[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-stephencwelch--Neural-Networks-Demystified":3,"tool-stephencwelch--Neural-Networks-Demystified":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。",84991,2,"2026-04-05T10:45:23",[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。",74913,"2026-04-05T10:44:17",[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",65628,"2026-04-05T10:10:46",[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":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":82,"owner_url":83,"languages":84,"stars":93,"forks":94,"last_commit_at":95,"license":79,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":104,"github_topics":79,"view_count":10,"oss_zip_url":79,"oss_zip_packed_at":79,"status":22,"created_at":105,"updated_at":106,"faqs":107,"releases":143},3194,"stephencwelch\u002FNeural-Networks-Demystified","Neural-Networks-Demystified","Supporting code for short YouTube series Neural Networks Demystified. ","Neural-Networks-Demystified 是一套专为 YouTube 科普系列视频《神经网络揭秘》配套的开源学习资源。它旨在解决初学者在面对神经网络复杂数学公式和抽象概念时难以上手的问题，通过将理论知识转化为可执行的代码，让深度学习变得直观易懂。\n\n这套资源非常适合希望入门人工智能的开发者、学生以及研究人员使用。无论你是否具备深厚的数学背景，都能通过它循序渐进地理解神经网络的核心原理。其独特的技术亮点在于提供了完整的 iPython\u002FJupyter Notebook 文件，不仅包含了视频中讲解的所有公式推导和文字稿，还集成了对应的 Python 实现代码。用户可以直接在本地运行这些交互式笔记，实时调整参数并观察模型变化，从而将被动观看转变为主动探索。此外，项目也提供了独立的 Python 脚本供灵活调用。推荐搭配 Anaconda 环境使用，以便快速搭建实验平台，轻松开启神经网络的学习之旅。","# Neural Networks Demystified\n\nSupporting iPython notebooks for the YouTube Series [Neural Networks Demystified](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bxe2T-V8XRs&list=PLiaHhY2iBX9hdHaRr6b7XevZtgZRa1PoU). I've included formulas, code, and the text of the movies in the iPython notebooks, in addition to raw code in python scripts. \n\niPython notebooks can be downloaded and run locally, or viewed using nbviewer: http:\u002F\u002Fnbviewer.ipython.org\u002F. \n\n## Using the iPython notebook\nThe iPython\u002FJupyter notebook is an incredible tool, but can be a little tricky to setup. I recommend the [anaconda] (https:\u002F\u002Fstore.continuum.io\u002Fcshop\u002Fanaconda\u002F) distribution of python. I've written and tested this code with the the anaconda build of python 2 running on OSX. You will likely get a few warnings about contour plotting - if anyone has a fix for this, feel free to submit a pull request. \n\n","# 神经网络揭秘\n\n用于 YouTube 系列视频 [神经网络揭秘](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bxe2T-V8XRs&list=PLiaHhY2iBX9hdHaRr6b7XevZtgZRa1PoU) 的配套 iPython 笔记本。除了 Python 脚本中的原始代码外，我还将在 iPython 笔记本中包含公式、代码以及视频中的文字内容。\n\niPython 笔记本可以下载并在本地运行，也可以通过 nbviewer 查看：http:\u002F\u002Fnbviewer.ipython.org\u002F。\n\n## 使用 iPython 笔记本\niPython\u002FJupyter 笔记本是一个非常强大的工具，但设置起来可能稍微有些复杂。我推荐使用 [Anaconda](https:\u002F\u002Fstore.continuum.io\u002Fcshop\u002Fanaconda\u002F) 发行版的 Python。我已经在 macOS 上使用 Anaconda 构建的 Python 2 版本编写并测试了这些代码。您可能会看到一些关于等高线绘图的警告——如果有人知道如何解决这些问题，请随时提交 Pull Request。","# Neural-Networks-Demystified 快速上手指南\n\n本指南旨在帮助开发者快速搭建环境并运行 [Neural Networks Demystified](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=bxe2T-V8XRs&list=PLiaHhY2iBX9hdHaRr6b7XevZtgZRa1PoU) YouTube 系列教程配套的 iPython  notebooks。