包含 923 份论文、课程与文章的 Markdown 机器学习知识库,并附带一个基于 NumPy 的自定义分类/回归算法 APRL。
no-magic-ai/no-magic
54 个无依赖、单文件的 Python 脚本,从零实现现代 AI 核心算法,便于读懂其底层原理。
- Star
- 1,433
- Fork
- 105
- 未关闭 Issue
- 3
- 最近提交
- 5天前
这是什么?
no-magic 是一组精选的单文件 Python 程序,每个脚本仅使用标准库实现一种 AI 算法。内容涵盖基础部分的分词器、GPT、RNN/LSTM、BERT、CNN、ViT、GAN、VAE 和扩散模型;对齐与训练部分的 LoRA、QLoRA、DPO、PPO、GRPO、知识蒸馏和混合专家模型;系统与推理部分的 Flash Attention、KV-cache、PagedAttention、量化、投机解码和状态空间模型;以及 MCTS、ReAct、多臂老虎机等智能体基础方法。
脚本以可逐步阅读的教学方式编写,而非生产代码。多数脚本在 CPU 上训练一个小模型并完成推理,部分脚本则并列对比多种变体,或演示未训练的前向计算与非学习类算法。每个脚本的类型都记录在仓库目录中。许多脚本首次运行时会下载姓名数据集,其余脚本自行生成数据。
该项目适合希望理解所用框架底层原理的机器学习工程师、从理论转向实践的学生,以及需要极简参考实现的研究人员。仓库还提供动画可视化、练习题、记忆卡片和离线 EPUB 电子书。
核心功能
- 01每种算法都封装在一个独立的 Python 文件中,无第三方依赖。
- 02覆盖基础、对齐、系统与智能体四个层次共 54 种算法。
- 03多数脚本在 CPU 上训练小模型并完成推理。
- 04提供并列对比程序,例如 RNN 与 GRU、Adam 与 SGD。
- 05为每种算法提供动画可视化,并附带 Anki 记忆卡片。
适用场景
- 通过阅读和运行极简代码,理解 GPT、注意力机制或 LoRA 的工作方式。
- 通过逐一梳理核心算法实现,准备机器学习面试。
- 用可运行的参考代码讲授神经网络底层原理课程。
- 在不引入大型框架的前提下,快速验证论文中的想法。
快速上手
- 1
克隆仓库
- 2
使用 Python 3.10+ 运行脚本
使用前须知
- 脚本是用于教学的重新实现,并非生产工具,也不能替代 PyTorch 或 TensorFlow。
- 需要 Python 3.10 或更高版本。
标签
常见问题
- no-magic 是什么?
- 54 个无依赖、单文件的 Python 脚本,从零实现现代 AI 核心算法,便于读懂其底层原理。 no-magic 是一组精选的单文件 Python 程序,每个脚本仅使用标准库实现一种 AI 算法。内容涵盖基础部分的分词器、GPT、RNN/LSTM、BERT、CNN、ViT、GAN、VAE 和扩散模型;对齐与训练部分的 LoRA、QLoRA、DPO、PPO、GRPO、知识蒸馏和混合专家模型;系统与推理部分的 Flash Attention、KV-cache、PagedAttention、量化、投机解码和状态空间模型;以及 MCTS、ReAct、多臂老虎机等智能体基础方法。
- no-magic 可以免费使用吗?用的什么许可证?
- no-magic 以 MIT 许可证开源。用于商业产品前,请先确认许可证条款。
- no-magic 还在维护吗?
- 活跃维护中。no-magic 最近一次提交是在 2026年10月15日。
- no-magic 适合用来做什么?
- 通过阅读和运行极简代码,理解 GPT、注意力机制或 LoRA 的工作方式。 通过逐一梳理核心算法实现,准备机器学习面试。 用可运行的参考代码讲授神经网络底层原理课程。 在不引入大型框架的前提下,快速验证论文中的想法。
- no-magic 怎么安装和运行?
- 克隆仓库 使用 Python 3.10+ 运行脚本
- 在哪里获取 no-magic?
- 源代码和安装说明在 GitHub 上:https://github.com/no-magic-ai/no-magic
概要由 AI 根据项目 README 生成;GitHub 数据每日更新。
相关项目
一门免费开源的 AI 工程课程,共 542 节课,用 Python、TypeScript、Rust 和 Julia 从零实现核心概念。
一套带逐行注释的教程,用 Python 和 PyTorch 从零实现并训练一个类 LLaMA 架构的小型 GPT。
通过动手实现来学习机器学习:基于 NumPy 从零构建的深度学习框架课程,加上 350 多道可在浏览器中运行并自动评测的编程题。
精选的机器人学在线课程、大学公开课、书籍与实践资源合集,供自学者查找学习材料。
一本从基础到应用算法的强化学习入门小书,仓库附带 PyTorch 算法实现。