[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xbresson--GML2023":3,"tool-xbresson--GML2023":65},[4,23,32,40,49,57],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":22},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。",85092,2,"2026-04-10T11:13:16",[13,14,15,16,17,18,19,20,21],"图像","数据工具","视频","插件","Agent","其他","语言模型","开发框架","音频","ready",{"id":24,"name":25,"github_repo":26,"description_zh":27,"stars":28,"difficulty_score":29,"last_commit_at":30,"category_tags":31,"status":22},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",[19,14,18],{"id":33,"name":34,"github_repo":35,"description_zh":36,"stars":37,"difficulty_score":29,"last_commit_at":38,"category_tags":39,"status":22},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",[18,13,14,20],{"id":41,"name":42,"github_repo":43,"description_zh":44,"stars":45,"difficulty_score":46,"last_commit_at":47,"category_tags":48,"status":22},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",[17,13,20,19,18],{"id":50,"name":51,"github_repo":52,"description_zh":53,"stars":54,"difficulty_score":46,"last_commit_at":55,"category_tags":56,"status":22},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。",75370,"2026-04-11T11:15:34",[19,13,20,18],{"id":58,"name":59,"github_repo":60,"description_zh":61,"stars":62,"difficulty_score":29,"last_commit_at":63,"category_tags":64,"status":22},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",[20,18],{"id":66,"github_repo":67,"name":68,"description_en":69,"description_zh":70,"ai_summary_zh":71,"readme_en":72,"readme_zh":73,"quickstart_zh":74,"use_case_zh":75,"hero_image_url":76,"owner_login":77,"owner_name":78,"owner_avatar_url":79,"owner_bio":80,"owner_company":80,"owner_location":81,"owner_email":80,"owner_twitter":77,"owner_website":82,"owner_url":83,"languages":84,"stars":100,"forks":101,"last_commit_at":102,"license":103,"difficulty_score":10,"env_os":104,"env_gpu":105,"env_ram":106,"env_deps":107,"category_tags":115,"github_topics":80,"view_count":10,"oss_zip_url":80,"oss_zip_packed_at":80,"status":22,"created_at":116,"updated_at":117,"faqs":118,"releases":119},6594,"xbresson\u002FGML2023","GML2023","Graph Machine Learning course, Xavier Bresson, 2023","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。\n\n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。\n\n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","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。\n\n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。\n\n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。","# Graph Machine Learning course, 2023\n## Xavier Bresson\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxbresson_GML2023_readme_09eb68370da2.jpg\" align=\"right\" width=\"300\"\u002F>\n\n\n\n\u003Cbr>\u003Cbr> \n\n\n### Course slides \nhttps:\u002F\u002Fstorage.googleapis.com\u002Fxavierbresson\u002Findex.html\n\n\n\n\u003Cbr>\u003Cbr> \n\n\n### Cloud Machine : Google Colab (Free GPU)\n\n* Follow this Notebook installation :\u003Cbr>\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fxbresson\u002FGML2023\u002Fblob\u002Fmaster\u002Fcodes\u002Finstallation\u002Finstallation.ipynb\n\n* Open your Google Drive :\u003Cbr>\nhttps:\u002F\u002Fwww.google.com\u002Fdrive\n\n* Open in Google Drive Folder 'GML2023' and go to Folder 'GML2023\u002Fcodes\u002F'\u003Cbr>\nSelect the notebook 'file.ipynb' and open it with Google Colab using Control Click + Open With Colaboratory\n\n\n\n\u003Cbr>\u003Cbr>\n\n### Local Installation for OSX M Chips\n\n* Open a Terminal and type\n\n\n```sh\n   # Conda installation\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX\n   chmod +x miniconda.sh\n   .