[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Blealtan--efficient-kan":3,"tool-Blealtan--efficient-kan":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",160411,2,"2026-04-18T23:33:24",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",109154,"2026-04-18T11:18:24",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":75,"owner_url":77,"languages":78,"stars":83,"forks":84,"last_commit_at":85,"license":86,"difficulty_score":87,"env_os":88,"env_gpu":89,"env_ram":89,"env_deps":90,"category_tags":94,"github_topics":75,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":96,"updated_at":97,"faqs":98,"releases":129},9520,"Blealtan\u002Fefficient-kan","efficient-kan","An efficient pure-PyTorch implementation of Kolmogorov-Arnold Network (KAN).","efficient-kan 是 Kolmogorov-Arnold 网络（KAN）的高效纯 PyTorch 实现，旨在为开发者和研究人员提供一个性能更优的替代方案。原版 KAN 虽然理论新颖，但在处理多层网络时需将中间变量大幅展开以应用不同的激活函数，导致显存占用极高且计算效率低下。\n\nefficient-kan 通过重构计算逻辑解决了这一痛点。它利用 B 样条基函数的线性组合特性，将复杂的逐样本激活操作转化为标准的矩阵乘法，从而显著降低了内存成本并加速了前向与反向传播。针对原实现中为了可解释性而设计的复杂稀疏化正则化方法（因不兼容高效计算而被舍弃），本工具采用了神经网络中更通用的权重 L1 正则化作为替代，在保持效率的同时兼顾模型约束。此外，项目还优化了参数初始化策略（如改用 Kaiming 均匀分布），大幅提升了在 MNIST 等数据集上的收敛表现和准确率。\n\n该工具特别适合希望探索 KAN 架构潜力、受限于显存资源或需要快速原型验证的深度学习工程师与科研人员。如果你需要在实际项目中尝试这种新型网络结构，而不愿被低效的官方实现拖累，efficient-kan 是一个值得信赖的选择。","# An Efficient Implementation of Kolmogorov-Arnold Network\n\nThis repository contains an efficient implementation of Kolmogorov-Arnold Network (KAN).\nThe original implementation of KAN is available [here](https:\u002F\u002Fgithub.com\u002FKindXiaoming\u002Fpykan).\n\nThe performance issue of the original implementation is mostly because it needs to expand all intermediate variables to perform the different activation functions.\nFor a layer with `in_features` input and `out_features` output, the original implementation needs to expand the input to a tensor with shape `(batch_size, out_features, in_features)` to perform the activation functions.\nHowever, all activation functions are linear combination of a fixed set of basis functions which are B-splines; given that, we can reformulate the computation as activate the input with different basis functions and then combine them linearly.\nThis reformulation can significantly reduce the memory cost and make the computation a straightforward matrix multiplication, and works with both forward and backward pass naturally.\n\nThe problem is in the **sparsification** which is claimed to be critical to KAN's interpretability.\nThe authors proposed a L1 regularization defined on the input samples, which requires non-linear operations on the `(batch_size, out_features, in_features)` tensor, and is thus not compatible with the reformulation.\nI instead replace the L1 regularization with a L1 regularization on the weights, which is more common in neural networks and is compatible with the reformulation.\nThe author's implementation indeed include this kind of regularization alongside the one described in the paper as well, so I think it might help.