[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yandexdataschool--Practical_DL":3,"tool-yandexdataschool--Practical_DL":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",150720,2,"2026-04-11T11:33:10",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":78,"owner_twitter":77,"owner_website":79,"owner_url":80,"languages":81,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":32,"env_os":105,"env_gpu":106,"env_ram":105,"env_deps":107,"category_tags":112,"github_topics":113,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":119,"updated_at":120,"faqs":121,"releases":157},6637,"yandexdataschool\u002FPractical_DL","Practical_DL","DL course co-developed by YSDA, HSE and Skoltech","Practical_DL 是由 Yandex 数据学校（YSDA）、俄罗斯高等经济大学（HSE）和斯科尔科沃理工学院（Skoltech）联合打造的深度学习实战课程资源库。它旨在解决学习者从理论认知到代码落地之间的鸿沟，提供了一套系统化的学习路径，涵盖从反向传播算法、自适应优化方法，到卷积神经网络、生成模型及自然语言处理等核心主题。\n\n这套资源特别适合希望深入掌握深度学习技术的开发者、计算机专业学生及研究人员使用。不同于纯理论教材，Practical_DL 强调“动手实践”，每周的课程都配有详细的讲座笔记和基于 NumPy 或 PyTorch 的编程练习。用户既可以在本地环境配置运行，也能直接通过 Google Colab 快速上手，极大地降低了环境搭建的门槛。\n\n其独特亮点在于课程内容由多位业界知名专家共同维护，不仅讲解了深度学习的基础架构，还深入探讨了 Dropout、批归一化等实用技巧，并引入了图像描述、变分自编码器等前沿课题。此外，项目保持高频更新，拥有活跃的社区支持，是俄语区乃至全球范围内极具参考价值的开源深度学习教学方案。无论你是想夯实基础，还是探索进阶应用，Practica","Practical_DL 是由 Yandex 数据学校（YSDA）、俄罗斯高等经济大学（HSE）和斯科尔科沃理工学院（Skoltech）联合打造的深度学习实战课程资源库。它旨在解决学习者从理论认知到代码落地之间的鸿沟，提供了一套系统化的学习路径，涵盖从反向传播算法、自适应优化方法，到卷积神经网络、生成模型及自然语言处理等核心主题。\n\n这套资源特别适合希望深入掌握深度学习技术的开发者、计算机专业学生及研究人员使用。不同于纯理论教材，Practical_DL 强调“动手实践”，每周的课程都配有详细的讲座笔记和基于 NumPy 或 PyTorch 的编程练习。用户既可以在本地环境配置运行，也能直接通过 Google Colab 快速上手，极大地降低了环境搭建的门槛。\n\n其独特亮点在于课程内容由多位业界知名专家共同维护，不仅讲解了深度学习的基础架构，还深入探讨了 Dropout、批归一化等实用技巧，并引入了图像描述、变分自编码器等前沿课题。此外，项目保持高频更新，拥有活跃的社区支持，是俄语区乃至全球范围内极具参考价值的开源深度学习教学方案。无论你是想夯实基础，还是探索进阶应用，Practical_DL 都能提供扎实的代码示例与清晰的指导。","# Deep learning course\n\nThis repo supplements Deep Learning course taught @fall'23. _For previous iteration visit the [spring branch](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Ftree\u002Fspring23)._\n\nLecture and practice materials for each week are in .\u002Fweek* folders. You can complete all asignments locally or in google colab (see readme files in week*)\n\n# General info\n* Telegram [chat room]([https:\u002F\u002Ft.me\u002F+Q3s6oqGWedpmOGUy](https:\u002F\u002Ft.me\u002F+OJLD95o8lYkzZDBi)) (russian).\n* Deadlines & grading rules can be found at [this page](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fwiki\u002FHomeworks-and-grading-(HSE)).\n* Any technical issues, ideas, bugs in course materials, contribution ideas - add an [issue](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002Fpractical_dl\u002Fissues) or ask around in the chat.