[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-virginiakm1988--ML2022-Spring":3,"tool-virginiakm1988--ML2022-Spring":61},[4,18,26,36,44,53],{"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":10,"last_commit_at":24,"category_tags":25,"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":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"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",152630,2,"2026-04-12T23:33:54",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"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",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},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",[52,14],{"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":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":72,"owner_website":79,"owner_url":80,"languages":81,"stars":86,"forks":87,"last_commit_at":88,"license":78,"difficulty_score":10,"env_os":89,"env_gpu":90,"env_ram":90,"env_deps":91,"category_tags":94,"github_topics":95,"view_count":32,"oss_zip_url":78,"oss_zip_packed_at":78,"status":17,"created_at":98,"updated_at":99,"faqs":100,"releases":116},7092,"virginiakm1988\u002FML2022-Spring","ML2022-Spring","**Official** 李宏毅 (Hung-yi Lee) 機器學習 Machine Learning 2022 Spring","ML2022-Spring 是台湾大学李宏毅教授 2022 年春季机器学习课程的官方开源资源库。它并非一个直接运行的软件工具，而是一套系统化的学习套件，旨在解决机器学习初学者及进阶者缺乏高质量、结构化实战教材的痛点。\n\n该资源库完整收录了课程配套的 15 个核心作业项目，涵盖从基础的回归与分类，到卷积神经网络（CNN）、Transformer、GAN、BERT 等前沿深度学习架构，并延伸至可解释性 AI、对抗攻击、强化学习、元学习等高阶主题。每个作业均提供了详细的讲义幻灯片、教学视频链接以及完整的代码实现（Jupyter Notebook），让学习者不仅能理解理论，还能通过复现代码掌握工程落地细节。\n\n这套资源特别适合计算机专业的学生、AI 开发者以及希望系统构建机器学习知识体系的研究人员使用。对于自学者而言，它提供了一条清晰的学习路径；对于教育者，则是极佳的教学参考素材。其最大亮点在于将抽象的算法理论与具体的代码实践紧密结合，且内容紧跟技术潮流，由知名教授亲自把关，确保了内容的权威性与时效性，是中文社区中不可多得的机器学习入门与进阶指南。","![banner](https:\u002F\u002Fi.imgur.com\u002Ff6OcdtQ.png)\n\n\u003Cp>\n  \u003Ch2 align=\"center\">\n  機器學習 Machine Learning 2022 Spring by National Taiwan University\u003Cbr>\n  \u003C\u002Fh2>\n\u003C\u002Fp>\n\n\nThis repository contains code and slides of 15 homeworks for Machine Learning instructed by 李宏毅(Hung-Yi Lee). All the information about this course can be found on the [course website](https:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~hylee\u002Fml\u002F2022-spring.php). \n\n## 15 Homeworks\n* HW1 : Regression [[Video]](https:\u002F\u002Fyoutu.be\u002FcFIImk_yBTg) \n[[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW01\u002FHW01.ipynb) \n[[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW01\u002FHW01.pdf)\n* HW2 : Classification [[Video]](https:\u002F\u002Fyoutu.be\u002FFxuPF4vjga4)\n[[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW02\u002FHW02.ipynb) \n[[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW02\u002FHW02.pdf)\n* HW3 : CNN [[Video]](https:\u002F\u002Fyoutu.be\u002FGXLwjQ_O50g)\n[[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW03\u002FHW03.ipynb) \n[[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW03\u002FHW03.pdf)\n* HW4 : Self-Attention [[Video]](https:\u002F\u002Fyoutu.be\u002F-KbD40w9-Io) \n[[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW04\u002Fhw04.ipynb) \n[[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW04\u002FMachine%20Learning%20HW4.pdf)\n* HW5 : Transformer [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW05\u002FHW05.ipynb)\n[[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW05\u002FHW05.pdf)\n* HW6 : GAN [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW06\u002FHW06.ipynb)\n[[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW06\u002FHW06.pdf)\n* HW7 : BERT [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW07\u002FHW07.ipynb)\n[[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW07\u002FHW07.pdf)\n* HW8 : Autoencoder [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW08\u002FHW08.