[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-unclestrong--DeepLearning_LHY21_Notes":3,"tool-unclestrong--DeepLearning_LHY21_Notes":61},[4,18,28,36,45,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},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",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":24,"last_commit_at":25,"category_tags":26,"status":17},9989,"n8n","n8n-io\u002Fn8n","n8n 是一款面向技术团队的公平代码（fair-code）工作流自动化平台，旨在让用户在享受低代码快速构建便利的同时，保留编写自定义代码的灵活性。它主要解决了传统自动化工具要么过于封闭难以扩展、要么完全依赖手写代码效率低下的痛点，帮助用户轻松连接 400 多种应用与服务，实现复杂业务流程的自动化。\n\nn8n 特别适合开发者、工程师以及具备一定技术背景的业务人员使用。其核心亮点在于“按需编码”：既可以通过直观的可视化界面拖拽节点搭建流程，也能随时插入 JavaScript 或 Python 代码、调用 npm 包来处理复杂逻辑。此外，n8n 原生集成了基于 LangChain 的 AI 能力，支持用户利用自有数据和模型构建智能体工作流。在部署方面，n8n 提供极高的自由度，支持完全自托管以保障数据隐私和控制权，也提供云端服务选项。凭借活跃的社区生态和数百个现成模板，n8n 让构建强大且可控的自动化系统变得简单高效。",184740,2,"2026-04-19T23:22:26",[16,14,13,15,27],"插件",{"id":29,"name":30,"github_repo":31,"description_zh":32,"stars":33,"difficulty_score":10,"last_commit_at":34,"category_tags":35,"status":17},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",[14,15,13],{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":24,"last_commit_at":42,"category_tags":43,"status":17},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",161147,"2026-04-19T23:31:47",[14,13,44],"语言模型",{"id":46,"name":47,"github_repo":48,"description_zh":49,"stars":50,"difficulty_score":24,"last_commit_at":51,"category_tags":52,"status":17},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。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":24,"last_commit_at":59,"category_tags":60,"status":17},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",[27,13,15,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":73,"owner_company":73,"owner_location":73,"owner_email":73,"owner_twitter":73,"owner_website":73,"owner_url":75,"languages":76,"stars":81,"forks":82,"last_commit_at":83,"license":84,"difficulty_score":85,"env_os":86,"env_gpu":87,"env_ram":87,"env_deps":88,"category_tags":91,"github_topics":73,"view_count":24,"oss_zip_url":73,"oss_zip_packed_at":73,"status":17,"created_at":93,"updated_at":94,"faqs":95,"releases":126},9905,"unclestrong\u002FDeepLearning_LHY21_Notes","DeepLearning_LHY21_Notes","深度学习 李宏毅 2021 学习笔记","DeepLearning_LHY21_Notes 是一份系统整理李宏毅教授 2021 年深度学习课程的学习笔记合集。它将原本分散的视频讲座转化为结构清晰的 PDF 文档，涵盖了从基础的回归分析、分类任务、过拟合处理，到进阶的卷积神经网络（CNN）、Transformer 架构、生成对抗网络（GAN）、BERT 模型，以及强化学习和可解释性 AI 等前沿主题。\n\n这份资料主要解决了学习者在观看视频时难以快速回顾核心公式、推导过程及知识脉络的痛点。通过精炼的文字与图表，它帮助读者高效梳理复杂的算法逻辑，建立起完整的深度学习知识体系，是复习备考或查漏补缺的理想辅助材料。\n\nDeepLearning_LHY21_Notes 特别适合高校学生、AI 初学者、开发者以及需要重温基础理论的研究人员使用。无论你是想入门深度学习领域，还是希望在工程实践中巩固理论基础，都能从中获益。其独特的亮点在于完整保留了课程的教学逻辑，同时以文档形式提供了比视频更便捷的检索与阅读体验，让高深的算法知识变得触手可及，助力用户轻松跨越理论与实践之间的鸿沟。","## HTML 链接\n\n[01_Regression_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F01_Regression_P1.pdf)\n\n[02_Regression_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F02_Regression_P2.pdf)\n\n[03_GeneralGuidance_Overfitting](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F03_General%20Guidance.pdf)\n\n[04_Local Minimum And Saddle Point](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F04_Local%20Minimum%20And%20Saddle%20Point.pdf)\n\n[05_Batch and Momentum](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F05_Batch%20and%20Momentum.pdf)\n\n[06_Adaptive Learning Rate](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F06_Adaptive%20Learning%20Rate.pdf)\n\n[07_Batch