\n\n\n# Syllabus\n- __week01__ Intro to deep learning\n  - [ ] Lecture: Deep learning -- introduction, backpropagation algorithm, adaptive optimization methods\n  - [ ] Seminar: Neural networks in numpy\n  - [ ] Homework 1 is out!\n  - [ ] Please begin worrying about [installing pytorch](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F6). You will need it next week!\n\n- __week02__ Catch-all lecture about deep learning tricks\n  - [ ] Lecture: Deep learning as a language, dropout, batch\u002Flayer normalization, other tricks, deep learning frameworks\n  - [ ] Homework 2 is out!\n  - [ ] Seminar: PyTorch basics\n\n- __week03__ Convolutional neural networks\n  - [ ] Lecture: Computer vision tasks, Convolution and Pooling layers, ConvNet architectures, Data Augmentation\n  - [ ] Seminar: Training your first ConvNet\n\n(to be updated)\n\n# Contributors & course staff\nCourse materials by\n- [Victor Lempitsky](http:\u002F\u002Fsites.skoltech.ru\u002Fcompvision\u002Fmembers\u002Fvilem\u002F) - main track lecture videos (1-11)\n- [Victor Yurchenko](https:\u002F\u002Fgithub.com\u002Fsimflin) - intro notebooks, admin stuff\n- [Vadim Lebedev](https:\u002F\u002Fgithub.com\u002Fvadim-v-lebedev) - notebooks, admin stuff\n- [Dmitry Ulyanov](https:\u002F\u002Fgithub.com\u002FDmitryUlyanov) - notebooks on generative models & autoencoders\n- [Fedor Ratnikov](https:\u002F\u002Fgithub.com\u002Fjustheuristic\u002F) - pytorch & nlp notebooks, one bonus lecture\n- [Oleg Vasilev](https:\u002F\u002Fgithub.com\u002FOmrigan) - notebooks, technical issue resolution\n- [Arseniy Ashukha](https:\u002F\u002Fgithub.com\u002Fars-ashuha) - image captioning materials\n- [Mikhail Khalman](https:\u002F\u002Fgithub.com\u002Fmihaha) - variational autoencoder materials\n- many bugs were fixed and course materials were improved by students and volunteers, see [PR authorship](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002Fpractical_dl\u002Fpulls?q=is%3Apr+is%3Aclosed)\n","# 深度学习课程\n\n此仓库为2023年秋季学期所讲授的深度学习课程提供补充材料。_如需查看上一届课程内容，请访问[spring分支](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Ftree\u002Fspring23)。_\n\n每周的讲课和实践材料均位于.\u002Fweek*文件夹中。您可以选择在本地或Google Colab中完成所有作业（详情请参阅各周文件夹中的README文件）。\n\n# 课程基本信息\n* Telegram [聊天室]([https:\u002F\u002Ft.me\u002F+Q3s6oqGWedpmOGUy](https:\u002F\u002Ft.me\u002F+OJLD95o8lYkzZDBi))（俄语）。\n* 截止日期及评分规则请参见[此页面](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fwiki\u002FHomeworks-and-grading-(HSE))。