\nMore experiments are needed to verify this; but at least the original approach is infeasible if efficiency is wanted.\n\nAnother difference is that, beside the learnable activation functions (B-splines), the original implementation also includes a learnable scale on each activation function.\nI provided an option `enable_standalone_scale_spline` that defaults to `True` to include this feature; disable it will make the model more efficient, but potentially hurts results.\nIt needs more experiments.\n\n2024-05-04 Update: @xiaol hinted that the constant initialization of `base_weight` parameters can be a problem on MNIST.\nFor now I've changed both the `base_weight` and `spline_scaler` matrices to be initialized with `kaiming_uniform_`, following `nn.Linear`'s initialization.\nIt seems to work much much better on MNIST (~20% to ~97%), but I'm not sure if it's a good idea in general.\n","# 科尔莫戈洛夫-阿诺德网络的高效实现\n\n本仓库包含科尔莫戈洛夫-阿诺德网络（KAN）的高效实现。\nKAN 的原始实现可在此处获取：[https:\u002F\u002Fgithub.com\u002FKindXiaoming\u002Fpykan](https:\u002F\u002Fgithub.com\u002FKindXiaoming\u002Fpykan)。\n\n原始实现的性能问题主要在于，它需要将所有中间变量展开，以执行不同的激活函数。对于一个具有 `in_features` 个输入和 `out_features` 个输出的层，原始实现会将输入扩展为形状为 `(batch_size, out_features, in_features)` 的张量，以便应用激活函数。然而，所有激活函数实际上都是由一组固定的 B 样条基函数进行线性组合得到的；因此，我们可以重新表述计算过程：先用不同的基函数对输入进行激活，再将其线性组合起来。这种重写方式能够显著降低内存开销，并将计算简化为一次普通的矩阵乘法，同时自然地适用于前向传播和反向传播。\n\n问题在于所谓的“稀疏化”操作，该操作被认为对 KAN 的可解释性至关重要。作者提出了一种基于输入样本定义的 L1 正则化，这种正则化需要对形状为 `(batch_size, out_features, in_features)` 的张量进行非线性操作，因而与上述重写方式不兼容。为此，我改用权重上的 L1 正则化，这在神经网络中更为常见，且与重写后的计算方式完全兼容。事实上，作者的实现中也同时包含了论文中描述的正则化以及这种权重正则化，因此我认为后者可能更有帮助。不过，仍需更多实验来验证这一点；至少可以确定的是，若追求效率，原始方法是不可行的。\n\n另一个不同之处在于，除了可学习的激活函数（B 样条）之外，原始实现还为每个激活函数引入了一个可学习的缩放参数。我在代码中提供了一个名为 `enable_standalone_scale_spline` 的选项，默认值为 `True`，用于启用这一功能；将其禁用虽然能提升模型效率，但可能会对结果产生负面影响。这方面还需要进一步的实验研究。\n\n2024年5月4日更新：@xiaol 指出，在 MNIST 数据集上，`base_weight` 参数采用常数初始化可能会带来问题。目前，我已将 `base_weight` 和 `spline_scaler` 两个矩阵的初始化方式更改为与 `nn.Linear` 一致的 `kaiming_uniform_` 初始化方法。这样做后，模型在 MNIST 上的表现有了显著提升（准确率从约 20% 提升至约 97%），但尚不确定这是否是一种通用的好做法。","# efficient-kan 快速上手指南\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：建议 Python 3.8 及以上\n*   **核心依赖**：\n    *   PyTorch (推荐最新稳定版)\n    *   NumPy\n\n请确保已安装 CUDA（如需 GPU 加速）并配置好相应的 PyTorch GPU 版本。\n\n## 安装步骤\n\n您可以直接通过 `pip` 从源码或 PyPI 安装（如果已发布）。推荐使用国内镜像源以加快下载速度。\n\n**使用清华镜像源安装：**\n\n```bash\npip install efficient-kan -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**或者从 GitHub 源码安装（获取最新版本）：**\n\n```bash\npip install git+https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan.git -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n## 基本使用\n\n`efficient-kan` 的 API 设计与 PyTorch 原生层高度兼容，可以轻松替换现有的 `nn.Linear` 层。\n\n### 1. 导入与模型定义\n\n最简单的用法是直接实例化 `KANLinear` 层。以下是一个构建简单分类网络的示例：\n\n```python\nimport torch\nimport torch.nn as nn\nfrom efficient_kan import KANLinear\n\nclass SimpleKANNet(nn.Module):\n    def __init__(self):\n        super(SimpleKANNet, self).