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW08\u002FHW08.pdf)\n* HW9 : Explainable AI [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW09\u002FHW09.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW09\u002FHW09.pdf)\n* HW10 : Adversarial Attack [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW10\u002FHW10.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW10\u002FHW10.pdf)\n* HW11 : Adaptation [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW11\u002FHW11.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW11\u002FHW11.pdf)\n* HW12 : Reinforcement Learning [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW12\u002FHW12.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW12\u002FHW12.pdf)\n* HW13 : Network Compression [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW13\u002FHW13.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW13\u002FHW13.pdf)\n* HW14 : Life-Long Learning [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW14\u002FHW14.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW14\u002FHW14.pdf)\n* HW15 : Meta Learning [[Code]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW15\u002FHW15.ipynb) [[Slide]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW15\u002FHW15.pdf)\n\n## Lecture Videos\nThe lecture videos are available on Hung-Yi Lee's [youtube channel](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUC2ggjtuuWvxrHHHiaDH1dlQ).\n\n[\u003Cimg src=\"https:\u002F\u002Fi.imgur.com\u002FSFDpe52.jpg\" width=\"500\">](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=7XZR0-4uS5s&t=18s)\n\u003Cimg src=\"http:\u002F\u002Fi.imgur.com\u002FSRv0h6F.jpg\" width=\"500\">\n","![banner](https:\u002F\u002Fi.imgur.com\u002Ff6OcdtQ.png)\n\n\u003Cp>\n  \u003Ch2 align=\"center\">\n  机器学习 2022春季课程——台湾大学\u003Cbr>\n  \u003C\u002Fh2>\n\u003C\u002Fp>\n\n\n本仓库包含由李宏毅教授主讲的机器学习课程的15份作业代码及课件。有关本课程的所有信息均可在[课程官网](https:\u002F\u002Fspeech.ee.ntu.edu.tw\u002F~hylee\u002Fml\u002F2022-spring.php)上找到。\n\n## 15份作业\n* HW1：回归 [[视频]](https:\u002F\u002Fyoutu.be\u002FcFIImk_yBTg) \n[[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW01\u002FHW01.ipynb) \n[[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW01\u002FHW01.pdf)\n* HW2：分类 [[视频]](https:\u002F\u002Fyoutu.be\u002FFxuPF4vjga4)\n[[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW02\u002FHW02.ipynb) \n[[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW02\u002FHW02.pdf)\n* HW3：卷积神经网络 [[视频]](https:\u002F\u002Fyoutu.be\u002FGXLwjQ_O50g)\n[[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW03\u002FHW03.ipynb) \n[[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW03\u002FHW03.pdf)\n* HW4：自注意力机制 [[视频]](https:\u002F\u002Fyoutu.be\u002F-KbD40w9-Io) \n[[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW04\u002Fhw04.ipynb) \n[[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW04\u002FMachine%20Learning%20HW4.pdf)\n* HW5：Transformer [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW05\u002FHW05.ipynb)\n[[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW05\u002FHW05.pdf)\n* HW6：生成对抗网络 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW06\u002FHW06.ipynb)\n[[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW06\u002FHW06.pdf)\n* HW7：BERT [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW07\u002FHW07.ipynb)\n[[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW07\u002FHW07.pdf)\n* HW8：自编码器 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW08\u002FHW08.