docs: add comprehensive SUMMARY.md with structure map, dependencies, and reproducibility tools

.gitignore

@@ -0,0 +1,14 @@
+# Python virtual environments
+.venv/
+
+# Notebook artifacts
+.ipynb_checkpoints/
+*.nbconvert.ipynb
+
+# Python cache
+__pycache__/
+*.py[cod]
+*$py.class
+
+# Data downloaded during experiments
+/data/

Makefile

@@ -0,0 +1,7 @@
+PYTHON ?= python3
+REPO_ROOT := $(abspath .)
+
+.PHONY: toc
+
+toc:
+	$(PYTHON) scripts/list_notebooks.py $(REPO_ROOT)

SUMMARY.md

@@ -0,0 +1,105 @@
+# 仓库综览与技术总结
+
+## 仓库概览
+- 根目录的 [README.md](README.md) 聚合了作者的 AI 学习路线、公开课与资料下载链接，涵盖机器学习/深度学习/图神经网络/爬虫等多个主题，是整个仓库的索引入口。
+- 教学内容以 Jupyter Notebook 为主，核心系列包括《深度学习100例》、其 PyTorch 版本尝试、面向新手的《小白入门PyTorch》、以及「对Pytorch一头雾水系列」。
+- 另附有独立的 [《图神经网络（GNN）教程-总篇》](图神经网络（GNN）教程-总篇.md) Markdown 资料，介绍 tf_geometric 库和教程导航。
+
+## Notebook 结构地图
+
+### 《深度学习100例》系列
+| Day | 主题 | Notebook |
+| --- | --- | --- |
+| 01 | 卷积神经网络（CNN）mnist数字识别 | [1.深度学习100例-卷积神经网络（CNN）mnist数字识别-第1天.ipynb](《深度学习100例》/01-day/1.深度学习100例-卷积神经网络（CNN）mnist数字识别-第1天.ipynb) |
+| 02 | 卷积神经网络（CNN）彩色图片分类 | [2.深度学习100例-卷积神经网络（CNN）彩色图片分类 - 第2天.ipynb](《深度学习100例》/02-day/2.深度学习100例-卷积神经网络（CNN）彩色图片分类 - 第2天.ipynb) |
+| 03 | 卷积神经网络（CNN）服装图像分类 | [3.深度学习100例-卷积神经网络（CNN）服装图像分类 - 第3天.ipynb](《深度学习100例》/03-day/3.深度学习100例-卷积神经网络（CNN）服装图像分类 - 第3天.ipynb) |
+| 04 | 卷积神经网络（CNN）花朵识别 | [4.深度学习100例-卷积神经网络（CNN）花朵识别 - 第4天.ipynb](《深度学习100例》/04-day/4.深度学习100例-卷积神经网络（CNN）花朵识别 - 第4天.ipynb) |
+| 05 | 卷积神经网络（CNN）天气识别 | [5.深度学习100例-卷积神经网络（CNN）天气识别 - 第5天.ipynb](《深度学习100例》/05-day/5.深度学习100例-卷积神经网络（CNN）天气识别 - 第5天.ipynb) |
+| 06 | 卷积神经网络（VGG-16）海贼王人物识别 | [6.深度学习100例-卷积神经网络（VGG-16）海贼王人物识别 - 第6天.ipynb](《深度学习100例》/06-day/6.深度学习100例-卷积神经网络（VGG-16）海贼王人物识别 - 第6天.ipynb) |
+| 07 | 卷积神经网络（VGG-19）灵笼人物识别 | [7.深度学习100例-卷积神经网络（VGG-19）灵笼人物识别 - 第7天.ipynb](《深度学习100例》/07-day/7.深度学习100例-卷积神经网络（VGG-19）灵笼人物识别 - 第7天.ipynb) |
+| 08 | 卷积神经网络（ResNet-50）鸟类识别 | [8.深度学习100例 -卷积神经网络（ResNet-50）鸟类识别 - 第8天.ipynb](《深度学习100例》/08-day/8.深度学习100例 -卷积神经网络（ResNet-50）鸟类识别 - 第8天.ipynb) |
+| 09 | 循环神经网络（RNN）实现股票预测 | [9.循环神经网络（RNN）实现股票预测-深度学习100例-第9天.ipynb](《深度学习100例》/09-day/9.循环神经网络（RNN）实现股票预测-深度学习100例-第9天.ipynb) |
+| 10 | LSTM 股票开盘价预测 | [10.第10天.ipynb](《深度学习100例》/10-day/10.第10天.ipynb) |
+| 11 | 卷积神经网络（AlexNet）鸟类识别 | [11.卷积神经网络（AlexNet）鸟类识别-深度学习100例-第11天.ipynb](《深度学习100例》/11-day/11.卷积神经网络（AlexNet）鸟类识别-深度学习100例-第11天.ipynb) |
