deep-learning-drizzle

想象一个场景

深夜 11 点，你刚处理完日常工作，想系统学习一下 Transformer 架构。你打开搜索引擎，输入"深度学习资源"，然后在 Reddit、Hacker News、知乎、GitHub Trending 之间来回跳转了两个小时——最后什么也没学成，只是感到一阵空虚。

这正是 Deep Learning Drizzle 诞生前的世界：优质学习资源散落在互联网的各个角落，像一盘散落的珍珠，没有人把它们串起来。

背景故事

Deep Learning Drizzle（意为"深度学习细雨"）由独立开发者 Mario Raditya（GitHub @kmario23）于 2018 年 11 月创建，是一个聚合了深度学习、机器学习、NLP、计算机视觉、强化学习等领域优质学习资源的静态导航站。项目名称取 "drizzle"（细雨）之意——作者希望优质知识像春雨一样润物无声地滋养学习者，而非狂风暴雨般倾泻而下让人无所适从。

截至目前，该项目已获得 12815 颗 Stars 和 2974 个 Forks，是 GitHub 上最受欢迎的 AI 学习资源导航项目之一。项目托管于 GitHub Pages（https://deep-learning-drizzle.github.io），并通过 GitHub 官方 CI/CD 自动构建和部署。

它是什么——用生活化的方式理解

可以把 Deep Learning Drizzle 想象成一个精心策划的图书馆索引卡系统。想象你走进一个巨大的图书馆，里面有几百万本书——相当于整个互联网的深度学习资料。Deep Learning Drizzle 不是把书给你搬来，而是给你一张极其详细的索引卡，告诉你：

• 斯坦福 CS231n 课程在哪个书架（YouTube 链接）
• Geoffrey Hinton 的 Coursera 课程应该如何按顺序学习
• 图神经网络（GNN）有哪些必读论文和课程
• 每个资源适合什么水平的学习者

与普通的书签合集不同，Drizzle 对每个资源都做了分类、标注和交叉引用，让你不是收藏了一堆链接，而是真正建立起对整个 AI 领域知识图谱的系统认知。

核心功能

覆盖 16 个 AI 子领域的知识地图

项目按照学习主题划分为 16 个大类，每个大类下聚合了该领域最优质的学习资源：

领域	代表资源
深度学习（Deep Neural Networks）	Geoffrey Hinton Coursera 课程、斯坦福 CS231n、DeepMind 视频讲座
自然语言处理（NLP）	Stanford CS224n、Fast.ai NLP 课程、Hugging Face 课程
计算机视觉（Modern Computer Vision）	Stanford CS231n 2016/2015、油管 CV 课程
强化学习（Reinforcement Learning）	David Silver RL 课程、OpenAI Spinning Up、Sutton & Barto 教材
图神经网络（GNN）	Stanford CS224W、Geometric Deep Learning 课程
贝叶斯深度学习	变分推断、概率编程相关课程和论文
医学影像（Medical Imaging）	医学影像+深度学习交叉领域资源
优化理论（Optimization）	机器学习优化算法专项课程
概率图模型（PGM）	Probabilistic Graphical Models 经典课程

每个资源的多维标注

Drizzle 不只是收集链接，而是为每个资源标注了丰富的元信息：

• 课程/讲座/代码类型区分——学习者可以快速找到自己需要的形式
• 来源机构标注——区分高校课程（Coursera、Stanford）、研究机构（DeepMind、OpenAI）和社区项目
• 配套资源链接——幻灯片、代码实现、补充材料一并提供
• 难度级别（通过课程编号和来源可推断）

GitHub Pages 在线版本

项目通过 GitHub Pages 提供可搜索的在线版本（https://deep-learning-drizzle.github.io），支持直接在浏览器中浏览，无需克隆仓库或本地查看 Markdown 文件。

自动构建与部署

项目使用 GitHub Actions 自动化构建流程：当 README.md 更新时，自动将 Markdown 内容转换为 HTML 并部署到 GitHub Pages，确保在线版本与 GitHub 仓库内容同步。

