MaximeVandegar/Papers-in-100-Lines-of-Code

100 行代码中的论文

是什么 – 经典（以及部分最新）机器学习论文的极小且自包含实现集合。每个条目旨在用约 100 行 Python（或类似简洁语言）代码重现论文的核心思想，使算法易于阅读、运行和实验。

为何重要 – 学术论文通常附带庞大的代码库或仅提供高层伪代码，这可能成为学习的障碍。通过将实现精简至本质，此仓库让您：

• 看到模型或算法运行所需的最小代码。
• 快速原型化并比较许多有影响力的想法（例如 GAN、VAE、强化学习算法、NeRF 变体、扩散采样器、元学习等）。
• 将这些代码片段用作教学材料，或作为研究实验的起点。

你能获得什么

• 从早期里程碑如 Maxout Networks (2013) 和 Deep Q‑Learning 到前沿成果如 3D Gaussian Splatting (2023) 和 Speedy‑Splat (2024) 的广泛论文列表。
• 每篇论文均附有简要参考信息（标题、arXiv/Nature 链接、作者、日期）和符合 100 行限制的对应实现。
• 显示当前已实现论文数量的徽章（README 编写时为 64 篇）以及欢迎贡献的指南。

如何使用

1. 克隆仓库。
2. 浏览目录树 – 每篇论文通常有自己独立的文件夹或脚本。
3. 运行脚本（通常为 python <paper_name>.py）以重现作者提供的主要实验或演示。
4. 修改代码以探索变体；由于实现非常小，因此易于编辑。

适合谁

• 希望获得代表性 ML 技术具体可运行示例的学生和自学者。
• 在编写完整版本前需要快速参考实现的研究人员。
• 需要简洁代码来讲解概念的教育工作者。

许可证 – MIT，允许自由使用、修改和分发。

贡献 – README 邀请贡献，因此社区可以持续添加新论文并改进现有实现。