+| 12 | 卷积神经网络（CNN）识别验证码 | [12.深度学习100例-卷积神经网络（CNN）识别验证码 - 第12天.ipynb](《深度学习100例》/12-day/12.深度学习100例-卷积神经网络（CNN）识别验证码 - 第12天.ipynb) |
+| 13 | 卷积神经网络（Inception V3）识别手语 | [13.深度学习100例 -卷积神经网络（Inception V3）识别手语 - 第13天.ipynb](《深度学习100例》/13-day-识别手语/13.深度学习100例 -卷积神经网络（Inception V3）识别手语 - 第13天.ipynb) |
+| 14 | 卷积神经网络（Inception-ResNet-v2）交通标志识别 | [14.深度学习100例-卷积神经网络（Inception-ResNet-v2）交通标志识别 - 第14天.ipynb](《深度学习100例》/14-day-识别交通标志/14.深度学习100例-卷积神经网络（Inception-ResNet-v2）交通标志识别 - 第14天.ipynb) |
+| 15 | 卷积神经网络（CNN）车牌识别 | [15.深度学习100例-卷积神经网络（CNN）车牌识别 - 第15天.ipynb](《深度学习100例》/15-day-实现车牌识别/15.深度学习100例-卷积神经网络（CNN）车牌识别 - 第15天.ipynb) |
+| 16 | 卷积神经网络（CNN）识别神奇宝贝小智一伙 | [16.深度学习100例-卷积神经网络（CNN）识别神奇宝贝小智一伙-第16天.ipynb](《深度学习100例》/16-day-识别神奇宝贝小智一伙/16.深度学习100例-卷积神经网络（CNN）识别神奇宝贝小智一伙-第16天.ipynb) |
+| 17 | 卷积神经网络（CNN）注意力检测 | [17.深度学习100例-卷积神经网络（CNN）注意力检测 - 第17天.ipynb](《深度学习100例》/17-day-识别眼睛状态/17.深度学习100例-卷积神经网络（CNN）注意力检测 - 第17天.ipynb) |
+| 18 | 生成对抗网络（GAN）手写数字生成 | [18.深度学习100例-生成对抗网络（GAN）手写数字生成 - 第18天.ipynb](《深度学习100例》/18-day-GAN-手写数字生成/18.深度学习100例-生成对抗网络（GAN）手写数字生成 - 第18天.ipynb) |
+| 19 | 生成对抗网络（DCGAN）手写数字生成 | [19.深度学习100例-生成对抗网络（DCGAN）手写数字生成 - 第19天.ipynb](《深度学习100例》/19-day-DCGAN-手写数字生成/19.深度学习100例-生成对抗网络（DCGAN）手写数字生成 - 第19天.ipynb) |
+| 20 | 生成对抗网络（DCGAN）生成动漫小姐姐 | [20.深度学习100例-生成对抗网络（DCGAN）生成动漫小姐姐 - 第20天.ipynb](《深度学习100例》/20-day-DCGAN-生成动漫小姐姐/20.深度学习100例-生成对抗网络（DCGAN）生成动漫小姐姐 - 第20天.ipynb) |
+| 21 | 卷积神经网络（VGG-16）猫狗识别 | [深度学习100例-卷积神经网络（VGG-16）猫狗识别-第21天.ipynb](《深度学习100例》/21-day-猫狗识别/深度学习100例-卷积神经网络（VGG-16）猫狗识别-第21天.ipynb) |
+| 22 | 卷积神经网络（LeNet-5）深度学习里的“Hello Word” | [深度学习100例-卷积神经网络（LeNet-5）深度学习里的“Hello Word” - 第22天.ipynb](《深度学习100例》/22-day/深度学习100例-卷积神经网络（LeNet-5）深度学习里的“Hello Word” - 第22天.ipynb) |
+| 23 | 卷积神经网络-3D医疗影像识别 | [深度学习100例-卷积神经网络-3D医疗影像识别 - 第23天.ipynb](《深度学习100例》/23-day-3D医疗影像识别/深度学习100例-卷积神经网络-3D医疗影像识别 - 第23天.ipynb) |
+| 24 | 卷积神经网络（Xception）动物识别 | [深度学习100例-卷积神经网络（Xception）动物识别 - 第24天.ipynb](《深度学习100例》/24-day-动物识别/深度学习100例-卷积神经网络（Xception）动物识别 - 第24天.ipynb) |
+| 25 | 中文手写数字识别 | [中文手写数字识别.ipynb](《深度学习100例》/25-day-中文手写数字识别/中文手写数字识别.ipynb) |
+| 26 | 卷积神经网络（CNN）：乳腺癌识别 | [深度学习100例 - 第26天-卷积神经网络（CNN）：乳腺癌识别.ipynb](《深度学习100例》/26-day-乳腺癌识别/深度学习100例 - 第26天-卷积神经网络（CNN）：乳腺癌识别.ipynb) |
+| 27 | 艺术作品识别 | [27-艺术作品识别.ipynb](《深度学习100例》/27-day-艺术作品识别/27-艺术作品识别.ipynb) |