\u002Fminiconda.sh\n   source ~\u002F.bashrc\n\n   # Clone GitHub repo\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # Install python libraries\n   conda env create -f environment_osx_arm64.yml\n   conda activate gnn_course\n   pip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n   # Run the notebooks in Chrome\n   jupyter notebook\n   ```\n\n\n### Local Installation for OSX Intel Chips \n\n* Open a Terminal and type\n\n\n```sh\n   # Conda installation\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX\n   chmod +x miniconda.sh\n   .\u002Fminiconda.sh\n   source ~\u002F.bashrc\n\n   # Clone GitHub repo\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # Install python libraries\n   conda env create -f environment_osx_intel.yml\n   conda activate gnn_course\n   pip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n   # Run the notebooks in Chrome\n   jupyter notebook\n   ```\n\n\n### Local Installation for Linux\n\n* Open a Terminal and type\n\n\n```sh\n   # Conda installation\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX\n   chmod +x miniconda.sh\n   .\u002Fminiconda.sh\n   source ~\u002F.bashrc\n\n   # Clone GitHub repo\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # Install python libraries\n   conda env create -f environment_linux.yml\n   conda activate gnn_course\n   pip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n   # Run the notebooks in Chrome\n   jupyter notebook\n   ```\n\n\n\n\n### Local Installation for Windows \n\n```sh\n   # Install Anaconda \n   https:\u002F\u002Frepo.anaconda.com\u002Fminiconda\u002FMiniconda3-latest-Windows-x86_64.exe\n\n   # Open an Anaconda Terminal \n   Go to Application => Anaconda3 => Anaconda Prompt \n\n   # Install git : Type in terminal\n   conda install git \n\n   # Clone GitHub repo\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # Install python libraries\n   conda env create -f environment_win64.yml\n   conda activate gnn_course\n\n   # Run the notebooks in Chrome\n   jupyter notebook\n   ```\n\n   ","# 图机器学习课程，2023年\n## 哈维埃·布雷松\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxbresson_GML2023_readme_09eb68370da2.jpg\" align=\"right\" width=\"300\"\u002F>\n\n\n\n\u003Cbr>\u003Cbr> \n\n\n### 课程幻灯片 \nhttps:\u002F\u002Fstorage.googleapis.com\u002Fxavierbresson\u002Findex.html\n\n\n\n\u003Cbr>\u003Cbr> \n\n\n### 云端机器：Google Colab（免费GPU）\n\n* 按照此笔记本进行安装：\u003Cbr>\nhttps:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fxbresson\u002FGML2023\u002Fblob\u002Fmaster\u002Fcodes\u002Finstallation\u002Finstallation.ipynb\n\n* 打开您的 Google Drive：\u003Cbr>\nhttps:\u002F\u002Fwww.google.com\u002Fdrive\n\n* 在 Google Drive 中打开文件夹 'GML2023'，进入子文件夹 'GML2023\u002Fcodes\u002F'\u003Cbr>\n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。\n\n\n\n\u003Cbr>\u003Cbr>\n\n### 针对苹果 M 系列芯片的本地安装\n\n* 打开终端并输入以下命令：\n\n\n```sh\n   # 安装 Conda\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX\n   chmod +x miniconda.sh\n   .\u002Fminiconda.sh\n   source ~\u002F.bashrc\n\n   # 克隆 GitHub 仓库\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # 安装 Python 库\n   conda env create -f environment_osx_arm64.yml\n   conda activate gnn_course\n   pip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n   # 在 Chrome 中运行笔记本\n   jupyter notebook\n   ```\n\n\n### 针对英特尔芯片的 macOS 本地安装\n\n* 打开终端并输入以下命令：\n\n\n```sh\n   # 安装 Conda\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX\n   chmod +x miniconda.sh\n   .