat Mazumdar]\n    - 增加深度收缩自编码器和去噪自编码器 [Khaled Nasr]\n    - 增加深度信念网络 [Khaled Nasr]\n  - 错误修复：\n    - 修复CList在启用引用计数时的引用计数漏洞 [Heiko Strathmann、Thoralf Klein、lambday]\n    - 修复PCA::apply_to_feature_matrix中的内存问题 [Parijat Mazumdar]\n    - 修复LeastAngleRegression在特征维度D大于样本数N时的崩溃问题 [Parijat Mazumdar]\n    - 修复束方法求解器中的内存违规问题 [Thoralf Klein]","2015-01-18T11:10:42",{"id":170,"version":171,"summary_zh":172,"released_at":173},189185,"shogun_3.2.0","我们很高兴地宣布 Shogun 3.2.0 版本发布！\n\n本次发布还包含多项代码清理和错误修复：\n- 功能改进：\n  - 现已全面支持 Python 3\n  - 新增小批量 K-means 算法 [Parijat Mazumdar]\n  - 新增 K-means++ 算法，详情请参阅 [笔记本](http:\u002F\u002Fshogun-toolbox.org\u002Fstatic\u002Fnotebook\u002Fcurrent\u002FKMeans.html) [Parijat Mazumdar]\n  - 新增子序列字符串核 [lambday]\n- 错误修复：\n  - 针对未来即将发布的 SWIG 3.0 的编译修复\n  - 加速高斯过程的 apply() 方法\n  - 改进单元测试和集成测试的检查\n  - 修复 libbmrm 中未初始化内存读取问题\n  - 修复 libocas 中未初始化内存读取问题\n  - 修复 Octave 3.8 的编译问题 [Orion Poplawski]\n  - 修复 Java 模块化编译错误 [Bjoern Esser]","2014-02-17T20:33:59",[175,185,193,202,210,219],{"id":176,"name":177,"github_repo":178,"description_zh":179,"stars":180,"difficulty_score":28,"last_commit_at":181,"category_tags":182,"status":81},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,"2026-04-06T06:32:30",[183,71,184,72],"Agent","图像",{"id":186,"name":187,"github_repo":188,"description_zh":189,"stars":190,"difficulty_score":28,"last_commit_at":191,"category_tags":192,"status":81},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[71,184,183],{"id":194,"name":195,"github_repo":196,"description_zh":197,"stars":198,"difficulty_score":80,"last_commit_at":199,"category_tags":200,"status":81},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",149489,"2026-04-10T11:32:46",[71,183,201],"语言模型",{"id":203,"name":204,"github_repo":205,"description_zh":206,"stars":207,"difficulty_score":80,"last_commit_at":208,"category_tags":209,"status":81},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[71,184,183],{"id":211,"name":212,"github_repo":213,"description_zh":214,"stars":215,"difficulty_score":80,"last_commit_at":216,"category_tags":217,"status":81},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[218,183,184,71],"插件",{"id":220,"name":221,"github_repo":222,"description_zh":223,"stars":224,"difficulty_score":80,"last_commit_at":225,"category_tags":226,"status":81},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[218,71]]