+| 28 | 水果识别 | [28-水果识别.ipynb](《深度学习100例》/28-day-水果识别/28-水果识别.ipynb) |
+| 29 | 船型识别 | [29-船型识别.ipynb](《深度学习100例》/29-day-船型识别/29-船型识别.ipynb) |
+| 35 | MobileNetV2模型：脑肿瘤识别 | [深度学习100例 - 第35天-MobileNetV2模型：脑肿瘤识别.ipynb](《深度学习100例》/35-day-脑肿瘤识别/深度学习100例 - 第35天-MobileNetV2模型：脑肿瘤识别.ipynb) |
+
+> 说明：部分目录（如 Day 30+）尚未在仓库中提供对应 Notebook；多个专题需要配套数据集（如 `./datasets/`、图像压缩包等）才能完整运行。
+
+### 《深度学习100例》-PyTorch版本
+- [第1例-猫狗识别.ipynb](《深度学习100例》-PyTorch版本/1-day/第1例-猫狗识别.ipynb)：以 PyTorch 重写 Day 21 猫狗分类案例。
+
+### 《小白入门PyTorch》
+- [1-什么是PyTorch？.ipynb](《小白入门PyTorch》/1-什么是PyTorch？.ipynb)：张量基础与 GPU 切换。  
+- [2-自动微分.ipynb](《小白入门PyTorch》/2-自动微分.ipynb)：Autograd 与反向传播示例。  
+- [3-简单实例快速入门.ipynb](《小白入门PyTorch》/3-简单实例快速入门.ipynb)：Fashion-MNIST 分类流程（含训练/测试循环与模型保存）。  
+- [4-如何训练自己的数据集.ipynb](《小白入门PyTorch》/4-如何训练自己的数据集.ipynb)：自定义 `ImageFolder`、数据加载与训练模板。  
+- [5-如何进行数据增强.ipynb](《小白入门PyTorch》/5-如何进行数据增强.ipynb)：在猫狗数据集上叠加 `torchvision.transforms` 增强。
+
+### 对Pytorch一头雾水系列
+- [Pytorch100例-第1天：实现mnist手写数字识别第1天.ipynb](对Pytorch一头雾水系列/Pytorch100例-第1天：实现mnist手写数字识别第1天.ipynb)：基础 CNN + MNIST。  
+- [Pytorch100例-第2天：彩色图片识别.ipynb](对Pytorch一头雾水系列/Pytorch100例-第2天：彩色图片识别.ipynb)：彩色图像分类。  
+- [Pytorch100例-第3天：天气识别.ipynb](对Pytorch一头雾水系列/Pytorch100例-第3天：天气识别.ipynb)：多类天气图片识别。
+
+### 图神经网络（GNN）教程
+- [图神经网络（GNN）教程-总篇.md](图神经网络（GNN）教程-总篇.md)：介绍 `tf_geometric`、GAT 示例、官方 Demo 链接与 API 导航，配合后续 Notebook 使用。
+
+### 自动化辅助
+- 新增脚本 [scripts/list_notebooks.py](scripts/list_notebooks.py) 可按目录生成 Markdown 目录树：`python scripts/list_notebooks.py`。  
+- Makefile 增加 `make toc` 目标（默认使用环境中的 `python`，可通过 `make toc PYTHON=.venv/bin/python` 指定虚拟环境）。
+
+## 依赖与环境建议
+> 仓库未提供 requirements/env 文件，需要根据 Notebook 内容组建环境。建议按框架拆分安装，CPU 环境可运行大部分示例。
+
+- **通用科学计算**：`numpy>=1.24`, `pandas>=1.5`, `matplotlib>=3.7`, `seaborn`, `scipy`, `tqdm`。  
+- **PyTorch 系列**：`torch>=2.0`, `torchvision>=0.15`, `torchinfo`（部分模型总结）、`Pillow`、`imageio`、`scikit-learn`（数据切分与评估）。
+- **TensorFlow/Keras 系列**：`tensorflow>=2.6`（含 `tensorflow.keras`）、必要时单独安装 `keras`、`sklearn`、`nibabel`（3D 医疗影像）、`scikit-image`、`opencv-python`（若需图像增强）。`tf_geometric` 示例需额外安装 `tf-geometric` 库。
+- **数据处理/可视化**：`pandas`, `matplotlib`, `seaborn`, `plotly`（若扩展交互式可视化）。
+- **推荐流程**：
+  ```bash
+  python -m venv .venv
+  source .venv/bin/activate  # Windows 使用 .venv\Scripts\activate
+  pip install --upgrade pip