\n* 如有任何技术问题、建议、课程材料中的错误，或希望贡献代码，请提交[issue](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002Fpractical_dl\u002Fissues)或在聊天室中提问。\n\n\n# 课程大纲\n- __week01__ 深度学习导论\n  - [ ] 讲课：深度学习简介、反向传播算法、自适应优化方法\n  - [ ] 研讨课：用NumPy实现神经网络\n  - [ ] 作业1已发布！\n  - [ ] 请开始准备[安装PyTorch](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F6)。下周将需要用到它！\n\n- __week02__ 深度学习技巧综述\n  - [ ] 讲课：深度学习作为一种“语言”、Dropout、批归一化与层归一化、其他技巧、深度学习框架\n  - [ ] 作业2已发布！\n  - [ ] 研讨课：PyTorch基础\n\n- __week03__ 卷积神经网络\n  - [ ] 讲课：计算机视觉任务、卷积层与池化层、卷积网络架构、数据增强\n  - [ ] 研讨课：训练你的第一个卷积网络\n\n（待更新）\n\n# 贡献者及课程团队\n课程材料由以下人员编写：\n- [Victor Lempitsky](http:\u002F\u002Fsites.skoltech.ru\u002Fcompvision\u002Fmembers\u002Fvilem\u002F) - 主线课程视频（第1至11讲）\n- [Victor Yurchenko](https:\u002F\u002Fgithub.com\u002Fsimflin) - 导论笔记本及行政事务\n- [Vadim Lebedev](https:\u002F\u002Fgithub.com\u002Fvadim-v-lebedev) - 笔记本及行政事务\n- [Dmitry Ulyanov](https:\u002F\u002Fgithub.com\u002FDmitryUlyanov) - 生成模型与自编码器相关笔记本\n- [Fedor Ratnikov](https:\u002F\u002Fgithub.com\u002Fjustheuristic\u002F) - PyTorch与NLP相关笔记本，以及一节额外讲座\n- [Oleg Vasilev](https:\u002F\u002Fgithub.com\u002FOmrigan) - 笔记本及技术问题解决\n- [Arseniy Ashukha](https:\u002F\u002Fgithub.com\u002Fars-ashuha) - 图像字幕生成相关材料\n- [Mikhail Khalman](https:\u002F\u002Fgithub.com\u002Fmihaha) - 变分自编码器相关材料\n- 此外，许多学生和志愿者修复了错误并改进了课程材料，详情请参阅[PR作者信息](https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002Fpractical_dl\u002Fpulls?q=is%3Apr+is%3Aclosed)。","# Practical_DL 快速上手指南\n\nPractical_DL 是 Яндекс数据学院（Yandex Data School）开源的深度学习实战课程，涵盖从基础原理到卷积神经网络（CNN）的完整内容。本课程基于 PyTorch 框架，适合希望系统学习深度学习并动手实践的中国开发者。\n\n## 环境准备\n\n*   **操作系统**：Linux, macOS 或 Windows (推荐 WSL2)\n*   **Python 版本**：建议 Python 3.8 及以上\n*   **核心依赖**：\n    *   `PyTorch`：课程主要使用的深度学习框架。\n    *   `NumPy`：用于第一周的基础练习。\n    *   `Jupyter Notebook` \u002F `JupyterLab`：用于运行课程提供的 `.ipynb` 笔记文件。\n*   **运行方式**：\n    *   **本地运行**：需自行配置上述环境。\n    *   **云端运行**：支持直接在 **Google Colab** 中打开每周文件夹内的笔记文件运行，无需本地安装重型依赖。\n\n## 安装步骤\n\n### 1. 克隆项目代码\n将仓库克隆到本地：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL.git\ncd Practical_DL\n```\n\n### 2. 安装 PyTorch (关键步骤)\n课程第二周开始强依赖 PyTorch。请根据您的硬件环境（是否有 NVIDIA GPU）选择安装命令。\n\n**推荐使用国内镜像源加速安装：**\n\n*   **CPU 版本 (无显卡或仅用于调试)**\n    ```bash\n    pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcpu -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n*   **GPU 版本 (NVIDIA 显卡，以 CUDA 11.8 为例)**\n    ```bash\n    pip install torch torchvision torchaudio --index-url https:\u002F\u002Fdownload.pytorch.org\u002Fwhl\u002Fcu118 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n    *(注：如需其他 CUDA 版本，请访问 PyTorch 官网获取对应命令)*\n\n### 3. 