[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-wepe--MachineLearning":3,"tool-wepe--MachineLearning":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},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,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},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,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":102,"forks":103,"last_commit_at":104,"license":82,"difficulty_score":23,"env_os":105,"env_gpu":106,"env_ram":106,"env_deps":107,"category_tags":119,"github_topics":82,"view_count":10,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":120,"updated_at":121,"faqs":122,"releases":156},1189,"wepe\u002FMachineLearning","MachineLearning","Basic Machine Learning and Deep Learning","MachineLearning 是一个包含多种机器学习和深度学习算法实现的开源项目，适合初学者和实践者学习和参考。项目中涵盖了从基础的逻辑回归、K近邻、SVM到深度学习中的CNN、MLP等常见算法，并提供了详细的中文教程和代码解析，帮助用户理解算法原理和实际应用。通过这些内容，可以解决数据分类、特征提取、降维和聚类等问题。适合开发者和研究人员使用，尤其对希望深入理解机器学习算法并进行实践的人群有较大帮助。项目代码结构清晰，部分实现了经典模型如LeNet、Softmax回归等，具有较强的参考价值。","MachineLearning\n====================\n\n\n\n一些常见的机器学习算法的实现代码，本人学习过程中做的总结，资历尚浅，如有错误请不吝指出。\n\n\n## 目录介绍\n\n- **DeepLearning Tutorials**\n\n   这个文件夹下包含一些深度学习算法的实现代码，以及具体的应用实例，包含：\n\n   [dive_into _keras](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fdive_into_keras) Keras使用进阶。介绍了怎么保存训练好的CNN模型，怎么将CNN用作特征提取，怎么可视化卷积图。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45581421)， 更多进阶使用方法：[gist](https:\u002F\u002Fgist.github.com\u002Fwepe\u002Fa05ad572dca002046de443061909ff7a)\n      \n   [keras_usage](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fkeras_usage) 介绍了一个简单易用的深度学习框架keras，用经典的Mnist分类问题对该框架的使用进行说明，训练一个CNN，总共不超过30行代码。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45397033)\n\n   [FaceRecognition_CNN(olivettifaces)](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002FFaceRecognition_CNN(olivettifaces))\n      将卷积神经网络CNN应用于人脸识别的一个demo，人脸数据库采用olivettifaces，CNN模型参考LeNet5，基于python+theano+numpy+PIL实现。详细介绍这个demo的文章：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43277187)\n\n\n   [cnn_LeNet](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fcnn_LeNet)  CNN卷积神经网络算法的实现，模型为简化版的LeNet，应用于MNIST数据集（手写数字），来自于DeepLearning.net上的一个教程，基于python+theano，我用了中文将原始的代码进行详细的解读，并简单总结了CNN算法，相应的文章发在：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43225445)\n\n   [mlp](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fmlp)  多层感知机算法的实现，代码实现了最简单的三层感知机，并应用于MNIST数据集，来自DeepLearning.net上的一个教程，基于python+theano，我写了一篇文章总结介绍了MLP算法，同时用中文详细解读了原始的代码：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43221829)\n\n   [Softmax_sgd(or logistic_sgd)](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002FSoftmax_sgd(or%20logistic_sgd)) Softmax回归算法的实现，应用于MNIST数据集，基于Python+theano，来自DeepLearning.net上的一个教程，基于python+theano，我写了一篇文章介绍了Softmax回归算法，同时用中文详细解读了原始的代码：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43157801)\n\n- **PCA**\n\n   基于python+numpy实现了主成份分析PCA算法，这里详细地介绍了PCA算法，以及代码开发流程：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F42177327)\n\n- **kNN**\n      \n   基于python+numpy实现了K近邻算法，并将其应用在MNIST数据集上，详细的介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F41768407)\n\n- **logistic regression**\n\n   - 基于C++以及线性代数库Eigen实现的logistic回归，[代码](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002Flogistic%20regression\u002Fuse_cpp_and_eigen)\n\n   - 基于python+numpy实现了logistic回归（二类别），详细的介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F41844495)\n\n- **ManifoldLearning**\n\n\t[DimensionalityReduction_DataVisualizing](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FManifoldLearning\u002FDimensionalityReduction_DataVisualizing) 运用多种流形学习方法将高维数据降维，并用matplotlib将数据可视化(2维和3维)\n     \n- **SVM**    \n\n\t[libsvm liblinear-usage](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FSVM\u002Flibsvm%20liblinear-usage) 对使用广泛的libsvm、liblinear的使用方法进行了总结，详细介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45206813)\n\n    [SVM by SMO](.