[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-tensorflow--playground":3,"similar-tensorflow--playground":88},{"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":14,"owner_avatar_url":15,"owner_bio":16,"owner_company":17,"owner_location":17,"owner_email":18,"owner_twitter":17,"owner_website":19,"owner_url":20,"languages":21,"stars":38,"forks":39,"last_commit_at":40,"license":41,"difficulty_score":42,"env_os":43,"env_gpu":44,"env_ram":43,"env_deps":45,"category_tags":51,"github_topics":17,"view_count":42,"oss_zip_url":17,"oss_zip_packed_at":17,"status":53,"created_at":54,"updated_at":55,"faqs":56,"releases":87},9596,"tensorflow\u002Fplayground","playground","Play with neural networks!","Deep playground 是一个交互式的神经网络可视化工具，旨在让抽象的深度学习概念变得直观易懂。它通过动态图形展示神经网络如何学习数据、调整权重以及优化决策边界，帮助用户无需编写代码即可“玩转”神经网络。\n\n对于许多初学者而言，神经网络内部的运作机制往往像是一个黑盒，难以理解参数变化对模型效果的具体影响。Deep playground 正好解决了这一痛点，它将复杂的数学过程转化为可见的动画演示，让用户能实时观察到隐藏层数量、神经元激活函数、学习率等关键因素如何改变训练结果。\n\n这款工具非常适合人工智能领域的入门学生、教育工作者以及对机器学习感兴趣的普通用户。开发者或研究人员也可以利用它快速验证直觉或向他人讲解核心概念。其技术亮点在于基于 TypeScript 和 d3.js 构建，不仅保证了流畅的交互体验，还实现了在浏览器端直接运行完整的神经网络模拟，无需后端支持。作为由谷歌团队推出的非官方开源项目，Deep playground 以简洁友好的界面，成为了探索深度学习奥秘的理想起点。","# Deep playground\n\nDeep playground is an interactive visualization of neural networks, written in\nTypeScript using d3.js. We use GitHub issues for tracking new requests and bugs.\nYour feedback is highly appreciated!\n\n**If you'd like to contribute, be sure to review the [contribution guidelines](CONTRIBUTING.md).**\n\n## Development\n\nTo run the visualization locally, run:\n- `npm i` to install dependencies\n- `npm run build` to compile the app and place it in the `dist\u002F` directory\n- `npm run serve` to serve from the `dist\u002F` directory and open a page on your browser.\n\nFor a fast edit-refresh cycle when developing run `npm run serve-watch`.\nThis will start an http server and automatically re-compile the TypeScript,\nHTML and CSS files whenever they change.\n\n## For owners\nTo push to production: `git subtree push --prefix dist origin gh-pages`.\n\nThis is not an official Google product.\n","# 深度游乐场\n\n深度游乐场是一个基于神经网络的交互式可视化工具，使用 TypeScript 和 d3.js 编写。我们通过 GitHub 问题来跟踪新的需求和 bug。非常感谢您的反馈！\n\n**如果您想参与贡献，请务必阅读[贡献指南](CONTRIBUTING.md)。**\n\n## 开发\n\n要在本地运行该可视化工具，请执行以下步骤：\n- 运行 `npm i` 安装依赖项。\n- 运行 `npm run build` 编译应用，并将其放置在 `dist\u002F` 目录中。\n- 运行 `npm run serve` 从 `dist\u002F` 目录提供服务，并在浏览器中打开页面。\n\n在开发过程中，若需快速编辑并刷新页面，可运行 `npm run serve-watch`。这将启动一个 HTTP 服务器，并在 TypeScript、HTML 和 CSS 文件发生更改时自动重新编译。\n\n## 对于项目维护者\n要部署到生产环境：`git subtree push --prefix dist origin gh-pages`。\n\n本项目并非 Google 官方产品。","# Deep Playground 快速上手指南\n\nDeep Playground 是一个基于 TypeScript 和 d3.js 开发的交互式神经网络可视化工具，帮助开发者直观理解神经网络的运作原理。\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**：Windows、macOS 或 Linux\n*   **前置依赖**：已安装 [Node.js](https:\u002F\u002Fnodejs.org\u002F) (建议 LTS 版本) 和 `npm` 包管理器\n*   **网络提示**：若下载依赖较慢，可配置国内镜像源（如淘宝镜像）：\n    ```bash\n    npm config set registry https:\u002F\u002Fregistry.npmmirror.com\n    ```\n\n## 安装步骤\n\n克隆项目仓库后，在项目根目录下执行以下命令完成安装与构建：\n\n1.  **安装依赖**\n    ```bash\n    npm i\n    ```\n\n2.  **编译项目**\n    将 TypeScript 代码编译并输出至 `dist\u002F` 目录：\n    ```bash\n    npm run build\n    ```\n\n## 基本使用\n\n### 启动本地服务\n编译完成后，运行以下命令启动本地 HTTP 服务器，系统将自动在浏览器中打开可视化页面：\n\n```bash\nnpm run serve\n```\n\n### 开发模式（推荐）\n如果您需要修改源码并进行实时调试，建议使用监听模式。该模式会在文件（TypeScript\u002FHTML\u002FCSS）发生变动时自动重新编译并刷新页面：\n\n```bash\nnpm run serve-watch\n```\n\n> **注意**：本项目非 Google 官方产品。如需贡献代码，请先查阅项目中的 `CONTRIBUTING.md` 文件。","一位高校人工智能讲师正在备课，试图向零基础的学生直观解释神经网络中“隐藏层数量”与“学习率”如何共同影响模型对非线性数据的拟合效果。\n\n### 没有 playground 时\n- 讲师只能依靠静态的 PPT 图表或复杂的数学公式推导，学生难以在脑海中构建出动态的训练过程。\n- 若要演示不同参数下的效果，必须现场编写并运行 Python 代码，等待模型训练完成，课堂节奏极易被打断。\n- 学生无法亲手调整参数进行试错，对于“过拟合”或“欠拟合”现象缺乏直观的感官认知，导致理解停留在抽象概念层面。\n- 调试过程中产生的大量日志数据枯燥难懂，难以直接转化为可视化的决策边界变化供教学分析。\n\n### 使用 playground 后\n- 讲师直接在浏览器中拖拽控件，实时展示神经网络如何通过迭代逐步画出复杂的决策边界，将抽象算法具象化。\n- 修改隐藏层层数、激活函数或学习率后，动画即时反馈训练轨迹的变化，无需任何编码或编译等待，课堂互动流畅自然。\n- 学生可以亲自上手调节噪声比例和数据分布，瞬间观察到模型从“学不会”到“死记硬背”的视觉差异，深刻掌握核心概念。\n- 色彩鲜明的可视化界面自动呈现损失函数下降曲线与分类效果，让复杂的训练状态一目了然，极大降低了认知门槛。\n\nplayground 通过零代码的交互式可视化，将晦涩的神经网络训练原理转化为即刻可见的动态实验，彻底打破了理论教学与实践感知之间的壁垒。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_playground_c425f55d.png","tensorflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorflow_07ed5093.png","",null,"github-admin@tensorflow.org","http:\u002F\u002Fwww.tensorflow.org","https:\u002F\u002Fgithub.com\u002Ftensorflow",[22,26,30,34],{"name":23,"color":24,"percentage":25},"TypeScript","#3178c6",66.2,{"name":27,"color":28,"percentage":29},"HTML","#e34c26",18.6,{"name":31,"color":32,"percentage":33},"CSS","#663399",14.8,{"name":35,"color":36,"percentage":37},"JavaScript","#f1e05a",0.4,12867,2705,"2026-04-17T10:23:28","Apache-2.0",2,"未说明","不需要 GPU",{"notes":46,"python":47,"dependencies":48},"该项目是一个基于 TypeScript 和 d3.js 的神经网络交互式可视化工具，无需 Python 环境或 GPU 支持。运行需安装 Node.js 和 npm，通过 'npm i' 安装依赖，'npm run build' 编译，'npm run serve' 启动本地服务。开发模式下可使用 'npm run serve-watch' 实现自动热重载。","不需要 Python",[23,49,50],"d3.js","npm",[52],"其他","ready","2026-03-27T02:49:30.150509","2026-04-20T04:06:10.882522",[57,62,67,72,77,82],{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},43069,"如何在本地构建项目时解决 Windows 上的 typings 安装错误？","该问题已通过使用与操作系统无关的工具（如 `copyfiles` 和 `catw`）得到解决。如果仍然遇到构建错误，可以尝试以下手动步骤：\n1. 删除 `dist` 文件夹、`-p` 参数相关的配置以及 `typings` 相关文件。\n2. 运行 `npm run build`（此时错误应该会消失）。\n3. 运行 `npm run serve` 启动服务。\n4. 在浏览器中访问 `127.0.0.1:8080`。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fplayground\u002Fissues\u002F42",{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},43070,"为什么在本地部署或 GitHub Pages 上运行时，神经元、图像和控制按钮不显示？","这通常是由于 Node.js 或 npm 版本过旧，或者操作系统环境兼容性问题导致的。解决方案包括：\n1. 下载并安装最新稳定版的 Node.js 和 npm。\n2. 如果是在 macOS 上遇到问题，尝试切换到 Ubuntu 等 Linux 环境可能有助于解决兼容性故障。\n确保环境更新后重新构建项目即可正常显示。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fplayground\u002Fissues\u002F93",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},43071,"ReLU 激活函数的导数实现是否正确？","是的，该问题已被修复。