__init__()\n        # 定义一个 KAN 层：输入 784 (如 MNIST), 输出 10\n        # grid_size: B-spline 的网格数量\n        # spline_order: B-spline 的阶数\n        self.kan_layer = KANLinear(\n            in_features=784,\n            out_features=10,\n            grid_size=5,\n            spline_order=3,\n            enable_standalone_scale_spline=True, # 默认为 True，禁用可提升效率但可能影响精度\n        )\n        \n    def forward(self, x):\n        x = x.view(x.size(0), -1) # 展平输入\n        return self.kan_layer(x)\n\n# 实例化模型\nmodel = SimpleKANNet()\nprint(model)\n```\n\n### 2. 训练循环示例\n\n该层完全支持 PyTorch 的标准前向传播和反向传播流程：\n\n```python\n# 模拟输入数据 (batch_size=32, features=784)\nx = torch.randn(32, 784)\ntarget = torch.randint(0, 10, (32,))\n\n# 前向传播\noutput = model(x)\n\n# 计算损失\ncriterion = nn.CrossEntropyLoss()\nloss = criterion(output, target)\n\n# 反向传播\nloss.backward()\n\n# 优化器步骤 (建议使用 Adam 或 SGD)\noptimizer = torch.optim.Adam(model.parameters(), lr=1e-3)\noptimizer.step()\noptimizer.zero_grad()\n\nprint(f\"Loss: {loss.item()}\")\n```\n\n### 关键参数说明\n\n*   `enable_standalone_scale_spline`: 默认为 `True`，保留原始 KAN 中每个激活函数的可学习缩放因子。若设为 `False` 可提高计算效率，但需验证对具体任务精度的影响。\n*   **初始化更新**：当前版本已将 `base_weight` 和 `spline_scaler` 改为使用 `kaiming_uniform_` 初始化，这在 MNIST 等数据集上显著提升了收敛效果（从约 20% 提升至 97%）。","某医疗影像初创公司的算法团队正试图利用 Kolmogorov-Arnold 网络（KAN）的高可解释性，从肺部 CT 扫描中自动识别早期微小结节并生成诊断依据。\n\n### 没有 efficient-kan 时\n- **显存迅速爆炸**：直接套用原始 KAN 实现时，模型在处理高分辨率影像批次时，需将中间变量扩展为巨大的三维张量，导致单张显卡瞬间显存溢出，无法进行训练。\n- **计算效率低下**：由于激活函数计算方式冗余，前向传播和反向传播无法转化为标准的矩阵乘法，训练一个 epoch 的时间是传统 CNN 模型的十倍以上，严重拖慢迭代节奏。\n- **稀疏化策略失效**：为了保留模型的可解释性而尝试引入基于输入样本的 L1 正则化时，发现其与现有的内存优化方案互斥，迫使团队在“跑得动”和“看得懂”之间二选一。\n- **初始化陷阱频发**：沿用默认的常数初始化策略在复杂医学数据上表现极差，模型难以收敛，团队需花费大量时间手动调试权重初始值。\n\n### 使用 efficient-kan 后\n- **内存占用大幅降低**：efficient-kan 通过重构计算逻辑，将激活过程拆解为基函数激活与线性组合，成功将显存需求降低了一个数量级，使得在消费级显卡上训练大模型成为可能。\n- **训练速度显著提升**：计算流程被优化为直接的矩阵乘法，不仅天然支持高效的前后向传播，还让训练速度提升了数倍，团队能在一天内完成多轮超参数验证。\n- **兼容高效的稀疏正则**：工具改用权重的 L1 正则化替代原有的样本级正则，既完美兼容了内存优化架构，又保留了关键的剪枝能力，确保了模型输出的稀疏性和可解释性。\n- **收敛稳定性增强**：内置了改进的 Kaiming 均匀初始化策略，自动解决了在 MNIST 及类似医疗数据集上的冷启动难题，模型能快速稳定地达到高精度。\n\nefficient-kan 通过底层算子重构，彻底扫清了 KAN 架构在资源受限场景下落地的性能障碍，让高可解释性 AI 真正具备了实用价值。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBlealtan_efficient-kan_2b58e94c.png","Blealtan","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FBlealtan_051a4863.png","Nothing here.",null,"blealtan@outlook.com","https:\u002F\u002Fgithub.com\u002FBlealtan",[79],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,4616,418,"2026-04-16T14:04:31","MIT",1,"","未说明",{"notes":91,"python":89,"dependencies":92},"该工具是 Kolmogorov-Arnold Network (KAN) 的高效实现，旨在通过重构计算方式（将激活函数 reformulate 为基函数激活后线性组合）来显著降低内存成本并提升速度。主要依赖 PyTorch。README 中未明确列出具体的操作系统、GPU 型号、显存大小、内存需求或 Python 版本要求。作者提到用权重上的 L1 正则化替代了原论文中基于输入样本的正则化以兼容高效计算，并提供了可选的独立缩放功能（enable_standalone_scale_spline），默认开启。