[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ChihebTrabelsi--deep_complex_networks":3,"tool-ChihebTrabelsi--deep_complex_networks":64},[4,17,27,35,44,52],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},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。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},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",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},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。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":10,"last_commit_at":41,"category_tags":42,"status":16},4292,"Deep-Live-Cam","hacksider\u002FDeep-Live-Cam","Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具，用户仅需一张静态照片，即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点，让高质量的数字内容创作变得触手可及。\n\n这款工具不仅适合开发者和技术研究人员探索算法边界，更因其极简的操作逻辑（仅需三步：选脸、选摄像头、启动），广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换，还是制作趣味短视频和直播互动，Deep-Live-Cam 都能提供流畅的支持。\n\n其核心技术亮点在于强大的实时处理能力，支持口型遮罩（Mouth Mask）以保留使用者原始的嘴部动作，确保表情自然精准；同时具备“人脸映射”功能，可同时对画面中的多个主体应用不同面孔。此外，项目内置了严格的内容安全过滤机制，自动拦截涉及裸露、暴力等不当素材，并倡导用户在获得授权及明确标注的前提下合规使用，体现了技术发展与伦理责任的平衡。",88924,"2026-04-06T03:28:53",[13,14,15,43],"视频",{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":23,"last_commit_at":50,"category_tags":51,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":53,"name":54,"github_repo":55,"description_zh":56,"stars":57,"difficulty_score":23,"last_commit_at":58,"category_tags":59,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,60,43,61,15,62,26,13,63],"数据工具","插件","其他","音频",{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":76,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":78,"languages":79,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":96,"env_os":97,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":110,"github_topics":111,"view_count":23,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":146},4211,"ChihebTrabelsi\u002Fdeep_complex_networks","deep_complex_networks","Implementation related to the Deep Complex Networks","deep_complex_networks 是一个专注于复数神经网络实现的开源项目，旨在复现论文《Deep Complex Networks》中的核心实验。传统深度学习模型通常仅在实数域进行运算，而该工具通过引入复数卷积、复数批归一化及复数激活函数等关键组件，让神经网络能够直接在复数域中处理数据。这一创新有效解决了在处理具有相位和幅度特征的数据（如音频信号、雷达图像或特定频域视觉任务）时，传统实数网络信息表达能力受限的问题，显著提升了模型在相关任务上的精度与鲁棒性。\n\n该项目提供了完整的代码库，涵盖计算机视觉与音乐信息检索（MusicNet）两大领域的实验脚本，支持从数据预处理、模型训练到结果可视化的全流程。其技术亮点在于基于 Keras 和 Theano 构建了灵活的复数运算层，允许研究者轻松对比实数与复数模型的性能差异。deep_complex_networks 非常适合人工智能研究人员、算法工程师以及对前沿神经网络架构感兴趣的开发者使用。如果你正在探索非实数域的深度学习方法，或需要复现经典的复数网络实验，这套代码将为你提供坚实的技术基础和参考范例。","Deep Complex Networks\n=====================\n\nThis repository contains code which reproduces experiments presented in\nthe paper [Deep Complex Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1705.09792).