\n\n## 环境准备\n\n*   **操作系统**：推荐 macOS 或 Linux（Windows 用户需确保 Anaconda 配置正确）。\n*   **Python 版本**：原项目基于 **Python 2** 编写和测试。\n    *   *注意*：由于 Python 2 已停止维护，若在现代环境中运行遇到兼容性问题，建议尝试在虚拟环境中安装 Python 2，或对代码进行轻微的 Python 3 适配（如 `print` 语句）。\n*   **核心依赖**：\n    *   Anaconda 发行版（推荐，包含绝大多数科学计算库）。\n    *   Jupyter Notebook (iPython)。\n    *   NumPy, Matplotlib, SciPy。\n\n## 安装步骤\n\n推荐使用国内镜像源加速 Anaconda 和 pip 包的下载。\n\n1.  **安装 Anaconda**\n    访问 [清华大学开源软件镜像站](https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Farchive\u002F) 下载适合你系统的 Anaconda 安装包并安装。\n\n2.  **创建并激活环境**\n    打开终端，创建一个名为 `nn-demo` 的 Python 2 环境（如果必须严格复现原代码）：\n    ```bash\n    conda create -n nn-demo python=2.7 anaconda\n    conda activate nn-demo\n    ```\n    *(注：如果你打算迁移到 Python 3，可将 `python=2.7` 改为 `python=3.8` 或更高版本)*\n\n3.  **克隆项目代码**\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified.git\n    cd Neural-Networks-Demystified\n    ```\n\n4.  **验证依赖**\n    如果使用标准 Anaconda 环境，通常无需额外安装。若缺失包，可使用清华源安装：\n    ```bash\n    conda install -c https:\u002F\u002Fmirrors.tuna.tsinghua.edu.cn\u002Fanaconda\u002Fpkgs\u002Fmain jupyter numpy matplotlib scipy\n    ```\n\n## 基本使用\n\n本项目主要通过 Jupyter Notebook 交互式地学习神经网络原理。\n\n1.  **启动 Jupyter Notebook**\n    在项目根目录下运行：\n    ```bash\n    jupyter notebook\n    ```\n    浏览器将自动打开并显示文件列表。\n\n2.  **运行教程笔记**\n    *   点击任意 `.ipynb` 文件（例如 `Part1.ipynb` 到 `Part7.ipynb`）打开。\n    *   这些笔记本包含了视频中的公式、代码和文字解说。\n    *   按顺序执行单元格（Cell）：选中单元格后按 `Shift + Enter` 即可运行代码并查看输出结果。\n\n3.  **在线预览（免安装）**\n    如果暂时不想配置本地环境，可以通过 Nbviewer 直接查看渲染后的笔记：\n    *   访问：http:\u002F\u002Fnbviewer.ipython.org\u002F\n    *   输入本项目的 GitHub 路径进行浏览。\n\n> **提示**：运行时若出现关于 `contour plotting` 的警告，这通常不影响核心逻辑的学习，可暂时忽略。","一名刚入门深度学习的大学生试图理解反向传播算法的数学推导，却在抽象公式和晦涩代码之间迷失方向。\n\n### 没有 Neural-Networks-Demystified 时\n- 面对教科书上密集的矩阵微积分公式，难以建立直观的几何或物理意义联想，只能死记硬背。\n- 网上找到的开源代码往往封装过度或缺乏注释，无法将代码行与具体的数学步骤对应起来。\n- 手动搭建环境配置复杂，因缺少标准的依赖指引，常在安装 Python 科学计算库时耗费数天时间。\n- 学习过程割裂，视频讲解、代码实现和理论文本分散在不同平台，难以进行同步对照验证。\n\n### 使用 Neural-Networks-Demystified 后\n- 通过配套的 iPython Notebook，可以直接看到公式、代码实现与文字解说并排呈现，瞬间打通理论与实践的壁垒。\n- 利用逐步拆解的原始 Python 脚本，能够逐行调试并观察数据在神经网络各层间的流动变化，彻底搞懂反向传播细节。\n- 基于官方推荐的 Anaconda 环境指南，快速在本地复现所有示例，将环境配置时间从几天缩短至几小时。\n- 在交互式笔记本中实时修改参数并观察绘图变化（如损失函数曲面），将被动观看视频转化为主动探索实验。\n\nNeural-Networks-Demystified 通过将视频课程、数学公式与可执行代码深度融合，让初学者能以最低成本亲手“触摸”到神经网络的内部运作机制。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fstephencwelch_Neural-Networks-Demystified_9b8b50e7.png","stephencwelch","Stephen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fstephencwelch_2304fec1.jpg",null,"Charlotte, NC","stephencwelch@gmail.com","http:\u002F\u002Fwelchlabs.com","https:\u002F\u002Fgithub.com\u002Fstephencwelch",[85,89],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",99.5,{"name":90,"color":91,"percentage":92},"Python","#3572A5",0.5,1362,570,"2026-03-19T10:04:56","macOS","未说明",{"notes":99,"python":100,"dependencies":101},"作者使用 Anaconda 分发的 Python 2 在 OSX 上编写和测试了代码。