[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-coxlab--prednet":3,"tool-coxlab--prednet":64},[4,17,27,35,43,56],{"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",138956,2,"2026-04-05T11:33:21",[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":23,"last_commit_at":41,"category_tags":42,"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":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"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",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"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":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":88,"forks":89,"last_commit_at":90,"license":91,"difficulty_score":10,"env_os":92,"env_gpu":93,"env_ram":94,"env_deps":95,"category_tags":101,"github_topics":77,"view_count":102,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":103,"updated_at":104,"faqs":105,"releases":135},259,"coxlab\u002Fprednet","prednet","Code and models accompanying \"Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning\"","prednet 是一个基于深度学习的视频预测与无监督学习框架。它源自神经科学中的“预测编码”理论，模拟人脑对视觉信息的预测机制，能够根据已有的视频帧预测下一帧甚至多帧的画面内容。\n\n**解决的问题**：prednet 主要解决视频预测和视觉特征学习的问题。传统的视频处理方法往往需要大量标注数据，而 prednet 可以通过无监督学习从原始视频中自动提取有用的特征表示，并生成未来帧的预测。这在视频监控、自动驾驶、机器人视觉等领域都有重要应用价值。\n\n**技术亮点**：\n\n- 基于预测编码理论，模拟大脑的预测机制\n- 深度循环卷积架构，结合空间和时间特征\n- 在 Keras 中实现为自定义层，便于集成和扩展\n- 支持多步预测，可以预测未来多帧\n- 提供 KITTI 数据集上的预训练模型，方便快速上手\n\n**适用用户**：prednet 适合机器学习研究者、深度学习开发者、计算机视觉工程师以及相关领域的学生使用。它提供了完整的训练和评估代码，并包含预训练模型，对想要深入了解视频预测或进行相关应用开发的人群非常友好。","# prednet\n\nCode and models accompanying [Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1605.08104) by Bill Lotter, Gabriel Kreiman, and David Cox.\n\nThe PredNet is a deep recurrent convolutional neural network that is inspired by the neuroscience concept of predictive coding (Rao and Ballard, 1999; Friston, 2005).\n**Check out example prediction videos [here](https:\u002F\u002Fcoxlab.github.io\u002Fprednet\u002F).**\n\nThe architecture is implemented as a custom layer\u003Csup>1\u003C\u002Fsup> in [Keras](http:\u002F\u002Fkeras.io\u002F).\nCode and model data is compatible with Keras 2.0 and Python 2.7 and 3.6.\nThe latest version has been tested on Keras 2.2.4 with Tensorflow 1.6.\nFor previous versions of the code compatible with Keras 1.2.1, use fbcdc18.\nTo convert old PredNet model files and weights for Keras 2.0 compatibility, see ```convert_model_to_keras2``` in `keras_utils.py`.\n\u003Cbr>\n\n## KITTI Demo\n\nCode is included for training the PredNet on the raw [KITTI](http:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002F) dataset.\nWe include code for downloading and processing the data, as well as training and evaluating the model.\nThe preprocessed data and can also be downloaded directly using `download_data.sh` and the **trained weights** by running `download_models.sh`.\nThe model download will include the original weights trained for t+1 prediction, the fine-tuned weights trained to extrapolate predictions for multiple timesteps,  and the \"L\u003Csub>all\u003C\u002Fsub>\" weights trained with an 0.1 loss weight on upper layers (see paper for details).\n\n### Steps\n1. **Download\u002Fprocess data**\n\t```bash\n\tpython process_kitti.py\n\t```\n\tThis will scrape the KITTI website to download the raw data from the city, residential, and road categories (~165 GB) and then process the images (cropping, downsampling).