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

100 行程式碼中的論文

是什麼 – 一系列經典（以及部分最新）機器學習論文的極小且自包含的實作集合。每個項目旨在以約 100 行 Python（或類似簡潔語言）的程式碼重現論文的核心概念，使演算法易於閱讀、執行與實驗。

為何重要 – 學術論文常附帶龐大的程式碼庫或僅提供高階偽程式碼，這可能成為學習的障礙。透過將實作簡化至本質，此倉儲讓您：

• 看到模型或演算法運作所需的最小程式碼。
• 快速原型化並比較許多有影響力的想法（例如 GAN、VAE、強化學習演算法、NeRF 變體、擴散取樣器、元學習等）。
• 將這些片段用作教學材料，或作為研究實驗的起點。

你能獲得什麼

• 從早期里程碑如 Maxout Networks (2013) 和 Deep Q‑Learning 到前沿成果如 3D Gaussian Splatting (2023) 和 Speedy‑Splat (2024) 的廣泛論文清單。
• 每篇論文皆附有簡要參考資訊（標題、arXiv/Nature 連結、作者、日期）與符合 100 行限制的對應實作。
• 顯示目前已實作論文數量的徽章（README 編寫時為 64 篇）以及歡迎貢獻的指南。

如何使用

1. 克隆倉儲。
2. 探索目錄樹 – 每篇論文通常有獨立的資料夾或腳本。
3. 執行腳本（通常為 python <paper_name>.py）以重現作者提供的主要實驗或示範。
4. 修改程式碼以探索變體；由於實作極小，因此易於編輯。

適合誰

• 希望獲得代表性 ML 技術具體可執行範例的學生與自學者。
• 在撰寫完整版本前需要快速參考實作的研究人員。
• 需要簡潔程式碼來說明概念的教育工作者。

授權 – MIT，允許自由使用、修改與再分發。

貢獻 – README 邀請貢獻，因此社群可持續新增論文並改進現有實作。