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW08\u002FHW08.pdf)\n* HW9：可解释性人工智能 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW09\u002FHW09.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW09\u002FHW09.pdf)\n* HW10：对抗攻击 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW10\u002FHW10.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW10\u002FHW10.pdf)\n* HW11：领域适应 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW11\u002FHW11.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW11\u002FHW11.pdf)\n* HW12：强化学习 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW12\u002FHW12.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW12\u002FHW12.pdf)\n* HW13：网络压缩 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW13\u002FHW13.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW13\u002FHW13.pdf)\n* HW14：终身学习 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW14\u002FHW14.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW14\u002FHW14.pdf)\n* HW15：元学习 [[代码]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW15\u002FHW15.ipynb) [[课件]](https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fblob\u002Fmain\u002FHW15\u002FHW15.pdf)\n\n## 讲座视频\n讲座视频可在李宏毅教授的[Youtube频道](https:\u002F\u002Fwww.youtube.com\u002Fchannel\u002FUC2ggjtuuWvxrHHHiaDH1dlQ)上观看。\n\n[\u003Cimg src=\"https:\u002F\u002Fi.imgur.com\u002FSFDpe52.jpg\" width=\"500\">](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=7XZR0-4uS5s&t=18s)\n\u003Cimg src=\"http:\u002F\u002Fi.imgur.com\u002FSRv0h6F.jpg\" width=\"500\">","# ML2022-Spring 快速上手指南\n\n本仓库收录了由台湾大学李宏毅教授讲授的《机器学习 2022 春季》课程的 15 个作业代码与幻灯片。涵盖回归、分类、CNN、Transformer、GAN、BERT 等核心主题。\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**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：Python 3.7+\n*   **核心依赖**：\n    *   PyTorch (深度学习框架)\n    *   Jupyter Notebook \u002F Jupyter Lab (用于运行 `.ipynb` 文件)\n    *   NumPy, Pandas, Matplotlib (数据处理与可视化)\n    *   Transformers (Hugging Face 库，用于 BERT 等任务)\n\n> **国内加速建议**：\n> *   **PyPI 源**：建议使用清华源或阿里源加速 Python 包安装。\n> *   **模型下载**：部分作业需下载预训练模型，若 Hugging Face 访问缓慢，可配置 `HF_ENDPOINT` 环境变量使用镜像站。\n\n## 安装步骤\n\n### 1. 克隆项目\n首先将仓库克隆到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring.git\ncd ML2022-Spring\n```\n\n### 2. 创建虚拟环境（推荐）\n为避免依赖冲突，建议创建独立的 Conda 或 venv 环境：\n\n```bash\n# 使用 Conda\nconda create -n ml2022 python=3.8\nconda activate ml2022\n\n# 或使用 venv\npython -m venv ml2022_env\nsource ml2022_env\u002Fbin\u002Factivate  # Windows: ml2022_env\\Scripts\\activate\n```\n\n### 3. 安装依赖\n由于不同作业可能依赖略有不同，建议先安装通用基础包。若特定作业目录下有 `requirements.txt`，请优先安装该文件。\n\n**通用基础安装命令：**\n\n```bash\n# 配置清华源加速\npip config set global.index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n\n# 安装核心依赖\npip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118\npip install jupyterlab numpy pandas matplotlib scikit-learn\npip install transformers datasets accelerate\n```\n\n> **注意**：HW07 (BERT) 及后续涉及大模型的作业强烈依赖 `transformers` 库。如果遇到网络问题下载模型失败，请在运行代码前设置镜像环境变量：\n> ```bash\n> export HF_ENDPOINT=https:\u002F\u002Fhf-mirror.com\n> ```\n\n## 基本使用\n\n本课程以 Jupyter Notebook 形式提供作业代码。以下以 **HW01 (Regression)** 为例演示如何运行。\n\n### 1. 启动 Jupyter Lab\n在项目根目录下启动服务：\n\n```bash\njupyter lab\n```\n\n### 2. 