\n\tAlternatively, the processed data (~3 GB) can be directly downloaded by executing `download_data.sh`\n\t\u003Cbr>\n\t\u003Cbr>\n\n2. **Train model**\n\t```bash\n\tpython kitti_train.py\n\t```\n\tThis will train a PredNet model for t+1 prediction.\n\tSee [Keras FAQ](http:\u002F\u002Fkeras.io\u002Fgetting-started\u002Ffaq\u002F#how-can-i-run-keras-on-gpu) on how to run using a GPU.\n\t**To download pre-trained weights**, run `download_models.sh`\n\t\u003Cbr>\n\t\u003Cbr>\n\n3. **Evaluate model**\n\t```bash\n\tpython kitti_evaluate.py\n\t```\n\tThis will output the mean-squared error for predictions as well as make plots comparing predictions to ground-truth.\n\n### Feature Extraction\nExtracting the intermediate features for a given layer in the PredNet can be done using the appropriate ```output_mode``` argument. For example, to extract the hidden state of the LSTM (the \"Representation\" units) in the lowest layer, use ```output_mode = 'R0'```. More details can be found in the PredNet docstring.\n\n### Multi-Step Prediction\nThe PredNet argument ```extrap_start_time``` can be used to force multi-step prediction. Starting at this time step, the prediction from the previous time step will be treated as the actual input. For example, if the model is run on a sequence of 15 timesteps with ```extrap_start_time = 10```, the last output will correspond to a t+5 prediction. In the paper, we train in this setting starting from the original t+1 trained weights (see `kitti_extrap_finetune.py`), and the resulting fine-tuned weights are included in `download_models.sh`. Note that when training with extrapolation, the \"errors\" are no longer tied to ground truth, so the loss should be calculated on the pixel predictions themselves. This can be done by using ```output_mode = 'prediction'```, as illustrated in `kitti_extrap_finetune.py`.\n\n### Additional Notes\nWhen training on a new dataset, the image size has to be divisible by 2^(nb of layers - 1) because of the cyclical 2x2 max-pooling and upsampling operations.\n\n\u003Cbr>\n\n\u003Csup>1\u003C\u002Fsup> Note on implementation:  PredNet inherits from the Recurrent layer class, i.e. it has an internal state and a step function. Given the top-down then bottom-up update sequence, it must currently be implemented in Keras as essentially a 'super' layer where all layers in the PredNet are in one PredNet 'layer'. This is less than ideal, but it seems like the most efficient way as of now. We welcome suggestions if anyone thinks of a better implementation.  \n","# prednet\n\n随附论文 [Deep Predictive Coding Networks for Video Prediction and Unsupervised Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1605.08104) 的代码和模型，作者为 Bill Lotter、Gabriel Kreiman 和 David Cox。\n\nPredNet 是一个深度循环卷积神经网络（deep recurrent convolutional neural network），其灵感来自神经科学中的预测编码（predictive coding）概念（Rao 和 Ballard，1999；Friston，2005）。\n**预测视频示例请见[此处](https:\u002F\u002Fcoxlab.github.io\u002Fprednet\u002F)。**\n\n该架构以 Keras 自定义层\u003Csup>1\u003C\u002Fsup>的形式实现。代码和模型数据与 Keras 2.0 以及 Python 2.7 和 3.6 兼容。最新版本已在 Keras 2.2.4 和 Tensorflow 1.6 上测试通过。对于与 Keras 1.2.1 兼容的代码早期版本，请使用 fbcdc18 分支。要将旧的 PredNet 模型文件和权重转换为 Keras 2.0 兼容格式，请参阅 `keras_utils.py` 中的 ```convert_model_to_keras2```。