\u002FSVM\u002FSVM_by_SMO) - 用SMO实现了SVM\n\n    [SVM by QP](.\u002FSVM\u002FSVM_by_QP) - 用二次编程（QP）实现了SVM\n\n\n- **GMM**\n\n\tGMM和k-means作为EM算法的应用，在某种程度有些相似之处，不过GMM明显学习出一些概率密度函数来，结合相关理解写成python版本，详细介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fgugugujiawei\u002Farticle\u002Fdetails\u002F45583051)\n\n- **DecisionTree**\n\n\tPython、Numpy、Matplotlib实现的ID3、C4.5，其中C4.5有待完善，后续加入CART。文章待总结。[代码](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FDecisionTree)\n\n- **KMeans**\n\n\t介绍了聚类分析中最常用的KMeans算法（及二分KMeans算法），基于NumPy的算法实现，以及基于Matplotlib的聚类过程可视化。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F47811235)\n\n- **NaiveBayes**\n\n\t朴素贝叶斯算法的理论推导，以及三种常见模型（多项式模型，高斯模型，伯努利模型）的介绍与编程实现（基于Python，Numpy）。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F48323777)\n\n- **Ridge and Kernel Ridge**\n\n    介绍了Ridge回归和它的Kernel版本。[代码](.\u002FRidge\u002Fkernel_ridge\u002Fkernel_ridge.py)\n\n## Contributor\n\n- [wepon](https:\u002F\u002Fgithub.com\u002Fwepe)\n- [Gogary](https:\u002F\u002Fgithub.com\u002Fenjoyhot)\n- [Locky](https:\u002F\u002Fgithub.com\u002Fjunlulocky)\n","机器学习\n====================\n\n\n\n一些常见的机器学习算法的实现代码，本人学习过程中做的总结，资历尚浅，如有错误请不吝指出。\n\n\n## 目录介绍\n\n- **深度学习教程**\n\n   这个文件夹下包含一些深度学习算法的实现代码，以及具体的应用实例，包含：\n\n   [dive_into _keras](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fdive_into_keras) Keras使用进阶。介绍了怎么保存训练好的CNN模型，怎么将CNN用作特征提取，怎么可视化卷积图。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45581421)， 更多进阶使用方法：[gist](https:\u002F\u002Fgist.github.com\u002Fwepe\u002Fa05ad572dca002046de443061909ff7a)\n      \n   [keras_usage](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fkeras_usage) 介绍了一个简单易用的深度学习框架keras，用经典的Mnist分类问题对该框架的使用进行说明，训练一个CNN，总共不超过30行代码。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45397033)\n\n   [FaceRecognition_CNN(olivettifaces)](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002FFaceRecognition_CNN(olivettifaces))\n      将卷积神经网络CNN应用于人脸识别的一个demo，人脸数据库采用olivettifaces，CNN模型参考LeNet5，基于python+theano+numpy+PIL实现。详细介绍这个demo的文章：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43277187)\n\n\n   [cnn_LeNet](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fcnn_LeNet)  CNN卷积神经网络算法的实现，模型为简化版的LeNet，应用于MNIST数据集（手写数字），来自于DeepLearning.net上的一个教程，基于python+theano，我用了中文将原始的代码进行详细的解读，并简单总结了CNN算法，相应的文章发在：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43225445)\n\n   [mlp](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002Fmlp)  多层感知机算法的实现，代码实现了最简单的三层感知机，并应用于MNIST数据集，来自DeepLearning.net上的一个教程，基于python+theano，我写了一篇文章总结介绍了MLP算法，同时用中文详细解读了原始的代码：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43221829)\n\n   [Softmax_sgd(or logistic_sgd)](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning-Demo\u002Ftree\u002Fmaster\u002FDeepLearning%20Tutorials\u002FSoftmax_sgd(or%20logistic_sgd)) Softmax回归算法的实现，应用于MNIST数据集，基于Python+theano，来自DeepLearning.net上的一个教程，基于python+theano，我写了一篇文章介绍了Softmax回归算法，同时用中文详细解读了原始的代码：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F43157801)\n\n- **PCA**\n\n   