\u002Fminiconda.sh\n   source ~\u002F.bashrc\n\n   # 克隆 GitHub 仓库\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # 安装 Python 库\n   conda env create -f environment_osx_intel.yml\n   conda activate gnn_course\n   pip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n   # 在 Chrome 中运行笔记本\n   jupyter notebook\n   ```\n\n\n### 针对 Linux 的本地安装\n\n* 打开终端并输入以下命令：\n\n\n```sh\n   # 安装 Conda\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k # Linux\n   curl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k # OSX\n   chmod +x miniconda.sh\n   .\u002Fminiconda.sh\n   source ~\u002F.bashrc\n\n   # 克隆 GitHub 仓库\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # 安装 Python 库\n   conda env create -f environment_linux.yml\n   conda activate gnn_course\n   pip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n   # 在 Chrome 中运行笔记本\n   jupyter notebook\n   ```\n\n\n\n\n### 针对 Windows 的本地安装\n\n```sh\n   # 安装 Anaconda\n   https:\u002F\u002Frepo.anaconda.com\u002Fminiconda\u002FMiniconda3-latest-Windows-x86_64.exe\n\n   # 打开 Anaconda 终端\n   进入应用程序 => Anaconda3 => Anaconda Prompt \n\n   # 安装 git：在终端中输入\n   conda install git \n\n   # 克隆 GitHub 仓库\n   git clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\n   cd GML2023\n\n   # 安装 Python 库\n   conda env create -f environment_win64.yml\n   conda activate gnn_course\n\n   # 在 Chrome 中运行笔记本\n   jupyter notebook\n   ```","# GML2023 快速上手指南\n\nGML2023 是 Xavier Bresson 教授开发的图机器学习（Graph Machine Learning）课程配套代码库，包含丰富的 Jupyter Notebook 示例，适合学习图神经网络（GNN）基础与进阶应用。\n\n## 环境准备\n\n**系统要求：**\n- 操作系统：Windows, Linux, macOS (Intel 或 M 系列芯片)\n- 内存：建议 8GB 以上\n- 磁盘空间：至少 5GB 可用空间\n\n**前置依赖：**\n- **方案 A（推荐新手）：** 仅需浏览器账号（Google 账号），使用云端免费 GPU。\n- **方案 B（本地开发）：**\n  - Miniconda 或 Anaconda\n  - Git\n  - Python 环境（通过 Conda 自动管理）\n\n> **国内加速提示：** 由于原始仓库位于 GitHub 且依赖 Google Colab，国内用户若访问受限，建议在本地安装时配置 Conda 清华源或中科大源，并使用 Git 镜像克隆仓库。\n\n## 安装步骤\n\n### 方案一：云端免安装（Google Colab）\n\n无需本地配置环境，利用 Google 免费 GPU 资源运行。\n\n1. **安装依赖环境：**\n   打开以下链接运行安装脚本：\n   ```text\n   https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fxbresson\u002FGML2023\u002Fblob\u002Fmaster\u002Fcodes\u002Finstallation\u002Finstallation.ipynb\n   ```\n\n2. **挂载谷歌云端硬盘：**\n   访问 `https:\u002F\u002Fwww.google.com\u002Fdrive`，确保已登录 Google 账号。\n\n3. **运行课程代码：**\n   - 在 Google Drive 中找到 `GML2023` 文件夹。\n   - 进入 `GML2023\u002Fcodes\u002F` 目录。\n   - 右键点击任意 `.ipynb` 文件（如 `file.ipynb`），选择 **关联应用** -> **Colaboratory** (或使用 `Ctrl + Click` 打开)。\n\n---\n\n### 方案二：本地安装\n\n#### 1. macOS (M 系列芯片 \u002F Apple Silicon)\n\n```sh\n# 安装 Miniconda\ncurl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k\nchmod +x miniconda.sh\n.\u002Fminiconda.sh\nsource ~\u002F.bashrc\n\n# 克隆仓库 (国内用户可使用：git clone https:\u002F\u002Fgitee.com\u002Fmirror\u002FGML2023.git 或配置 git proxy)\ngit clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\ncd GML2023\n\n# 创建并激活环境\nconda env create -f environment_osx_arm64.yml\nconda activate gnn_course\n\n# 修复 scikit-learn 版本兼容性\npip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n# 启动 Jupyter\njupyter notebook\n```\n\n#### 2. macOS (Intel 芯片)\n\n```sh\n# 安装 Miniconda\ncurl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-MacOSX-x86_64.sh -o miniconda.sh -J -L -k\nchmod +x miniconda.sh\n.