\n\u003Cbr>\n\n## KITTI 演示\n\n代码包含用于在原始 [KITTI](http:\u002F\u002Fwww.cvlibs.net\u002Fdatasets\u002Fkitti\u002F) 数据集上训练 PredNet 的功能。我们提供了数据下载和处理代码，以及模型训练和评估代码。预处理数据也可以直接通过执行 `download_data.sh` 下载，**训练好的权重**可以通过运行 `download_models.sh` 下载。模型下载包含用于 t+1 预测的原始权重、用于多时间步外推预测的微调权重，以及使用上层 0.1 损失权重训练的\"L\u003Csub>all\u003C\u002Fsub>\"权重（详见论文）。\n\n### 步骤\n1. **下载\u002F处理数据**\n\t```bash\n\tpython process_kitti.py\n\t```\n\t这将从 KITTI 网站抓取城市、住宅和道路类别的原始数据（约 165 GB），然后处理图像（裁剪、降采样）。\n\t或者，可以通过执行 `download_data.sh` 直接下载预处理数据（约 3 GB）\n\t\u003Cbr>\n\t\u003Cbr>\n\n2. **训练模型**\n\t```bash\n\tpython kitti_train.py\n\t```\n\t这将训练一个用于 t+1 预测的 PredNet 模型。\n\t有关如何使用 GPU 运行，请参阅 [Keras FAQ](http:\u002F\u002Fkeras.io\u002Fgetting-started\u002Ffaq\u002F#how-can-i-run-keras-on-gpu)。\n\t**要下载预训练权重**，请运行 `download_models.sh`\n\t\u003Cbr>\n\t\u003Cbr>\n\n3. **评估模型**\n\t```bash\n\tpython kitti_evaluate.py\n\t```\n\t这将输出预测的均方误差，并生成预测与真实值对比图。\n\n### 特征提取\n可以使用相应的 ```output_mode``` 参数提取 PredNet 某一层的中间特征。例如，要提取最低层 LSTM 的隐藏状态（\"表示\"单元），请使用 ```output_mode = 'R0'```。更多详细信息请参阅 PredNet 文档字符串。\n\n### 多步预测\nPredNet 的 ```extrap_start_time``` 参数可用于强制进行多步预测。从这个时间步开始，前一个时间步的预测将被视为实际输入。例如，如果模型在 15 个时间步的序列上运行，且 ```extrap_start_time = 10```，则最后一个输出将对应于 t+5 预测。在论文中，我们从原始 t+1 训练的权重开始在此设置中进行训练（参见 `kitti_extrap_finetune.py`），并在 `download_models.sh` 中包含 resulting fine-tuned weights。需要注意的是，当使用外推法训练时，\"误差\"不再与真实值绑定，因此损失应在像素预测本身上计算。这可以通过使用 ```output_mode = 'prediction'``` 来实现，如 `kitti_extrap_finetune.py` 中所示。\n\n### 附加说明\n在新数据集上训练时，由于循环的 2x2 最大池化和上采样操作，图像大小必须能被 2^(层数 - 1) 整除。\n\n\u003Cbr>\n\n\u003Csup>1\u003C\u002Fsup> 实现说明：PredNet 继承自循环层类，即它具有内部状态和步进函数。鉴于自上而下然后自下而上的更新序列，目前必须在 Keras 中实现为一个\"超级\"层，其中 PredNet 的所有层都包含在一个 PredNet\"层\"中。这不太理想，但似乎是目前最有效的方法。如果有人想到更好的实现方式，我们欢迎提出建议。","# PredNet 快速上手指南\n\nPredNet 是一个受神经科学预测编码启发的深度递归卷积神经网络，用于视频预测和无监督学习。\n\n## 环境准备\n\n- **Python**: 2.7 或 3.6\n- **Keras**: 2.0+（推荐 2.2.4）\n- **TensorFlow**: 1.6\n- **其他依赖**: numpy, scipy, h5py, matplotlib, pillow\n\n## 安装步骤\n\n```bash\n# 1. 克隆仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fcoxlab\u002Fprednet.git\ncd prednet\n\n# 2. 安装依赖\npip install numpy scipy h5py matplotlib pillow\npip install keras==2.2.4 tensorflow==1.6\n```\n\n## 基本使用\n\n### 1. 简单示例\n\n```python\nfrom prednet import PredNet\nfrom keras.layers import Input\nfrom keras.models import Model\n\n# 定义输入形状 (timesteps, height, width, channels)\ninput_shape = (10, 160, 160, 3)\nn_timesteps = 10\n\n# 创建模型\ninputs = Input(shape=input_shape)\nprednet = PredNet(nt=n_timesteps, \n                  n_layers=4,\n                  channel_sizes=[3, 48, 96, 192])\noutputs = prednet(inputs)\nmodel = Model(inputs=inputs, outputs=outputs)\n\n# 编译模型\nmodel.compile(optimizer='adam', loss='mean_squared_error')\n\n# 训练模型（需要准备训练数据）\n# model.fit(train_data, train_data, epochs=10, batch_size=8)\n```\n\n### 2. 使用预训练模型（KITTI 数据集）\n\n```bash\n# 下载预训练权重\nbash download_models.sh\n\n# 评估模型\npython kitti_evaluate.py\n```\n\n### 3. 特征提取\n\n```python\n# 提取指定层的隐藏状态（如 R0 表示最低层的表示单元）\nfrom prednet import PredNet\nprednet = PredNet(nt=10, n_layers=4, output_mode='R0')\n```\n\n### 4. 多步预测\n\n```python\n# 设置外推起始时间，实现多步预测\nprednet = PredNet(nt=15, n_layers=4, extrap_start_time=10)\n# 输出将对应 t+5 的预测\n```\n\n## 训练自定义数据集\n\n确保图像尺寸可被 `2^(n_layers - 1)` 整除。