基于python+numpy实现了主成份分析PCA算法，这里详细地介绍了PCA算法，以及代码开发流程：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F42177327)\n\n- **kNN**\n      \n   基于python+numpy实现了K近邻算法，并将其应用在MNIST数据集上，详细的介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F41768407)\n\n- **logistic regression**\n\n   - 基于C++以及线性代数库Eigen实现的logistic回归，[代码](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002Flogistic%20regression\u002Fuse_cpp_and_eigen)\n\n   - 基于python+numpy实现了logistic回归（二类别），详细的介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F41844495)\n\n- **流形学习**\n\n\t[DimensionalityReduction_DataVisualizing](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FManifoldLearning\u002FDimensionalityReduction_DataVisualizing) 运用多种流形学习方法将高维数据降维，并用matplotlib将数据可视化(2维和3维)\n     \n- **SVM**    \n\n\t[libsvm liblinear-usage](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FSVM\u002Flibsvm%20liblinear-usage) 对使用广泛的libsvm、liblinear的使用方法进行了总结，详细介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F45206813)\n\n    [SVM by SMO](.\u002FSVM\u002FSVM_by_SMO) - 用SMO实现了SVM\n\n    [SVM by QP](.\u002FSVM\u002FSVM_by_QP) - 用二次编程（QP）实现了SVM\n\n\n- **GMM**\n\n\tGMM和k-means作为EM算法的应用，在某种程度有些相似之处，不过GMM明显学习出一些概率密度函数来，结合相关理解写成python版本，详细介绍：[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fgugugujiawei\u002Farticle\u002Fdetails\u002F45583051)\n\n- **决策树**\n\n\tPython、Numpy、Matplotlib实现的ID3、C4.5，其中C4.5有待完善，后续加入CART。文章待总结。[代码](https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Ftree\u002Fmaster\u002FDecisionTree)\n\n- **KMeans**\n\n\t介绍了聚类分析中最常用的KMeans算法（及二分KMeans算法），基于NumPy的算法实现，以及基于Matplotlib的聚类过程可视化。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F47811235)\n\n- **NaiveBayes**\n\n\t朴素贝叶斯算法的理论推导，以及三种常见模型（多项式模型，高斯模型，伯努利模型）的介绍与编程实现（基于Python，Numpy）。[文章链接](http:\u002F\u002Fblog.csdn.net\u002Fu012162613\u002Farticle\u002Fdetails\u002F48323777)\n\n- **Ridge和Kernel Ridge**\n\n    介绍了Ridge回归和它的Kernel版本。[代码](.\u002FRidge\u002Fkernel_ridge\u002Fkernel_ridge.py)\n\n## 贡献者\n\n- [wepon](https:\u002F\u002Fgithub.com\u002Fwepe)\n- [Gogary](https:\u002F\u002Fgithub.com\u002Fenjoyhot)\n- [Locky](https:\u002F\u002Fgithub.com\u002Fjunlulocky)","# MachineLearning 快速上手指南\n\n## 环境准备\n\n### 系统要求\n- 操作系统：Linux \u002F macOS \u002F Windows（推荐使用 Linux 或 macOS）\n- Python 版本：3.6 或以上\n\n### 前置依赖\n以下为常用依赖库，建议通过国内镜像源安装以提高速度：\n\n```bash\npip install numpy scipy scikit-learn matplotlib\n```\n\n若需使用深度学习部分，还需安装：\n\n```bash\npip install theano keras\n```\n\n> 推荐使用国内镜像源加速安装：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy scikit-learn matplotlib\n> ```\n\n## 安装步骤\n\n克隆项目到本地：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning.git\ncd MachineLearning\n```\n\n## 基本使用\n\n### 示例 1: 使用 KNN 分类 MNIST 数据集\n\n进入 `kNN` 目录并运行示例代码：\n\n```bash\ncd kNN\npython knn.py\n```\n\n该示例使用 KNN 算法对 MNIST 手写数字数据集进行分类。\n\n### 示例 2: 使用 Logistic Regression 分类\n\n进入 `logistic regression` 目录并运行示例代码：\n\n```bash\ncd logistic\\ regression\npython logistic_regression.py\n```\n\n该示例使用 Python + NumPy 实现了二分类的 Logistic Regression。\n\n### 示例 3: 使用 SVM 进行分类\n\n进入 `SVM\u002Flibsvm liblinear-usage` 目录并运行示例代码：\n\n```bash\ncd SVM\u002Flibsvm\\ liblinear-usage\npython svm_demo.py\n```\n\n该示例演示了如何使用 `libsvm` 和 `liblinear` 进行分类任务。","某高校人工智能实验室的研究团队正在开发一个用于手写数字识别的项目，他们需要快速实现并测试多种机器学习算法，以评估不同模型在MNIST数据集上的表现。由于团队成员对深度学习框架不熟悉，初期开发效率较低。