之前的实现中，当 x=0 时的导数处理可能存在歧义。代码已更新为与 TensorFlow 核心实现保持一致，即仅当 x > 0 时传播梯度（导数为 1），否则为 0。修复提交哈希为 718a6c8f2f876d5450b105e269534ae58e70223d。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fplayground\u002Fissues\u002F19",{"id":73,"question_zh":74,"answer_zh":75,"source_url":76},43072,"是否可以在 Playground 中加载自定义的 CSV 数据进行测试？","目前的 TensorFlow Playground 主要设计用于生成随机数据以演示神经网络原理，原生界面不支持直接上传 CSV 文件。虽然可以通过修改源代码（如 `playground.ts` 中的 `generateData` 函数）来注入自定义数据，但这需要开发者具备 TypeScript 编程能力并重新构建项目。对于需要多維度输入或特定数据集的用户，建议参考官方文档或在 StackOverflow 上使用 `tensorflow.js` 标签寻求更高级的定制方案。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fplayground\u002Fissues\u002F102",{"id":78,"question_zh":79,"answer_zh":80,"source_url":81},43073,"Playground 支持超过 2 维（2D）的输入特征吗？","当前的 TensorFlow Playground 可视化界面主要专注于 2D 数据（即 2 个输入特征），以便在平面上直观展示决策边界。目前原生界面不提供添加 3D 或更高维度输入特征的选项。如果需要处理多维数据，建议直接在代码层面使用 TensorFlow.js 进行开发，或者在 StackOverflow 上提问以获取关于如何修改源码以支持多维数据的指导。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fplayground\u002Fissues\u002F103",{"id":83,"question_zh":84,"answer_zh":85,"source_url":86},43074,"有没有其他类似的可视化工具可以学习梯度提升（Gradient Boosting）？","有的。社区成员开发了一个专门的梯度提升演示页面，可以作为本项目的补充学习资源。你可以访问 https:\u002F\u002Farogozhnikov.github.io\u002F2016\u002F07\u002F05\u002Fgradient_boosting_playground.html 来交互式地观察梯度提升算法的训练过程。虽然其设置选项不如本 Playground 丰富，但它提供了非常直观的视觉解释。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fplayground\u002Fissues\u002F31",[],[89,105,114,122,131,139],{"id":90,"name":91,"github_repo":92,"description_zh":93,"stars":94,"difficulty_score":42,"last_commit_at":95,"category_tags":96,"status":53},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。",85267,"2026-04-18T11:00:28",[97,98,99,100,101,52,102,103,104],"图像","数据工具","视频","插件","Agent","语言模型","开发框架","音频",{"id":106,"name":107,"github_repo":108,"description_zh":109,"stars":110,"difficulty_score":111,"last_commit_at":112,"category_tags":113,"status":53},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",[102,98,52],{"id":115,"name":116,"github_repo":117,"description_zh":118,"stars":119,"difficulty_score":111,"last_commit_at":120,"category_tags":121,"status":53},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",[52,97,98,103],{"id":123,"name":124,"github_repo":125,"description_zh":126,"stars":127,"difficulty_score":128,"last_commit_at":129,"category_tags":130,"status":53},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",[101,97,103,102,52],{"id":132,"name":133,"github_repo":134,"description_zh":135,"stars":136,"difficulty_score":128,"last_commit_at":137,"category_tags":138,"status":53},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。",75916,"2026-04-19T10:54:02",[102,97,103,52],{"id":140,"name":141,"github_repo":142,"description_zh":143,"stars":144,"difficulty_score":111,"last_commit_at":145,"category_tags":146,"status":53},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",[103,52]]