运行绘图功能时可能会收到一些关于等高线绘图的警告。Notebook 可本地运行或通过 nbviewer 在线查看。","2.x",[102,103],"iPython\u002FJupyter Notebook","Anaconda (推荐)",[18],"2026-03-27T02:49:30.150509","2026-04-06T07:16:16.435709",[108,113,118,123,128,133,138],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},14725,"为什么运行代码时出现 'The truth value of an array with more than one element is ambiguous' 错误？","这是因为代价函数（cost function）计算出的 J 是一个向量而不是标量。需要在计算中加入额外的 sum() 函数。将代码修改为：`J = 0.5*sum((y-self.yHat)**2)\u002FX.shape[0] + (self.Lambda\u002F2)*(sum(sum(self.W1**2))+sum(self.W2**2))`，确保 J 最终是一个标量值。","https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified\u002Fissues\u002F4",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},14726,"遇到 'ValueError: setting an array element with a sequence' 错误该如何解决？","这通常是因为输入数据 Y 的格式不正确。Y 应该被初始化为矩阵而不是向量。请尝试将 Y 定义为列向量矩阵，例如：`y = np.array(([75], [82], [93]), dtype=float)`，而不是简单的一维数组。","https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified\u002Fissues\u002F8",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},14727,"如何正确打开和编辑 .ipynb 文件？直接用文本编辑器打开显示是 XML 或乱码。",".ipynb 文件是 Jupyter Notebook 的文件格式（本质是 JSON），不能直接用普通文本编辑器有效查看或运行。你需要安装 Jupyter Notebook 软件。安装后通过浏览器访问或使用命令行启动来查看和编辑这些文件。安装指南参考：http:\u002F\u002Fjupyter.readthedocs.org\u002Fen\u002Flatest\u002Finstall.html","https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified\u002Fissues\u002F5",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},14728,"无法在 Jupyter Notebook 中打开部分教程文件（如 Part 2, 3, 4），提示文件损坏或无效 JSON，怎么办？","这可能是文件权限或编码问题导致的。一个有效的临时解决方法是：直接在 GitHub 上打开这些 .ipynb 文件，复制其中的原始代码内容，然后在本地新建一个空的 Jupyter Notebook，将代码粘贴进去保存即可正常运行。","https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified\u002Fissues\u002F31",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},14729,"代码中使用了 plot() 和 numpy 但没有看到 import 语句，是否缺少导入？","这取决于你启动 IPython Notebook 的方式。作者使用的是 `ipython notebook --pylab inline` 命令启动的，该命令会自动导入 numpy、matplotlib 等库并设置绘图模式。如果你直接运行脚本或未使用该参数启动，则需要手动添加 `import numpy as np` 和 `import matplotlib.pyplot as plt` 等导入语句。","https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified\u002Fissues\u002F1",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},14730,"在反向传播代码中，np.dot() 和 * 运算符有什么区别？如何理解 delta2 的计算公式？","在 NumPy 中，`np.dot()` 执行的是矩阵乘法（Matrix Multiplication），而 `*` 执行的是元素级乘法（Element-wise Product \u002F Hadamard Product）。在公式 `delta2 = np.dot(delta3, self.W2.T)*self.sigmoidPrime(self.z2)` 中，先进行矩阵乘法 `np.dot(delta3, self.W2.T)`，然后将结果与激活函数的导数 `self.sigmoidPrime(self.z2)` 进行逐元素相乘。","https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified\u002Fissues\u002F24",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},14731,"教程文档中的反向传播公式是否存在错误？Delta2 的计算似乎缺少逐元素乘法。","用户指出在理论推导部分的 write-up 中，计算 delta2 时可能遗漏了 Hadamard 积（逐元素乘法），导致维度不匹配。虽然代码实现 `delta2 = np.dot(delta3, self.W2.T)*self.sigmoidPrime(self.z2)` 是正确的（包含了逐元素乘法），但在阅读配套的理论文档时，应确保理解每一步都需要对激活函数导数进行逐元素乘操作，以符合反向传播算法的标准定义。","https:\u002F\u002Fgithub.com\u002Fstephencwelch\u002FNeural-Networks-Demystified\u002Fissues\u002F3",[]]