\n\n### 没有 MachineLearning 时  \n- 研究人员需要从零开始编写基础算法代码，如KNN、Logistic回归、SVM等，耗时且容易出错  \n- 缺乏统一的代码参考，导致不同成员实现的算法风格不一致，难以协作  \n- 对深度学习框架（如Keras）的使用不熟悉，无法快速搭建CNN模型进行实验  \n- 没有现成的可视化工具，难以分析模型训练过程和特征提取效果  \n\n### 使用 MachineLearning 后  \n- 直接调用已实现的KNN、Logistic回归、SVM等算法代码，节省大量开发时间  \n- 通过提供的Keras教程快速上手，仅用30行代码即可训练CNN模型  \n- 利用CNN示例中的可视化功能，直观理解卷积层的特征提取过程  \n- 借助PCA和流形学习的代码，快速完成高维数据的降维与可视化分析  \n\nMachineLearning 提供了从基础算法到深度学习的完整实现，显著提升了研究团队的开发效率和实验验证能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fwepe_MachineLearning_8621f33a.png","wepe","wepon","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fwepe_63c5c858.jpg","http:\u002F\u002Fwepe.github.io\u002F","Ant Group","China Hangzhou","masterwepon@163.com",null,"https:\u002F\u002Fscholar.google.com\u002Fcitations?user=xRKTHmwAAAAJ&hl=zh-CN","https:\u002F\u002Fgithub.com\u002Fwepe",[86,90,94,98],{"name":87,"color":88,"percentage":89},"Python","#3572A5",94.6,{"name":91,"color":92,"percentage":93},"C++","#f34b7d",3.8,{"name":95,"color":96,"percentage":97},"C","#555555",1.6,{"name":99,"color":100,"percentage":101},"Makefile","#427819",0,5666,3212,"2026-04-04T22:03:14","Linux, macOS, Windows","未说明",{"notes":108,"python":109,"dependencies":110},"部分代码依赖Theano和Keras，建议使用conda管理环境。部分项目需要下载MNIST等数据集，运行前请确认网络连接。","3.6+",[111,112,113,114,115,116,117,118],"numpy","theano","keras","scikit-learn","matplotlib","pandas","opencv-python","eigen3",[13],"2026-03-27T02:49:30.150509","2026-04-06T05:19:34.519643",[123,128,132,137,141,146,151],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},5412,"在使用 Keras 训练 CNN 模型时，为什么找不到保存的 model.pkl 文件？","根据评论，运行时并没有出现这种情况，能够看到保存的 pkl 模型。但代码可能与您使用的不同，建议检查代码中是否确实包含保存模型的逻辑，例如使用 `model.save('model.pkl')` 或 `pickle.dump(model, file)`。","https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Fissues\u002F4",{"id":129,"question_zh":130,"answer_zh":131,"source_url":127},5413,"如何查看训练好的 Keras 模型的准确率等参数？","可以使用 `model.evaluate()` 方法来评估模型性能，或者在训练过程中通过回调函数（如 `ModelCheckpoint`）记录准确率。此外，也可以在训练后通过 `model.metrics_names` 查看可用的指标名称。",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},5414,"在使用 Keras 的 Dense 层时遇到 'negative dimensions are not allowed' 错误怎么办？","错误通常是因为输入维度设置不正确。请检查 `input_dim` 参数是否合理，并确保数据格式与 Keras 的图像维度顺序（如 `th` 或 `tf`）一致。如果使用 Theano 后端，请确认 `.keras\u002Fkeras.json` 中的 `image_dim_ordering` 设置为 `th`。","https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Fissues\u002F13",{"id":138,"question_zh":139,"answer_zh":140,"source_url":127},5415,"在使用 Keras 进行文本分类时，如何添加第二层卷积？","第二层卷积的输入形状应与第一层输出的形状匹配。例如，如果第一层卷积输出是 `(batch_size, filters, new_length)`，则第二层卷积的 `input_shape` 应设为 `(filters, new_length)`。具体实现可参考 Keras 文档或示例代码。",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},5416,"为什么 CNN-SVM 分类结果准确率很低？","可能是由于数据未打乱或按类别顺序读取导致的。建议在加载数据时对样本进行随机打乱，以避免模型学习到数据本身的顺序特征。","https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Fissues\u002F2",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},5417,"在 Windows 上安装 TensorFlow 时需要注意什么？","TensorFlow 仅支持 64 位 Python 3.5 版本的 Windows 系统。请确保使用兼容的 Python 版本，并通过 pip 安装。如果遇到问题，建议尝试使用虚拟环境或切换到 Linux 系统。","https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Fissues\u002F19",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},5418,"Keras 中的 Layer 报错 'Layer is not connected. Did you forget to set \"input_shape\"' 是什么原因？","该错误通常是由于未正确设置输入形状导致的。请确保在第一层网络中指定 `input_shape` 参数，例如在 `Dense` 或 `Convolution1D` 层中添加 `input_shape=(dimension,)`。","https:\u002F\u002Fgithub.com\u002Fwepe\u002FMachineLearning\u002Fissues\u002F8",[]]