Normalization](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F07_Batch%20Normalization.pdf)\n\n[08_Classification](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F08_Classification.pdf)\n\n[09_CNN](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F09_CNN.pdf)\n\n[10_Self-Attention P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F10_Self-attention_P1.pdf)\n\n[11_Self-Attention P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F11_Self-attention_P2.pdf)\n\n[12_Transformer P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F12_Transformer_P1.pdf)\n\n[13_Transformer P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F13_Transformer_P2.pdf)\n\n[14_GAN P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F14_GAN_P1.pdf)\n\n[15_GAN P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F15_GAN_P2.pdf)\n\n[16_GAN P3](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F16_GAN_P3.pdf)\n\n[17_GAN P4](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F17_GAN_P4.pdf)\n\n[18_BERT_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F18_BERT_P1.pdf)\n\n[19_BERT_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F19_BERT_P2.pdf)\n\n[20_BERT_P3](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F20_BERT_P3.pdf)\n\n[21_Auto-encoder_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F21_Auto-encoder_P1.pdf)\n\n[22_Auto-encoder_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F22_Auto-encoder_P2.pdf)\n\n[23_Adversarial Attack_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F23_Adversarial%20Attack_P1.pdf)\n\n[24_Adversarial Attack_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F24_Adversarial%20Attack_P2.pdf)\n\n[25_Explainable AI_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F25_Explainable%20AI_P1.pdf)\n\n[26_Explainable AI_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F26_Explainable%20AI_P2.pdf)\n\n[27_Domain Adaptation](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F27_Domain%20Adaptation.pdf)\n\n[28_Reinforcement Learning_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F28_Reinforcement%20Learning_P1.pdf)\n\n[29_Reinforcement Learning_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F29_Reinforcement%20Learning_P2.pdf)\n\n[30_Reinforcement Learning_P3](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F30_Reinforcement%20Learning_P3.pdf)\n\n","## HTML 链接\n\n[01_回归_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F01_Regression_P1.pdf)\n\n[02_回归_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F02_Regression_P2.pdf)\n\n[03_通用指导_过拟合](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F03_General%20Guidance.pdf)\n\n[04_局部最小值与鞍点](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F04_Local%20Minimum%20And%20Saddle%20Point.pdf)\n\n[05_批量与动量](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F05_Batch%20and%20Momentum.pdf)\n\n[06_自适应学习率](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F06_Adaptive%20Learning%20Rate.pdf)\n\n[07_批归一化](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F07_Batch%20Normalization.pdf)\n\n[08_分类](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F08_Classification.pdf)\n\n[09_CNN](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F09_CNN.pdf)\n\n[10_自注意力_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F10_Self-attention_P1.pdf)\n\n[11_自注意