\u002Fminiconda.sh\nsource ~\u002F.bashrc\n\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\ncd GML2023\n\n# 创建并激活环境\nconda env create -f environment_osx_intel.yml\nconda activate gnn_course\n\n# 修复 scikit-learn 版本兼容性\npip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n# 启动 Jupyter\njupyter notebook\n```\n\n#### 3. Linux\n\n```sh\n# 安装 Miniconda\ncurl https:\u002F\u002Frepo.continuum.io\u002Fminiconda\u002FMiniconda3-latest-Linux-x86_64.sh -o miniconda.sh -J -L -k\nchmod +x miniconda.sh\n.\u002Fminiconda.sh\nsource ~\u002F.bashrc\n\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\ncd GML2023\n\n# 创建并激活环境\nconda env create -f environment_linux.yml\nconda activate gnn_course\n\n# 修复 scikit-learn 版本兼容性\npip install --upgrade --force-reinstall scikit-learn==1.3.2 \n\n# 启动 Jupyter\njupyter notebook\n```\n\n#### 4. Windows\n\n1. **下载并安装 Anaconda\u002FMiniconda：**\n   访问 `https:\u002F\u002Frepo.anaconda.com\u002Fminiconda\u002FMiniconda3-latest-Windows-x86_64.exe` 下载安装。\n\n2. **打开终端：**\n   在开始菜单找到 `Anaconda3` -> `Anaconda Prompt` 并打开。\n\n3. **执行命令：**\n\n```sh\n# 安装 git\nconda install git \n\n# 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fxbresson\u002FGML2023.git\ncd GML2023\n\n# 创建并激活环境\nconda env create -f environment_win64.yml\nconda activate gnn_course\n\n# 启动 Jupyter\njupyter notebook\n```\n\n## 基本使用\n\n安装完成后，系统将自动在默认浏览器中打开 Jupyter Notebook 界面。\n\n1. **浏览课程笔记：**\n   在文件列表中进入 `codes\u002F` 目录，这里包含了按章节组织的 `.ipynb` 文件。\n\n2. **运行示例：**\n   - 点击任意笔记本（例如介绍基础 GNN 的文件）。\n   - 依次点击单元格左侧的 **运行** 按钮（或按 `Shift + Enter`）。\n   - 代码将逐步执行，显示图数据加载、模型构建、训练及可视化结果。\n\n3. **查看课件：**\n   课程幻灯片可通过以下链接查看（需网络通畅）：\n   ```text\n   https:\u002F\u002Fstorage.googleapis.com\u002Fxavierbresson\u002Findex.html\n   ```","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。\n\n### 没有 GML2023 时\n- **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\"。\n- **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。\n- **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。\n- **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。\n\n### 使用 GML2023 后\n- **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。\n- **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。\n- **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。\n- **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。\n\nGML2023 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。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxbresson_GML2023_09eb6837.jpg","xbresson","Xavier Bresson","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxbresson_6c4db47e.jpg",null,"Singapore","https:\u002F\u002Fwww.linkedin.com\u002Fin\u002Fxavier-bresson-738585b","https:\u002F\u002Fgithub.com\u002Fxbresson",[85,89,93,97],{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",99.8,{"name":90,"color":91,"percentage":92},"Python","#3572A5",0.1,{"name":94,"color":95,"percentage":96},"C++","#f34b7d",0,{"name":98,"color":99,"percentage":96},"Makefile","#427819",615,96,"2026-03-20T13:50:04","MIT","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",{"notes":108,"python":109,"dependencies":110},"该项目为图机器学习课程代码。支持多种安装方式：1. 云端：推荐使用 Google Colab（免费 GPU），需挂载 Google Drive 并打开指定 Notebook；2. 本地：macOS 用户需根据芯片类型（M 系列或 Intel）选择对应的 environment_yml 文件，Windows 用户需先安装 Anaconda 和 git。所有本地环境激活后需强制重装 scikit-learn 至 1.3.2 版本。","未说明 (通过 Conda 环境文件 environment_*.yml 自动管理)",[111,112,113,114],"scikit-learn==1.3.2","jupyter notebook","git","conda",[18],"2026-03-27T02:49:30.150509","2026-04-11T20:45:53.644554",[],[]]