\n\nRequirements\n------------\n\nInstall requirements for computer vision experiments with pip:\n```\npip install numpy Theano keras kerosene\n```\n\nAnd for music experiments:\n```\npip install scipy sklearn intervaltree resampy\npip install git+git:\u002F\u002Fgithub.com\u002Fbartvm\u002Fmimir.git\n```\n\nDepending on your Python installation you might want to use anaconda or other tools.\n\n\nInstallation\n------------\n\n```\npip install .\n```\n\nExperiments\n-----------\n\n### Computer vision\n\n1. Get help:\n\n    ```\n    python scripts\u002Frun.py train --help\n    ```\n\n2. Run models:\n\n    ```\n    python scripts\u002Frun.py train -w WORKDIR --model {real,complex} --sf STARTFILTER --nb NUMBEROFBLOCKSPERSTAGE\n    ```\n\n    Other arguments may be added as well; Refer to run.py train --help for\n    \n      - Optimizer settings\n      - Dropout rate\n      - Clipping\n      - ...\n\n\n### MusicNet\n\n0. Download the dataset from [the official page](https:\u002F\u002Fhomes.cs.washington.edu\u002F~thickstn\u002Fmusicnet.html)\n\n    ```\n    mkdir data\u002F\n    wget https:\u002F\u002Fhomes.cs.washington.edu\u002F~thickstn\u002Fmedia\u002Fmusicnet.npz -P data\u002F\n    ```\n\n1. Resample the dataset with \n\n    ```\n    resample.py data\u002Fmusicnet.npz data\u002Fmusicnet_11khz.npz 44100 11000\n    ```\n\n2. Run shallow models\n\n    ```\n    train.py shallow_model --in-memory --model=shallow_convnet --local-data data\u002Fmusicnet_11khz.npz\n    train.py shallow_complex_model --in-memory --model=complex_shallow_convnet --complex --local-data data\u002Fmusicnet_11khz.npz\n    ```\n\n3. Run deep models\n\n    ```\n    train.py deep_model --in-memory --model=deep_convnet --fourier --local-data data\u002Fmusicnet_11khz.npz\n    train.py deep_complex_model --in-memory --model=complex_deep_convnet --fourier --complex --local-data data\u002Fmusicnet_11khz.npz\n    ```\n\n4. Visualize with jupyter notebook\n\n    Run the notebook `notebooks\u002Fvisualize_musicnet.ipynb`.\n\n    ![precision-recall](imgs\u002Fprecision_recall.png \"Precision-recall curve\")\n    ![predicitons](imgs\u002Fpred_gt.png \"Prediction example\")\n\n\nCitation\n--------\n\nPlease cite our work as \n\n```\n@ARTICLE {,\n    author  = \"Chiheb Trabelsi, Olexa Bilaniuk, Ying Zhang, Dmitriy Serdyuk, Sandeep Subramanian, João Felipe Santos, Soroush Mehri, Negar Rostamzadeh, Yoshua Bengio, Christopher J Pal\",\n    title   = \"Deep Complex Networks\",\n    journal = \"arXiv preprint arXiv:1705.09792\",\n    year    = \"2017\"\n}\n```\n","深度复数神经网络\n=====================\n\n本仓库包含用于复现论文《深度复数神经网络》（[Deep Complex Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1705.09792)）中实验的代码。