安装其他依赖\n进入具体周次的文件夹（例如 `week01` 或 `week02`），查看该目录下的 `requirements.txt` 并安装：\n```bash\ncd week01\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n*(重复此步骤进入后续每周的文件夹安装对应依赖)*\n\n## 基本使用\n\n课程内容按周组织，每周包含讲座（Lecture）、研讨课（Seminar）和作业（Homework）。\n\n### 启动学习\n1.  **浏览大纲**：根目录下的 `README.md` 列出了每周主题。\n    *   `week01`：深度学习入门、反向传播、NumPy 实现神经网络。\n    *   `week02`：深度学习技巧（Dropout, BatchNorm）、PyTorch 基础。\n    *   `week03`：卷积神经网络（CNN）、数据增强。\n2.  **运行笔记**：\n    进入对应周次目录，启动 Jupyter 服务：\n    ```bash\n    cd week01\n    jupyter notebook\n    ```\n    在浏览器中打开对应的 `.ipynb` 文件（通常名为 `seminar.ipynb` 或 `homework.ipynb`），按照单元格顺序依次执行代码即可完成练习。\n\n### 提交作业与反馈\n*   **作业截止与评分**：请参考项目 Wiki 页面了解具体规则。\n*   **技术交流**：遇到问题可前往 GitHub Issues 区提问，或参考课程提供的 Telegram 群组（主要为俄语交流）。\n*   **贡献代码**：发现课程材料中的 Bug 或有改进建议，欢迎提交 Pull Request。","某高校计算机系研究生李明正试图从零开始掌握深度学习，以完成其关于图像分类的毕业论文，但他缺乏系统的理论指导和规范的代码实践路径。\n\n### 没有 Practical_DL 时\n- 学习资源碎片化严重，需要在多个博客和视频中拼凑反向传播、优化算法等核心概念，难以形成完整知识体系。\n- 动手实践门槛高，面对 PyTorch 安装配置和环境依赖问题束手无策，往往在配置环境阶段就耗费数天甚至放弃。\n- 缺乏循序渐进的训练项目，直接啃读复杂论文或复现大型模型导致挫败感强，无法理解卷积神经网络（ConvNet）等基础架构的构建逻辑。\n- 遇到代码报错或理论疑惑时无人答疑，社区论坛回复缓慢且质量参差不齐，问题解决效率极低。\n- 作业与评估标准缺失，无法自我检验学习成果，不清楚是否真正掌握了从数据增强到模型训练的全流程技能。\n\n### 使用 Practical_DL 后\n- 依托 YSDA 等顶尖机构联合开发的系统大纲，按周次稳步学习从深度学习入门到卷积神经网络的完整理论，知识结构清晰严谨。\n- 利用提供的 Google Colab 笔记本和本地部署指南，快速解决 PyTorch 环境配置难题，第一周即可上手用 Numpy 手写神经网络。\n- 跟随每周配套的研讨会（Seminar）代码，亲手训练第一个 ConvNet，通过数据增强和 Dropout 等技巧实战，直观理解模型调优过程。\n- 加入活跃的 Telegram 俄语交流区并参考详细的 Issue 追踪记录，迅速获得关于代码 Bug 和技术难点的高质量反馈与解决方案。\n- 遵循明确的作业提交与评分规则，通过每周递进式的编程任务自我量化学习进度，确保具备独立开展深度学习研究的能力。\n\nPractical_DL 将零散的深度学习知识转化为一条结构清晰、理论与实践并重的标准化成长路径，极大降低了初学者进入 AI 领域的门槛。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyandexdataschool_Practical_DL_fc5f8f52.png","yandexdataschool","Yandex School of Data Analysis","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyandexdataschool_d4fa4709.png","",null,"info@yandexdataschool.com","https:\u002F\u002Fyandexdataschool.com","https:\u002F\u002Fgithub.com\u002Fyandexdataschool",[82,86,90,94,98],{"name":83,"color":84,"percentage":85},"Jupyter Notebook","#DA5B0B",98.1,{"name":87,"color":88,"percentage":89},"Python","#3572A5",1.8,{"name":91,"color":92,"percentage":93},"Cuda","#3A4E3A",0.1,{"name":95,"color":96,"percentage":97},"C++","#f34b7d",0,{"name":99,"color":100,"percentage":97},"Dockerfile","#384d54",1728,661,"2026-04-10T11:40:40","MIT","未说明","未说明（课程涉及深度学习训练，通常建议使用支持 CUDA 的 NVIDIA GPU，但 README 中未列出具体型号或显存要求）",{"notes":108,"python":105,"dependencies":109},"该仓库是深度学习课程的补充材料，作业可在本地或 Google Colab 中完成。