力_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F11_Self-attention_P2.pdf)\n\n[12_Transformer_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F12_Transformer_P1.pdf)\n\n[13_Transformer_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F13_Transformer_P2.pdf)\n\n[14_GAN_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F14_GAN_P1.pdf)\n\n[15_GAN_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F15_GAN_P2.pdf)\n\n[16_GAN_P3](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F16_GAN_P3.pdf)\n\n[17_GAN_P4](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F17_GAN_P4.pdf)\n\n[18_BERT_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F18_BERT_P1.pdf)\n\n[19_BERT_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F19_BERT_P2.pdf)\n\n[20_BERT_P3](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F20_BERT_P3.pdf)\n\n[21_自编码器_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F21_Auto-encoder_P1.pdf)\n\n[22_自编码器_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F22_Auto-encoder_P2.pdf)\n\n[23_对抗攻击_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F23_Adversarial%20Attack_P1.pdf)\n\n[24_对抗攻击_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F24_Adversarial%20Attack_P2.pdf)\n\n[25_可解释性AI_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F25_Explainable%20AI_P1.pdf)\n\n[26_可解释性AI_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F26_Explainable%20AI_P2.pdf)\n\n[27_领域适应](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F27_Domain%20Adaptation.pdf)\n\n[28_强化学习_P1](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F28_Reinforcement%20Learning_P1.pdf)\n\n[29_强化学习_P2](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F29_Reinforcement%20Learning_P2.pdf)\n\n[30_强化学习_P3](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F30_Reinforcement%20Learning_P3.pdf)","# DeepLearning_LHY21_Notes 快速上手指南\n\n本项目是李宏毅（Hung-yi Lee）教授 2021 年深度学习课程的笔记整理，包含从回归、分类到 Transformer、BERT、GAN 及强化学习等核心主题的 PDF 笔记。本指南旨在帮助开发者快速获取并阅读这些高质量学习资料。\n\n## 环境准备\n\n本项目仅为文档资源库，**无需安装任何 Python 环境或深度学习框架**即可使用。\n\n*   **系统要求**：Windows \u002F macOS \u002F Linux\n*   **前置依赖**：\n    *   现代网页浏览器（推荐 Chrome, Edge, Firefox）用于在线预览。\n    *   PDF 阅读器（如 Adobe Acrobat, Preview 或浏览器内置阅读器）用于本地阅读。\n    *   Git（可选，用于克隆仓库到本地）。\n\n## 安装步骤\n\n你可以通过以下两种方式获取笔记：\n\n### 方式一：在线直接阅读（推荐）\n无需下载，直接点击下方链接在浏览器中查看特定主题笔记：\n\n*   [基础与优化](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F01_Regression_P1.pdf) (回归、过拟合、梯度下降优化等)\n*   [核心架构](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F09_CNN.pdf) (CNN, Self-Attention, Transformer)\n*   [生成模型](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F14_GAN_P1.pdf) (GAN 系列)\n*   [前沿应用](https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fblob\u002Fmaster\u002FNotes_PDF\u002F18_BERT_P1.pdf) (BERT, Auto-encoder, 可解释性 AI, 强化学习)\n\n*(完整目录请参考项目 README 中的 HTML 链接列表)*\n\n### 方式二：本地克隆仓库\n如果你希望离线阅读或批量管理文件，建议使用 Git 克隆。由于原仓库位于 GitHub，国内用户推荐使用镜像加速或代理。\n\n```bash\n# 使用 Git 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes.git\n\n# 进入目录\ncd DeepLearning_LHY21_Notes\n\n# 所有笔记位于 Notes_PDF 目录下\nls Notes_PDF\n```\n\n> **提示**：如果 `git clone` 速度较慢，可尝试使用国内代码托管平台（如 Gitee）搜索是否有同步镜像，或配置 Git 代理后执行上述命令。\n\n## 基本使用\n\n获取笔记后，你可以根据学习路径选择对应的 PDF 文件进行阅读。\n\n### 1. 按主题学习\n笔记已按课程逻辑编号，建议顺序如下：\n*   **入门基础**：阅读 `01_Regression` 至 `08_Classification`，掌握神经网络训练基础。\n*   **进阶架构**：阅读 `09_CNN` 至 `13_Transformer`，理解计算机视觉与自然语言处理的核心模型。