\n\n要求\n------------\n\n安装计算机视觉实验所需的依赖包：\n```\npip install numpy Theano keras kerosene\n```\n\n对于音乐实验，则需安装：\n```\npip install scipy sklearn intervaltree resampy\npip install git+git:\u002F\u002Fgithub.com\u002Fbartvm\u002Fmimir.git\n```\n\n根据您的 Python 环境，您可能需要使用 Anaconda 或其他工具来管理环境。\n\n安装\n------------\n\n```\npip install .\n```\n\n实验\n-----------\n\n### 计算机视觉\n\n1. 获取帮助：\n\n    ```\n    python scripts\u002Frun.py train --help\n    ```\n\n2. 运行模型：\n\n    ```\n    python scripts\u002Frun.py train -w WORKDIR --model {real,complex} --sf STARTFILTER --nb NUMBEROFBLOCKSPERSTAGE\n    ```\n\n    您还可以添加其他参数；请参考 `run.py train --help` 以了解以下内容：\n    \n      - 优化器设置\n      - Dropout 概率\n      - 梯度裁剪\n      - ...\n\n\n### MusicNet\n\n0. 从 [官方页面](https:\u002F\u002Fhomes.cs.washington.edu\u002F~thickstn\u002Fmusicnet.html) 下载数据集：\n\n    ```\n    mkdir data\u002F\n    wget https:\u002F\u002Fhomes.cs.washington.edu\u002F~thickstn\u002Fmedia\u002Fmusicnet.npz -P data\u002F\n    ```\n\n1. 使用以下命令对数据集进行重采样：\n\n    ```\n    resample.py data\u002Fmusicnet.npz data\u002Fmusicnet_11khz.npz 44100 11000\n    ```\n\n2. 运行浅层模型：\n\n    ```\n    train.py shallow_model --in-memory --model=shallow_convnet --local-data data\u002Fmusicnet_11khz.npz\n    train.py shallow_complex_model --in-memory --model=complex_shallow_convnet --complex --local-data data\u002Fmusicnet_11khz.npz\n    ```\n\n3. 运行深层模型：\n\n    ```\n    train.py deep_model --in-memory --model=deep_convnet --fourier --local-data data\u002Fmusicnet_11khz.npz\n    train.py deep_complex_model --in-memory --model=complex_deep_convnet --fourier --complex --local-data data\u002Fmusicnet_11khz.npz\n    ```\n\n4. 使用 Jupyter Notebook 可视化结果：\n\n    运行笔记本 `notebooks\u002Fvisualize_musicnet.ipynb`。\n\n    ![precision-recall](imgs\u002Fprecision_recall.png \"精确率-召回率曲线\")\n    ![predicitons](imgs\u002Fpred_gt.png \"预测示例\")\n\n\n引用\n--------\n\n请按以下格式引用我们的工作：\n\n```\n@ARTICLE {,\n    author  = \"Chiheb Trabelsi, Olexa Bilaniuk, Ying Zhang, Dmitriy Serdyuk, Sandeep Subramanian, João Felipe Santos, Soroush Mehri, Negar Rostamzadeh, Yoshua Bengio, Christopher J Pal\",\n    title   = \"Deep Complex Networks\",\n    journal = \"arXiv preprint arXiv:1705.09792\",\n    year    = \"2017\"\n}\n```","# deep_complex_networks 快速上手指南\n\n本指南帮助开发者快速复现论文《Deep Complex Networks》中的计算机视觉与音乐处理实验。\n\n## 环境准备\n\n### 系统要求\n- Python 环境（推荐使用 Anaconda 管理环境）\n- 支持 Theano 和 Keras 的 GPU 或 CPU 环境\n\n### 前置依赖\n根据实验类型安装相应依赖：\n\n**计算机视觉实验：**\n```bash\npip install numpy Theano keras kerosene\n```\n\n**音乐处理实验（MusicNet）：**\n```bash\npip install scipy sklearn intervaltree resampy\npip install git+git:\u002F\u002Fgithub.com\u002Fbartvm\u002Fmimir.git\n```\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速安装，例如：\n> `pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy Theano keras kerosene`\n\n## 安装步骤\n\n克隆或下载本项目后，在项目根目录执行以下命令完成安装：\n\n```bash\npip install .