+  pip install torch torchvision numpy pandas matplotlib scikit-learn
+  # 按需补充 tensorflow / tensorflow-datasets 等
+  ```
+- Notebook 依赖外部数据：`./datasets/`、`./data/cat-dog/`、Fashion-MNIST、GAN 图像等需要手动下载或提前放置。运行前请检查路径并考虑提供小样本以降低训练成本。
+
+## 烟囱运行记录（CPU，无长时间训练）
+1. **《小白入门PyTorch》/1-什么是PyTorch？.ipynb**（.venv + `torch` + `numpy`）：完成张量创建、加法、形状变换、NumPy 互操作；`torch.cuda.is_available()` 返回 `False`，验证 CPU 环境可运行基础操作。
+2. **《小白入门PyTorch》/2-自动微分.ipynb**：复现自动求导示例，`out.backward()` 得到梯度矩阵 `[[4.5,...]]`，并演示自定义梯度向量回传和 `torch.no_grad()` 关闭梯度的效果。
+3. **《小白入门PyTorch》/3-简单实例快速入门.ipynb**：下载 Fashion-MNIST 到 `./data/`，构造 `DataLoader`、搭建全连接网络，在未训练的情况下完成一次前向推理（输出类别统计与样本预测对比）。记录：模型参数量约 101,770；随机初始化预测与真实标签可能不一致；完整训练需约 5 epoch，未在烟囱运行中执行。
+
+> 依赖补充：上述运行需 `torch==2.9.0+cpu`、`torchvision==0.24.0+cpu`、`numpy==2.3.4`。Fashion-MNIST 数据已下载到 `data/` 目录（现已加入 `.gitignore`）。
+
+## 维护与改进建议
+- **补齐环境说明**：按照系列拆分 `requirements` 或 `environment.yml`，并标注 TensorFlow / PyTorch 版本建议，避免用户自行摸索依赖。
+- **统一数据获取方式**：为所有 Notebook 提供统一的数据下载脚本或 `make data` 流程，减少手动放置压缩包的踩坑。可考虑提供轻量级示例数据以便 CPU 快速验证。
+- **整理重复内容**：`《深度学习100例》` 与「对Pytorch一头雾水系列」在早期案例上高度重合，可合并说明差异（框架实现、难度分层）或共享同一数据/预处理模块。
+- **升级/兼容性检查**：
+  - TensorFlow Notebook 大量使用 `tf.config.experimental`、`tf.keras` 老接口，建议验证在 TF 2.13+ 下的兼容性并更新写法。
+  - 同一 Notebook 中同时引用 `keras` 与 `tensorflow.keras`，应统一来源，避免环境冲突。
+- **运行耗时提示**：在每个 Notebook 开头标注训练耗时、是否需要 GPU/外部数据、可选的“快速模式”（减少 epoch / 样本量），提升学习体验。
+- **结果复现清单**：整理各 Day 预期指标（如 Day10 LSTM 的 R²≈0.74），方便对比输出；必要时提供已训练模型权重下载。
+- **目录维护**：考虑在 `README` 或 `SUMMARY.md` 中增加更新时间/进度表，并借助 `make toc` 周期性刷新 Notebook 列表。
+
+## 其它说明
+- 新增 `.gitignore` 忽略 `.venv/`、`.ipynb_checkpoints/`、`/data/` 等运行中生成的文件。
+- `make toc` 运行示例：`make toc PYTHON=.venv/bin/python`（亦可直接执行脚本获取目录 Markdown）。

scripts/list_notebooks.py

@@ -0,0 +1,90 @@
+#!/usr/bin/env python3
+"""Generate a markdown table of contents for all notebooks in the repo."""
+from __future__ import annotations
+
+import argparse
+import sys
+from collections import defaultdict
+from pathlib import Path
+from typing import Iterable
+
+
+def _natural_key(text: str) -> list[object]:
+    """Turn a string into a key that sorts numbers numerically."""
+    import re
+
+    pieces: list[str] = re.split(r"(\d+)", text)
+    key: list[object] = []
+    for piece in pieces:
+        if piece.isdigit():
+            key.append(int(piece))