\n*   **高级专题**：阅读 `14_GAN` 至 `30_Reinforcement Learning`，探索生成对抗网络、预训练模型及强化学习。\n\n### 2. 本地打开示例\n在终端中，你可以直接使用系统默认播放器打开特定笔记（以 macOS 为例）：\n\n```bash\nopen Notes_PDF\u002F09_CNN.pdf\n```\n\n在 Windows PowerShell 中：\n\n```powershell\nStart-Process \"Notes_PDF\\09_CNN.pdf\"\n```\n\n在 Linux 环境中（需安装 `xdg-utils`）：\n\n```bash\nxdg-open Notes_PDF\u002F09_CNN.pdf\n```\n\n现在，你可以开始跟随李宏毅教授的课程笔记，系统性地深入学习深度学习知识了。","一名刚入职的算法工程师正在准备复现一篇关于 Transformer 架构的论文，急需系统梳理从基础回归到自注意力机制的完整知识链条。\n\n### 没有 DeepLearning_LHY21_Notes 时\n- **知识碎片化严重**：需要在 YouTube 视频、零散博客和官方论文间反复跳转，难以将“局部最小值”、“动量优化”与\"Self-Attention\"等概念串联成逻辑闭环。\n- **核心原理理解浅层**：面对 BERT 或 GAN 的复杂公式，缺乏李宏毅老师特有的直观图解和通俗类比，只能死记硬背数学推导，无法洞察其设计直觉。\n- **调试效率低下**：在模型不收敛或过拟合时，因对“自适应学习率”和\"Batch Normalization\"的底层机制理解不透，只能盲目尝试超参数，浪费数天时间。\n- **前沿技术跟进困难**：对于对抗攻击、可解释性 AI 等进阶话题，找不到结构清晰的中文入门指引，导致学习曲线极其陡峭。\n\n### 使用 DeepLearning_LHY21_Notes 后\n- **构建系统化知识图谱**：直接按顺序研读从回归预测到强化学习的 30 份精选笔记，快速建立起从基础优化策略到前沿架构的完整认知框架。\n- **直观掌握核心直觉**：借助笔记中还原的课程精华图解，轻松理解 Transformer 的注意力分布及 GAN 的博弈过程，将抽象公式转化为具体的工程直觉。\n- **精准定位调优方向**：遇到训练瓶颈时，迅速查阅“过拟合通用指南”或“鞍点分析”章节，基于理论依据制定针对性的改进方案，显著缩短调试周期。\n- **平滑跨越进阶门槛**：通过结构化的领域自适应与可解释性 AI 笔记，低成本掌握高阶技术细节，为后续的技术选型和创新打下坚实基础。\n\nDeepLearning_LHY21_Notes 将原本分散高深的深度学习课程转化为结构清晰、即查即用的实战指南，极大降低了从理论到工程落地的认知成本。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Funclestrong_DeepLearning_LHY21_Notes_0e82a9f0.png","unclestrong",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Funclestrong_826f9a3c.jpg","https:\u002F\u002Fgithub.com\u002Funclestrong",[77],{"name":78,"color":79,"percentage":80},"HTML","#e34c26",100,1645,417,"2026-04-14T06:48:19","MIT",1,"","未说明",{"notes":89,"python":87,"dependencies":90},"该项目仅为李宏毅（LHY）2021 年深度学习课程的笔记 PDF 文件集合，不包含任何可执行的代码、模型或脚本。因此，无需配置特定的操作系统、GPU、内存、Python 环境或依赖库。用户只需具备能够访问 GitHub 的网络环境以及用于阅读 PDF 文件的浏览器或阅读器即可使用。",[],[44,15,92],"其他","2026-03-27T02:49:30.150509","2026-04-20T10:23:18.600279",[96,101,106,111,116,121],{"id":97,"question_zh":98,"answer_zh":99,"source_url":100},44478,"项目是否还在持续更新？","是的，项目会持续更新。维护者已确认恢复更新，感谢用户的支持与催促。","https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fissues\u002F3",{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},44479,"笔记中的图片无法显示或链接失效怎么办？","由于图床（如 Gitee）可能受限或失效，维护者已将图片内容替换为 PDF 格式，或者修复链接直接指向可用源。请查看最新的 PDF 文件以获取完整内容。","https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fissues\u002F11",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},44480,"Fork 项目后无法查看图片，显示访问受限如何解决？","这是因为原图床（Gitee）设置了访问限制。维护者已将相关资料替换为 PDF 格式，请下载或查看 PDF 版本以避免图片加载问题。","https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fissues\u002F12",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},44481,"如何正确理解深度学习中的 Batch Size？","Batch Size 的含义是统一的：在数据集总数量一定的情况下，划分的 Batch 数量越少，每个 Batch 中包含的数据量就越多；反之，划分的 Batch 数量越多，每个 Batch 中的数据量就越少。两种图示表达的是同一逻辑的不同侧面。","https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fissues\u002F1",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},44482,"这份笔记是基于李宏毅老师哪一年的课程视频整理的？","根据仓库名称 `DeepLearning_LHY21_Notes` 及上下文推断，该笔记主要参考的是李宏毅老师 2021 年的机器学习\u002F深度学习课程视频。","https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fissues\u002F6",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},44483,"遇到图片再次失效或图床不稳定时有何临时解决方案？","当发现图片无法加载时，通常是因为外部图床不稳定。维护者通常会尽快将内容迁移至 PDF 文档。建议优先下载仓库中的 PDF 文件进行离线阅读，以获得最稳定的体验。","https:\u002F\u002Fgithub.com\u002Funclestrong\u002FDeepLearning_LHY21_Notes\u002Fissues\u002F10",[]]