README 明确提示需安装 PyTorch（从第二周开始使用），第一周作业涉及使用 NumPy 实现神经网络。具体的环境配置细节（如 Python 版本、CUDA 版本等）未在本文档中列出，需参考课程链接或每周文件夹内的具体 readme 文件。",[110,111],"pytorch","numpy",[14],[114,115,116,117,118],"deep-learning","course","course-materials","theano","lasagne","2026-03-27T02:49:30.150509","2026-04-11T23:22:52.806494",[122,127,132,137,142,147,152],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},29949,"课程研讨会（Seminars）有录像吗？在哪里可以找到？","是的，研讨会已录制并发布。请查看相应 seminar* 文件夹下的 README.md 文件，寻找类似讲座条目的链接即可找到录像。","https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F69",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},29950,"会发布作业的答案吗？","不会发布答案。出于与 NLP 课程相同的原因（鼓励独立思考和防止抄袭），官方不提供标准答案。","https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F23",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},29951,"如何安装本课程所需的深度学习框架（Theano, Lasagne, Agentnet）？","推荐安装路径如下：\n1. 仅安装 Theano 和 Lasagne：请参考拉斯涅文档的“边缘版本（bleeding edge version）”安装指南。\n2. 安装全部三个框架（含 Agentnet）：参考 Agentnet 文档的安装部分。\n3. Windows 用户若觉得安装困难，建议直接使用包含所有环境的 Docker 容器（可使用 Kitematic GUI 或命令行）。\nMac OS 和 Linux 用户通常可以直接安装。","https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F1",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},29952,"可以在哪里找到课程的讲座幻灯片或笔记？","完整版本的幻灯片（针对之前的课程）可以在 `fall17` 分支中找到，例如 week0 的 readme 末尾有相关说明。如果您需要最新的 YSDA 轨道幻灯片，可能需要进一步澄清或等待更新。","https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F8",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},29953,"作业 1 第 4 题中的范数公式是否正确？","原题目中存在笔误。公式中提到的应该是弗罗贝尼乌斯范数（Frobenius norm，记作 ||X||_F^2 = tr(...)），而不是 2-范数。后续解题思路也是基于弗罗贝尼乌斯范数进行的。","https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F13",{"id":148,"question_zh":149,"answer_zh":150,"source_url":151},29954,"作业 01 中关于微分的笔记本里第 4 个链接失效了怎么办？","该链接原本指向 Christopher Bishop 的《Pattern Recognition and Machine Learning》一书。由于原链接重定向问题，您可以直接通过以下地址获取该书 PDF：http:\u002F\u002Fusers.isr.ist.utl.pt\u002F~wurmd\u002FLivros\u002Fschool\u002FBishop%20-%20Pattern%20Recognition%20And%20Machine%20Learning%20-%20Springer%20%202006.pdf","https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F10",{"id":153,"question_zh":154,"answer_zh":155,"source_url":156},29955,"如果在 Week02 TensorFlow 作业中发现变量未定义（如 shared_weights）该怎么办？","这是一个代码错误，维护者已确认并修复。如果您遇到 `Variable 'shared_weights' doesn't exist!` 的错误，请拉取最新的代码更新，或者手动检查上下文确保变量在使用前已正确初始化。","https:\u002F\u002Fgithub.com\u002Fyandexdataschool\u002FPractical_DL\u002Fissues\u002F21",[]]