例如，4 层网络需要尺寸能被 8 整除。","# 场景背景\n\n某自动驾驶研发团队正在开发城市道路场景下的前方障碍物预警系统，需要让车辆能够根据当前摄像头捕获的视频流，预测接下来 1-3 秒内的道路画面，以便提前做出减速或转向决策。\n\n### 没有 prednet 时\n\n- 团队需要从头构建复杂的时空特征提取网络，耗费数月时间设计 LSTM 与卷积层的组合架构\n- 传统方法依赖大量标注数据进行监督学习，而真实道路场景的标注成本极高\n- 预测结果仅能输出单一未来帧，无法满足连续预测多帧的时序需求\n- 模型推理速度慢，难以满足车辆实时性要求（需在 100ms 内完成预测）\n- 跨场景泛化能力差，在不同天气或光照条件下预测准确率显著下降\n\n### 使用 prednet 后\n\n- 直接基于预训练模型进行微调，利用其内置的预测编码机制快速适配新场景\n- 采用无监督学习方式训练，无需大量人工标注数据，降低了数据准备成本\n- 支持多步预测（extrap_start_time 参数），可一次性输出未来多帧画面\n- 模型架构经过优化，推理效率高，能够满足实时预警的时效要求\n- 预训练权重基于 KITTI 真实道路数据，对城市场景具有良好的先验知识\n\n### 核心价值\n\nprednet 让自动驾驶系统具备了“预见未来”的能力，使车辆能够在危险发生前提前响应，大幅提升主动安全性能。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcoxlab_prednet_ca416710.png","coxlab","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcoxlab_d090ca4e.png",null,"https:\u002F\u002Fgithub.com\u002Fcoxlab",[80,84],{"name":81,"color":82,"percentage":83},"Python","#3572A5",98.7,{"name":85,"color":86,"percentage":87},"Shell","#89e051",1.3,799,260,"2026-04-05T10:34:00","MIT","未说明（Keras\u002FPython 工具通常支持 Linux、macOS、Windows）","需要 NVIDIA GPU（未说明具体型号和显存要求）","未说明",{"notes":96,"python":97,"dependencies":98},"1. 已在 Keras 2.2.4 和 TensorFlow 1.6 环境下测试通过；2. 训练需要下载 KITTI 数据集，原始数据约 165 GB，处理后约 3 GB；3. 图像尺寸必须能被 2^(网络层数-1) 整除，因使用周期性 2x2 最大池化和上采样操作；4. 使用自定义 PredNet 层（继承自 Recurrent 层）；5. 支持特征提取和多步预测功能","2.7, 3.6",[99,100],"Keras 2.0+","TensorFlow 1.6+（推荐 Keras 2.2.4 + TensorFlow 1.6）",[52,13],6,"2026-03-27T02:49:30.150509","2026-04-06T05:15:58.832286",[106,111,116,121,126,131],{"id":107,"question_zh":108,"answer_zh":109,"source_url":110},821,"运行 PredNet 时出现 Input array dimensions not matching 错误如何解决？","这是由于 Keras 的 image_dim_ordering 配置问题导致的。解决方案：找到用户目录下的 .keras\u002Fkeras.json 文件，将 \"image_dim_ordering\" 从 \"tf\" 改回 \"th\"（即 theano 格式）。修改后重新运行即可正常工作。","https:\u002F\u002Fgithub.com\u002Fcoxlab\u002Fprednet\u002Fissues\u002F3",{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},822,"运行 kitti_train.py 时出现 StopIteration 错误如何解决？","这是 Keras 版本兼容性问题。解决方案：将 Keras 降级到 2.0.8 版本即可解决此问题。可以通过 pip install keras==2.0.8 命令安装。","https:\u002F\u002Fgithub.com\u002Fcoxlab\u002Fprednet\u002Fissues\u002F34",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},823,"运行 kitti_evaluate.py 时出现 hickle \"old hickle version\" 错误如何解决？","这是因为 hickle 文件是用 Python 2 和旧版本 hickle 创建的，在 Python 3 环境下不兼容。解决方案：1) 使用 Python 2.7 运行；2) 或者下载使用新版本 hickle 重新生成的数据文件（可从 figshare 获取：https:\u002F\u002Ffigshare.com\u002Farticles\u002FKITTI_hkl_files\u002F7985684）。","https:\u002F\u002Fgithub.com\u002Fcoxlab\u002Fprednet\u002Fissues\u002F53",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},824,"PredNet 模型能进行多长时间的视频预测？预测时间过长质量下降怎么办？","PredNet 模型进行长期预测时质量会逐渐下降，误差呈线性增长。根据维护者建议，约5个时间步是一个较好的经验法则（对应0.5秒）。如果要进行更长时间的预测，可能需要使用 GAN loss（生成对抗网络损失）来改进，即使用判别器网络作为额外的损失函数来提升预测质量。","https:\u002F\u002Fgithub.com\u002Fcoxlab\u002Fprednet\u002Fissues\u002F55",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},825,"如何使用预训练模型预测未来多帧（如 t+5）而无需地面真实帧？","需要正确设置 nt（总时间步数）和 extrap_start_time（外推起始时间）参数。例如设置 nt=25, extrap_start_time=20 可以用前20帧预测后5帧。具体实现可以参考项目中的 process_data 函数或相关示例代码。","https:\u002F\u002Fgithub.com\u002Fcoxlab\u002Fprednet\u002Fissues\u002F60",{"id":132,"question_zh":133,"answer_zh":134,"source_url":110},826,"PredNet 支持 Python 3 吗？","根据 Issue #3 的反馈，PredNet 最初主要针对 Python 2.7 开发。虽然 README 声称支持 Python 3，但实际使用中会出现兼容性问题（如 hickle 文件不兼容）。建议使用 Python 2.7 以获得最佳兼容性，或等待后续版本更新。",[]]