+        elif piece:
+            key.append(piece.lower())
+    return key
+
+
+def _path_key(path: Path) -> list[object]:
+    return [_natural_key(part) for part in path.parts]
+
+
+def generate_markdown(root: Path) -> str:
+    groups: dict[str, list[Path]] = defaultdict(list)
+
+    for notebook in sorted(root.rglob("*.ipynb"), key=_path_key):
+        relative = notebook.relative_to(root)
+        if relative.parts[0].startswith("."):
+            # Skip hidden directories such as .venv
+            continue
+        groups[relative.parts[0]].append(relative)
+
+    lines: list[str] = ["# Notebook Table of Contents", ""]
+
+    for top_level in sorted(groups, key=_natural_key):
+        lines.append(f"## {top_level}")
+        subgroups: dict[str, list[Path]] = defaultdict(list)
+        for rel_path in groups[top_level]:
+            if len(rel_path.parts) > 2:
+                subgroups[rel_path.parts[1]].append(rel_path)
+            else:
+                subgroups[""].append(rel_path)
+
+        for subgroup in sorted(subgroups, key=_natural_key):
+            notebooks = sorted(subgroups[subgroup], key=_path_key)
+            if subgroup:
+                lines.append(f"- {subgroup}")
+                for rel_path in notebooks:
+                    lines.append(
+                        f"  - [{rel_path.name}]({rel_path.as_posix()})"
+                    )
+            else:
+                for rel_path in notebooks:
+                    lines.append(
+                        f"- [{rel_path.name}]({rel_path.as_posix()})"
+                    )
+        lines.append("")
+
+    return "\n".join(lines).strip() + "\n"
+
+
+def main(argv: Iterable[str] | None = None) -> int:
+    parser = argparse.ArgumentParser(description=__doc__)
+    parser.add_argument(
+        "root",
+        nargs="?",
+        default=Path.cwd(),
+        type=Path,
+        help="Repository root (defaults to current working directory)",
+    )
+    args = parser.parse_args(list(argv) if argv is not None else None)
+
+    root_path = args.root.resolve()
+    if not root_path.exists():
+        parser.error(f"root path {root_path} does not exist")
+
+    markdown = generate_markdown(root_path)
+    sys.stdout.write(markdown)
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())