GML2023
GML2023 是由新加坡国立大学 Xavier Bresson 教授推出的图机器学习（Graph Machine Learning）开源课程资源库。它并非一个直接运行的软件工具，而是一套完整的教学与实践框架，旨在帮助学习者系统掌握图神经网络（GNN）的核心原理与代码实现。
针对图数据在传统深度学习模型中难以有效处理的痛点，GML2023 提供了从理论基础到实战演练的一站式解决方案。课程包含详细的幻灯片讲义，并配套了基于 Google Colab 的云端实验环境，用户无需配置本地硬件即可免费使用 GPU 运行代码。同时，项目也为 macOS（支持 M 系列及 Intel 芯片）、Linux 和 Windows 用户提供了详尽的本地环境部署指南，确保不同操作系统的开发者都能顺利复现算法。
这套资源特别适合人工智能领域的研究人员、高校学生以及希望深入理解图算法的开发者使用。其独特亮点在于将复杂的学术概念转化为可交互的 Jupyter Notebook 代码实例，覆盖了从基础图卷积到前沿架构的完整技术栈。通过“理论 + 代码”的双轨模式，GML2023 降低了图机器学习的学习门槛，是进入该领域不可多得的入门与实践指南。
使用场景
某高校研究生李明正在开展“基于图神经网络的药物分子性质预测”研究，急需从零构建可靠的实验基线。
没有 GML2023 时
- 环境配置耗时极长：面对 PyTorch Geometric、DGL 等复杂的图学习依赖库，在本地反复解决版本冲突和编译错误，耗费数天仍无法跑通"Hello World"。
- 理论代码脱节：阅读论文公式后，不知如何将其转化为可执行的矩阵运算代码，缺乏标准的参考实现来验证理解是否正确。
- 算力资源受限：个人电脑显卡显存不足，无法加载稍大的图数据集，导致模型训练频繁崩溃或只能使用极小规模数据。
- 复现基准困难：找不到权威且结构清晰的经典模型（如 GCN、GAT）代码模板，自行编写的代码难以保证与学术界标准一致。
使用 GML2023 后
- 一键部署环境：利用其提供的 Conda 配置文件（如
environment_linux.yml）或 Google Colab 云端笔记本，10 分钟内即可在本地或云端搭建好包含所有依赖的完整开发环境。 - 代码即教材：直接参考课程中模块化清晰的 Jupyter Notebook 源码，将抽象的图卷积公式迅速对应到具体的 Python 实现，加速了算法理解。
- 免费享用 GPU：通过官方指引直接在 Google Colab 上运行代码，免费获得高性能 GPU 支持，轻松处理大规模分子图数据训练。
- 标准化基线复用：直接调用课程中预置的经典模型代码作为强基线，确保实验起点符合学术规范，将精力集中在改进创新而非重复造轮子上。
GML2023 通过提供“开箱即用”的全栈式教学代码与云端算力方案，将研究者从繁琐的环境搭建中解放出来，使其能专注于图机器学习算法的核心创新。
运行环境要求
- Linux
- macOS
- Windows
- 非必需
- 本地安装未强制要求 GPU，主要依赖 CPU 运行
- Google Colab 云端环境提供免费 GPU 支持，具体型号未说明
未说明
快速开始
图机器学习课程，2023年
哈维埃·布雷松
课程幻灯片
https://storage.googleapis.com/xavierbresson/index.html
云端机器：Google Colab（免费GPU）
按照此笔记本进行安装：
https://colab.research.google.com/github/xbresson/GML2023/blob/master/codes/installation/installation.ipynb打开您的 Google Drive：
https://www.google.com/drive在 Google Drive 中打开文件夹 'GML2023'，进入子文件夹 'GML2023/codes/'
选择笔记本 'file.ipynb'，使用 Control + 点击右键并选择“用 Colaboratory 打开”来在 Google Colab 中打开它。
针对苹果 M 系列芯片的本地安装
- 打开终端并输入以下命令：
# 安装 Conda
curl https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux
curl https://repo.continuum.io/miniconda/Miniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX
chmod +x miniconda.sh
./miniconda.sh
source ~/.bashrc
# 克隆 GitHub 仓库
git clone https://github.com/xbresson/GML2023.git
cd GML2023
# 安装 Python 库
conda env create -f environment_osx_arm64.yml
conda activate gnn_course
pip install --upgrade --force-reinstall scikit-learn==1.3.2
# 在 Chrome 中运行笔记本
jupyter notebook
针对英特尔芯片的 macOS 本地安装
- 打开终端并输入以下命令：
# 安装 Conda
curl https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux
curl https://repo.continuum.io/miniconda/Miniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX
chmod +x miniconda.sh
./miniconda.sh
source ~/.bashrc
# 克隆 GitHub 仓库
git clone https://github.com/xbresson/GML2023.git
cd GML2023
# 安装 Python 库
conda env create -f environment_osx_intel.yml
conda activate gnn_course
pip install --upgrade --force-reinstall scikit-learn==1.3.2
# 在 Chrome 中运行笔记本
jupyter notebook
针对 Linux 的本地安装
- 打开终端并输入以下命令：
# 安装 Conda
curl https://repo.continuum.io/miniconda/Miniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux
curl https://repo.continuum.io/miniconda/Miniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX
chmod +x miniconda.sh
./miniconda.sh
source ~/.bashrc
# 克隆 GitHub 仓库
git clone https://github.com/xbresson/GML2023.git
cd GML2023
# 安装 Python 库
conda env create -f environment_linux.yml
conda activate gnn_course
pip install --upgrade --force-reinstall scikit-learn==1.3.2
# 在 Chrome 中运行笔记本
jupyter notebook
针对 Windows 的本地安装
# 安装 Anaconda
https://repo.anaconda.com/miniconda/Miniconda3-latest-Windows-x86_64.exe
# 打开 Anaconda 终端
进入应用程序 => Anaconda3 => Anaconda Prompt
# 安装 git：在终端中输入
conda install git
# 克隆 GitHub 仓库
git clone https://github.com/xbresson/GML2023.git
cd GML2023
# 安装 Python 库
conda env create -f environment_win64.yml
conda activate gnn_course
# 在 Chrome 中运行笔记本
jupyter notebook
相似工具推荐
ML-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。 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。
funNLP
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。 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。 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。
cs-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。 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。 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。
ragflow
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。 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。 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。
PaddleOCR
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。 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。 PaddleOCR 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。
awesome-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。 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。 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。