打开作业文件\n在浏览器弹出的界面中，导航至对应作业文件夹（例如 `HW01`），点击打开 `HW01.ipynb`。\n\n### 3. 运行代码\n*   按照 Notebook 中的单元格顺序依次执行（按 `Shift + Enter`）。\n*   代码通常包含数据加载、模型定义、训练循环和结果可视化。\n*   **示例代码片段**（源自 HW01 逻辑）：\n\n```python\n# 典型的训练循环结构示例\nimport torch\nimport torch.nn as nn\n\n# 假设 model, loss_fn, optimizer 已定义\nfor epoch in range(num_epochs):\n    y_pred = model(x_data)\n    loss = loss_fn(y_pred, y_data)\n    \n    optimizer.zero_grad()\n    loss.backward()\n    optimizer.step()\n    \n    if epoch % 100 == 0:\n        print(f'Epoch {epoch}, Loss: {loss.item()}')\n```\n\n### 4. 查看其他资源\n*   **视频讲解**：每个作业标题旁均附有 YouTube 视频链接，建议配合代码阅读。\n*   **幻灯片**：每个作业文件夹内包含 `.pdf` 文件，详细解释了算法原理和作业要求。\n\n您可以按照相同方式探索 HW02 至 HW15，逐步深入卷积神经网络、注意力机制、生成对抗网络等进阶内容。","一名刚入门深度学习的大学生试图独立复现一篇关于图像分类的论文，却因缺乏系统的代码实现指导而陷入困境。\n\n### 没有 ML2022-Spring 时\n- **理论脱节**：虽然看懂了卷积神经网络（CNN）和 Transformer 的数学公式，但面对空白编辑器不知如何将其转化为可运行的 PyTorch 代码。\n- **资源碎片化**：需要在 GitHub、博客和论坛间反复搜索零散的代码片段，难以找到逻辑连贯且经过验证的完整作业流程。\n- **调试无门**：模型训练不收敛或报错时，缺乏标准的参考基准（Baseline），无法判断是数据预处理错误还是模型架构搭建问题。\n- **进阶受阻**：面对 GAN、BERT 或元学习等复杂主题，找不到由浅入深的实战案例，导致学习曲线极其陡峭，极易放弃。\n\n### 使用 ML2022-Spring 后\n- **知行合一**：直接参照 HW3（CNN）和 HW5（Transformer）提供的 Jupyter Notebook 代码，将抽象理论瞬间落地为可执行、可修改的工程实现。\n- **体系完整**：利用仓库中从回归到元学习的 15 个连续作业，获得了一套结构严谨、涵盖全栈机器学习任务的标准化学习路径。\n- **高效排错**：以官方提供的 Code 和 Slide 为基准进行对比调试，快速定位数据加载或损失函数定义中的细微偏差，大幅缩短试错时间。\n- **平滑进阶**：跟随李宏毅老师的视频讲解配合 HW7（BERT）和 HW15（Meta Learning）代码，循序渐进地掌握前沿算法，建立起解决复杂问题的信心。\n\nML2022-Spring 通过提供“视频 + 课件 + 代码”三位一体的闭环资源，将机器学习的学习门槛从“纸上谈兵”降低为“动手即得”，是初学者构建扎实工程能力的最佳跳板。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fvirginiakm1988_ML2022-Spring_6b9eb39e.png","virginiakm1988","Zih-Ching Chen","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fvirginiakm1988_e5a59009.jpg","LLM Solution Architect, Nvidia\r\n","Nvidia","National Taiwan University",null,"https:\u002F\u002Fmedium.com\u002F@virginiakm1988","https:\u002F\u002Fgithub.com\u002Fvirginiakm1988",[82],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",100,2544,551,"2026-04-12T20:11:38","","未说明",{"notes":92,"python":90,"dependencies":93},"README 中未提供具体的运行环境需求（如操作系统、GPU、内存、Python 版本及依赖库）。该仓库主要包含李宏毅教授机器学习课程的作业代码（.ipynb）、幻灯片和视频教程链接。由于作业涵盖回归、CNN、Transformer、GAN、BERT 等深度学习内容，实际运行通常需要根据具体作业笔记本（Notebook）中的导入语句安装 PyTorch 或 TensorFlow 等框架，并建议使用支持 CUDA 的 GPU 以加速训练。",[],[14],[96,97],"machine-learning","deep-learning","2026-03-27T02:49:30.150509","2026-04-13T19:00:08.101538",[101,106,111],{"id":102,"question_zh":103,"answer_zh":104,"source_url":105},31879,"无法通过 Git LFS 下载 HW3 数据，提示仓库超出数据配额限制怎么办？","由于仓库的 LFS 带宽配额已用尽，无法直接通过 git lfs fetch 下载。请前往 Kaggle 竞赛页面下载数据：https:\u002F\u002Fwww.kaggle.com\u002Fcompetitions\u002Fml2022spring-hw3b\u002Fdata。此外，Notebook 中原本的 Dropbox 下载链接（! wget https:\u002F\u002Fwww.dropbox.com\u002Fs\u002F6l2vcvxl54b0b6w\u002Ffood11.zip）也已失效，请以 Kaggle 来源为准。","https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fissues\u002F2",{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},31880,"在 Windows 本地运行 HW3 Simple Code 时出现 CUDA error 或 Label 为 -1 的错误如何解决？","该问题通常是因为 Windows 下的文件路径分隔符与代码默认逻辑不匹配，导致解析 label 失败（返回 -1）。建议先将 device 改为 cpu 以查看具体的报错信息。确认是路径问题后，需要修改代码中解析文件名的部分，使其兼容 Windows 路径格式（例如处理反斜杠），从而正确提取 train 数据的 label 并兼顾 test 数据。","https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fissues\u002F5",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},31881,"课程结束后，Kaggle 排行榜是否还接受迟交提交并进行排名？","是的，排行榜仍然接受迟交提交（late submission）并进行正常排名。学生可以在课后继续提交作业以测试和验证结果。","https:\u002F\u002Fgithub.com\u002Fvirginiakm1988\u002FML2022-Spring\u002Fissues\u002F3",[]]