2024-05-04 更新指出参数初始化方式已改为 Kaiming Uniform 以提升在 MNIST 等数据集上的表现。",[93],"torch",[14,95],"其他","2026-03-27T02:49:30.150509","2026-04-19T15:38:20.544765",[99,104,109,114,119,124],{"id":100,"question_zh":101,"answer_zh":102,"source_url":103},42728,"如何通过 pip 安装 efficient-kan？","由于该库可能未发布到 PyPI，无法直接运行 `pip install efficient-kan`。请使用以下两种方法之一进行安装：\n1. 直接从 GitHub 安装：`pip install git+https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan.git`\n2. 克隆仓库后本地安装：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan.git\n   cd efficient-kan\n   pip install -e .\n   ```","https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan\u002Fissues\u002F40",{"id":105,"question_zh":106,"answer_zh":107,"source_url":108},42729,"efficient-kan 是否支持超过 2 维的输入（例如图像或注意力机制中的多维张量）？","当前的 KAN 实现通常要求输入为 2 维 `[batch, features]`。对于高维输入（如 `(B, C, H, W)` 或 `(B, nhead, dim)`），可以通过以下步骤处理：\n1. **展平操作**：将除最后一个维度外的所有维度展平。例如，对于 `(B, C, H, W)`，可以先置换维度并展平为 `[B, H*W, C]`，然后再展平前两个维度为 `[B*H*W, C]` 传入模型。\n2. **恢复形状**：模型输出后，再使用 `view` 或 `reshape` 恢复原始维度结构。\n3. **替代方案**：如果数据具有空间结构（如图像），建议使用专门实现的卷积版 KAN（如 convKAN 或 LeKAN），而不是强行展平。\n代码示例：`x.view(-1, x.size(-1))` 可用于展平至最后一维。","https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan\u002Fissues\u002F19",{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},42730,"efficient-kan 和官方 KAN (official-kan) 在算法上是否等价？","两者主要区别在于正则化损失项的实现不同：\n1. **正则化损失**：efficient-kan 的正则化损失计算方式与官方版本不同，这是为了计算效率做的优化。\n2. **偏置项**：早期版本曾遗漏每层后的偏置项（bias term），维护者已确认会更新修复。\n3. **数值误差**：由于并行结合律的使用，可能会引入微小的数值误差，但通常不足以破坏核心功能。\n总体而言，除了正则化项和潜在的微小数值差异外，核心算法逻辑是一致的。","https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan\u002Fissues\u002F18",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},42731,"KAN 模型背后的数学方程是什么？","KAN 模型的核心数学原理基于原始论文（Kolmogorov-Arnold Network）：\n1. **基函数**：所有激活函数都是固定基函数集（B-样条，B-splines）的线性组合。\n2. **计算重构**：计算过程被重构为先用不同的基函数激活输入，然后进行线性组合。\n3. **实现差异**：efficient-kan 主要是在计算 B-样条的方式上进行了优化以提高效率，并在稀疏化损失项（sparsification loss term）上有所调整（该项对符号回归以外的应用影响不大）。","https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan\u002Fissues\u002F16",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},42732,"训练时损失值恒定不变，网络无法学习，该如何解决？","如果遇到损失值不下降的情况，可以尝试以下调整策略：\n1. **降低学习率**：使用较小的学习率有助于稳定训练过程。\n2. **增加稳定性约束**：检查并添加适当的稳定性约束条件。\n3. **精细调参**：对超参数进行更细致的调整。\n注意：如果在使用 MLP（多层感知机）时也遇到同样的问题，说明可能是任务本身或数据预处理的问题，而非 KAN 库特有的缺陷。建议先验证基准模型（MLP）是否能正常收敛。","https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan\u002Fissues\u002F48",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},42733,"如何保存训练好的 KAN 模型以便后续推理使用？","直接使用 `pickle` 保存可能会报错（如 `AttributeError: Can't pickle local object...`），这是因为模型中使用了 lambda 函数或局部对象。\n建议解决方案：\n1. **确认模型来源**：确保你使用的是 `efficient-kan` 而不是原始的 `pykan`，因为原始版本的序列化支持较差。\n2. **使用 Torch 原生保存**：尝试使用 `torch.save(model.state_dict(), 'model.pth')` 保存状态字典，加载时使用 `model.load_state_dict()`。这通常比直接 pickle 整个模型对象更可靠。\n3. **避免_pickle_**：尽量避免直接对整个模型对象使用 `pickle.dump`，除非确认模型类完全支持序列化。","https:\u002F\u002Fgithub.com\u002FBlealtan\u002Fefficient-kan\u002Fissues\u002F17",[]]