\n```\n\n## 基本使用\n\n### 1. 计算机视觉实验\n\n查看训练脚本帮助信息：\n```bash\npython scripts\u002Frun.py train --help\n```\n\n运行模型训练（以复数网络为例）：\n```bash\npython scripts\u002Frun.py train -w WORKDIR --model complex --sf STARTFILTER --nb NUMBEROFBLOCKSPERSTAGE\n```\n*注：可将 `--model complex` 替换为 `--model real` 以运行实数网络对比实验。其他参数如优化器设置、Dropout 率等请参考 help 信息。*\n\n### 2. MusicNet 音乐处理实验\n\n**第一步：下载并预处理数据**\n```bash\nmkdir data\u002F\nwget https:\u002F\u002Fhomes.cs.washington.edu\u002F~thickstn\u002Fmedia\u002Fmusicnet.npz -P data\u002F\nresample.py data\u002Fmusicnet.npz data\u002Fmusicnet_11khz.npz 44100 11000\n```\n\n**第二步：运行浅层模型**\n```bash\ntrain.py shallow_model --in-memory --model=shallow_convnet --local-data data\u002Fmusicnet_11khz.npz\ntrain.py shallow_complex_model --in-memory --model=complex_shallow_convnet --complex --local-data data\u002Fmusicnet_11khz.npz\n```\n\n**第三步：运行深层模型**\n```bash\ntrain.py deep_model --in-memory --model=deep_convnet --fourier --local-data data\u002Fmusicnet_11khz.npz\ntrain.py deep_complex_model --in-memory --model=complex_deep_convnet --fourier --complex --local-data data\u002Fmusicnet_11khz.npz\n```\n\n**第四步：结果可视化**\n启动 Jupyter Notebook 查看精度召回曲线及预测示例：\n```bash\njupyter notebook notebooks\u002Fvisualize_musicnet.ipynb\n```","某音频分析团队正在开发基于 MusicNet 数据集的自动乐器识别系统，试图从复杂的交响乐录音中精准分离并分类不同乐器的声音片段。\n\n### 没有 deep_complex_networks 时\n- 传统实数神经网络在处理音频信号的相位信息时表现乏力，导致模型难以捕捉声音波形中关键的周期性特征。\n- 为了弥补相位信息的丢失，团队不得不手动设计繁琐的特征工程（如额外提取瞬时频率），大幅增加了数据预处理的时间成本。\n- 模型在嘈杂背景下的泛化能力较差，经常出现将大提琴误判为低音管乐器的情况，精度 - 召回率曲线表现平平。\n- 加深网络层数往往导致梯度消失或训练不稳定，限制了模型提取深层抽象音乐特征的能力。\n\n### 使用 deep_complex_networks 后\n- 直接利用复数卷积层原生处理信号的幅度与相位，无需额外特征工程即可完整保留音频波形的内在结构信息。\n- 复数域的非线性激活函数显著提升了模型对谐波结构的敏感度，使乐器分类的准确率在测试集上得到实质性突破。\n- 借助复数参数空间的丰富表达能力，团队成功构建了更深的卷积网络，有效提取出区分相似音色的高阶特征。\n- 训练过程更加稳定收敛，最终生成的精度 - 召回率曲线明显优于传统实数模型，尤其在低信噪比环境下鲁棒性更强。\n\ndeep_complex_networks 通过引入复数运算机制，从根本上解决了音频信号处理中相位信息易丢失的难题，让深度学习模型真正“听懂”了音乐的完整波形。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FChihebTrabelsi_deep_complex_networks_48133b09.png","ChihebTrabelsi",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FChihebTrabelsi_05e46b1c.png","https:\u002F\u002Fgithub.com\u002FChihebTrabelsi",[80,84,88],{"name":81,"color":82,"percentage":83},"Python","#3572A5",65.2,{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",34.8,{"name":89,"color":90,"percentage":91},"Shell","#89e051",0.1,784,283,"2026-04-02T23:37:54","MIT",4,"未说明",{"notes":99,"python":97,"dependencies":100},"该项目基于较旧的深度学习框架 Theano 和 Keras（非现代 TensorFlow\u002FKeras），可能需要在特定旧版本环境下运行。音乐实验需手动下载 MusicNet 数据集并进行重采样处理。