技术架构

代码结构

这是一个纯前端静态站点项目，核心资产只有两样东西：

1. README.md —— 长达 17 万字节的超级 Markdown 文档，包含所有分类和资源链接
2. markdown2html_py —— 一个简单的 Python 脚本，用于将 README.md 转换为 HTML 供 GitHub Pages 使用

项目语言标注为 HTML，是因为 README.md 内容经过 GitHub 渲染后被识别为 HTML 内容，但实际代码以 Markdown 为主。

静态站点的部署逻辑

由于这是一个纯静态站点，不存在传统意义上的"部署难度"。用户可以通过以下方式使用：

• 浏览器访问：直接打开 https://deep-learning-drizzle.github.io（GitHub Pages）
• 本地克隆：将仓库克隆到本地，用任意 Markdown 阅读器打开 README.md
• Fork 定制：Fork 仓库后修改 README.md，GitHub Pages 会自动部署你的定制版本

GitHub Pages 使用官方域名，支持 HTTPS，完全免费且无需维护服务器。

无需硬件资源

由于不涉及任何模型训练或推理计算，项目本身不消耗任何 GPU、内存或存储资源（项目总大小仅 267KB）。唯一的"资源消耗"是用户的浏览器访问流量。

谁适合使用这个项目

非常适合

• 刚开始接触 AI 的学习者：通过 Drizzle 的分类体系，可以快速了解 AI 领域的全景图，避免在入门阶段走弯路
• 有经验开发者补充知识：在某个细分领域（如 GNN、强化学习）想快速找到系统性课程时，Drizzle 是很好的起点
• 教育工作者和团队负责人：在为团队规划培训路线时，可以参考 Drizzle 的资源分类和推荐

不适合

• 寻找具体代码示例：Drizzle 不提供可直接运行的代码，如果需要实践项目，应该去找具体的开源实现仓库
• 需要中文资料：目前所有资源以英文为主，没有中文翻译或中文资料汇总
• 需要互动式学习环境：Drizzle 只是资源索引，不是学习平台，没有代码运行或作业批改功能

局限性

这个项目并非完美，有几个值得注意的局限：

1. 资源质量依赖第三方维护 Drizzle 本身只是一个索引，资源的可用性完全取决于原始来源（YouTube 视频是否被删除、Coursera 课程是否下架等）。作者会定期更新，但难免有遗漏。

2. 没有评价和筛选机制 所有资源被平等地列在一起，没有用户评分、难度星级或学习顺序推荐。学习者需要自己判断某个资源是否适合自己当前的水平。

3. 纯英文内容 对于非英语母语的学习者，全英文的资源列表可能构成一定的语言障碍。

4. 没有互动功能 不能收藏、不能评论、不能记录学习进度——它只是一个只读的导航工具。

行业意义

Deep Learning Drizzle 的出现折射了一个更大的趋势：在 AI 信息爆炸的时代，如何高效发现有价值的学习资源本身已成为一项稀缺技能。

项目目前 star 数超过 1.2 万，说明市场对"优质资源的系统化整理"有着强烈的需求。这与 arXiv、MNIST、Hugging Face 等平台的成功一脉相承——它们解决的都是同一个问题：让知识更容易被找到、被使用。

值得注意的是，该项目从 2018 年维护至今（2026 年仍有更新），展现出极强的生命力。在开源 AI 领域，很多明星项目在火了几个月后就逐渐沉寂，而 Drizzle 持续 7 年保持活跃，说明它找到了真正的用户痛点并持续提供价值。

快速上手指南

1. 直接访问在线版本：打开 https://deep-learning-drizzle.github.io ，按分类浏览感兴趣的领域
2. 克隆到本地：将仓库克隆到本地，用 VS Code + Markdown Preview Enhanced 插件获得更好的阅读体验
3. 订阅更新：Star + Watch 该 GitHub 仓库，新资源加入时会收到通知
4. 参与贡献：发现优质资源？直接提交 Pull Request，作者欢迎社区贡献

图1：项目作者 Mario Raditya 的 GitHub 头像

---

该项目由 kmario23 维护，采用 MIT 许可证，欢迎 fork 和贡献。