建议使用 Anaconda 管理 Python 环境以解决依赖兼容性问题。",[101,102,103,104,105,106,107,108,109],"numpy","Theano","keras","kerosene","scipy","sklearn","intervaltree","resampy","mimir",[13],[112],"deep-learning","2026-03-27T02:49:30.150509","2026-04-06T14:04:01.192801",[116,121,126,131,136,141],{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},19185,"运行模型时遇到 'int' object has no attribute 'dtype' 错误，如何解决？","该错误通常是因为使用了错误的后端。本项目需要使用 Theano 后端，而不是 TensorFlow。请修改 Keras 配置文件（~\u002F.keras\u002Fkeras.json），确保内容如下：\n{\n    \"image_data_format\": \"channels_first\",\n    \"epsilon\": 1e-07,\n    \"floatx\": \"float32\",\n    \"backend\": \"theano\"\n}\n修改后重新运行即可。","https:\u002F\u002Fgithub.com\u002FChihebTrabelsi\u002Fdeep_complex_networks\u002Fissues\u002F1",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},19186,"创建新模型或训练时出现维度不匹配或数据格式错误，原因是什么？","这是因为 Theano 后端要求数据格式为 'channel_first'，而 Keras 默认设置为 'channel_last'（TensorFlow 格式）。你需要将 ~\u002F.keras\u002Fkeras.json 文件中的 \"image_data_format\" 修改为 \"channels_first\"。参考文档：https:\u002F\u002Fkeras.io\u002Fbackend\u002F#switching-from-one-backend-to-another","https:\u002F\u002Fgithub.com\u002FChihebTrabelsi\u002Fdeep_complex_networks\u002Fissues\u002F7",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},19187,"运行脚本时提示 'AttributeError: module object has no attribute Logger'，如何解决？","这是因为安装了错误版本的 mimir 库。请卸载当前版本，并安装项目指定的正确版本。根据社区反馈，正确的仓库地址可能是 https:\u002F\u002Fgithub.com\u002Fmuqiaoy\u002Fmimir，请尝试从该源安装或检查项目依赖文档以获取准确的版本号。","https:\u002F\u002Fgithub.com\u002FChihebTrabelsi\u002Fdeep_complex_networks\u002Fissues\u002F34",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},19188,"运行 train.py 时出现 'ImportError: No module named models.complex' 错误怎么办？","这通常是因为 Python 无法找到本地模块路径。解决方法是在运行脚本前确保进入正确的目录（如 deep_complex_networks-master\u002Fmusicnet），或者手动将项目根目录添加到系统路径中。可以在代码开头添加：\nimport sys\nsys.path.insert(0, '\u002F你的\u002F项目\u002F根目录\u002F路径')\n此外，如果后续出现 'No module named bn' 等类似错误，也需要对相应的导入语句进行同样的路径修正。","https:\u002F\u002Fgithub.com\u002FChihebTrabelsi\u002Fdeep_complex_networks\u002Fissues\u002F11",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},19189,"使用 ComplexBN 层或处理自定义数据集时报广播形状不匹配错误（ValueError: Operands could not be broadcast together），如何解决？","该问题通常与输入数据的形状或后端配置有关。首先确保已按照要求将 Keras 后端设置为 Theano 且数据格式为 'channels_first'。如果问题依旧，检查输入数据集的维度是否符合模型预期（例如 CIFAR-10 应为 (N, 3, 32, 32)）。由于该问题在多个不同尺寸的数据集上均有报告，建议严格核对数据预处理步骤，确保通道维度和空间维度顺序正确。","https:\u002F\u002Fgithub.com\u002FChihebTrabelsi\u002Fdeep_complex_networks\u002Fissues\u002F4",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},19190,"运行命令时遇到关于 data_path 的配置错误（ConfigurationError），应该如何设置数据路径？","该错误通常与 Fuel 数据集库的环境变量配置有关。请参考 Fuel 官方文档中关于内置数据集的部分（https:\u002F\u002Ffuel.readthedocs.io\u002Fen\u002Flatest\u002Fbuilt_in_datasets.html#environment-variable），正确设置数据路径环境变量。在使用命令行参数 '-d' 指定路径时，需确保路径格式符合 Fuel 的要求，有时可能需要避免使用引号或确保路径指向包含正确元数据的目录。","https:\u002F\u002Fgithub.com\u002FChihebTrabelsi\u002Fdeep_complex_networks\u002Fissues\u002F14",[]]