[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-fancompute--wavetorch":3,"tool-fancompute--wavetorch":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":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":80,"owner_twitter":79,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":10,"env_os":96,"env_gpu":97,"env_ram":97,"env_deps":98,"category_tags":110,"github_topics":111,"view_count":118,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":119,"updated_at":120,"faqs":121,"releases":142},146,"fancompute\u002Fwavetorch","wavetorch"," 🌊 Numerically solving and backpropagating through the wave equation","wavetorch 是一个基于 PyTorch 的开源 Python 工具包，用于在时域中数值求解标量波动方程，并支持通过自动微分反向传播梯度。它将波动物理过程建模为一种类循环神经网络（RNN）结构，使得波在复杂介质中的传播可被端到端训练和优化。wavetorch 最初用于实现“通过波在非均匀材料中传播直接识别元音”的研究，但其核心模块（如 WaveCell、WaveSource 和 WaveProbe）也适用于其他涉及时序波动物理的逆向设计或机器学习任务。\n\n该工具特别适合计算物理、光子学、声学或物理信息神经网络领域的研究人员与开发者使用，尤其适用于需要联合优化物理系统与感知任务的场景。其关键技术亮点在于无缝集成 PyTorch 的自动微分机制，等效于经典的伴随变量法（AVM），从而高效计算目标函数对材料分布等参数的梯度，为波动系统的逆向设计提供了灵活且可微的数值框架。普通用户若无相关背景可能较难直接应用，但对熟悉深度学习与波动方程的研究者而言，wavetorch 提供了直观且可扩展的实验平台。","# wavetorch\n\n![](..\u002Fmaster\u002Fimg\u002Foptimization.png)\n\n## Overview\n\nThis python package provides recurrent neural network (RNN) modules for pytorch that compute time-domain solutions to the [scalar wave equation](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWave_equation). The code in this package is the basis for the results presented in our [recent paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.12831), where we demonstrate that [recordings](https:\u002F\u002Fhomepages.wmich.edu\u002F~hillenbr\u002Fvoweldata.html) of spoken vowels can be classified as their waveforms propagate through a trained inhomogeneous material distribution. \n\nThis package not only provides a numerical framework for solving the wave equation, but it also allows the gradient of the solutions to be computed *automatically* via pytorch's automatic differentiation framework. This gradient computation is equivalent to the adjoint variable method (AVM) that has recently gained popularity for performing inverse design and optimization of photonic devices.\n\nFor additional information and discussion see our paper:\n\n* T. W. Hughes*, I. A. D. Williamson*, M. Minkov, and S. Fan, [Wave physics as an analog recurrent neural network](https:\u002F\u002Fadvances.sciencemag.org\u002Fcontent\u002F5\u002F12\u002Feaay6946), Science Advances, vol. 5, no. 12, p. eaay6946, Dec. 2019\n\n## Components\n\nThe machine learning examples in this package are designed around the task of vowel recognition, using the dataset of raw audio recordings available from Prof James Hillenbrand's [website](https:\u002F\u002Fhomepages.wmich.edu\u002F~hillenbr\u002Fvoweldata.html). However, the core modules provided by this package, which are described below, may be applied to other learning or inverse design tasks involving time-series data. \n\nThe `wavetorch` package provides several individual modules, each subclassing `torch.nn.Module`. These modules can be combined to model the wave equation or (potentially) used as components to build other networks.\n\n* `WaveRNN` - A wrapper which contains *one* or more `WaveSource` modules, *zero* or more `WaveProbe` modules, and a single `WaveCell` module. The `WaveRNN` module is a convenient wrapper around the individual components and handles time-stepping the wave equation. If no probes are present, the output of `WaveRNN` is the scalar field distribution as a function of time. If probes are present, the output will be (by default) the probe values, but this output can be overridded to instead output the field distribution.\n    * `WaveCell` - Implements a single time step of the [scalar wave equation](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWave_equation).\n        * `WaveGeometry` - The children of this module implement the parameterization of the physical domain used by the `WaveCell` module. Although the geometry module subclasses `torch.nn.Module`, it has no `forward()` method and serves only to provide a parameterization of the material density to the `WaveCell` module. Subclassing `torch.nn.Module` was necessary in order to properly expose the trainable parameters to pytorch.\n    * `WaveSource` - Implements a source for injecting waves into the [scalar wave equation](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWave_equation).\n    * `WaveProbe` - Implements a probe for measuring wave amplitudes (or intensities) at points in the domain defined by a `WaveGeometry`.\n\n## Usage\n\n### Propagating waves\n\nSee [study\u002Fpropagate.py](study\u002Fpropagate.py)\n\n![](..\u002Fmaster\u002Fimg\u002Fpropagate.png)\n\n### Optimization and inverse design of a lens\n\nSee [study\u002Foptimize_lens.py](study\u002Foptimize_lens.py) \n\n![](..\u002Fmaster\u002Fimg\u002Finverse_design_lens.png)\n\n### Vowel recognition\n\nTo train the model using the configuration specified by the file [study\u002Fexample.yml](study\u002Fexample.yml), issue the following command from the top-level directory of the repository:\n```\npython .\u002Fstudy\u002Fvowel_train.py .\u002Fstudy\u002Fexample.yml\n```\nThe configuration file, [study\u002Fexample.yml](study\u002Fexample.yml), is commented to provide information on how the vowel data is processed, how the physics of the problem is specified, and how the training process is configured.\n\nDuring training, the progress of the optimization will be printed to the screen. At the end of each epoch, the current state of the model, along with a history of the model state and performance at all previous epochs and cross validation folds, is saved to a file.\n\n**WARNING:** depending on the batch size, the window length, and the sample rate for the vowel data (all of which are specified in the YAML configuration file) the gradient computation may require a significant amount of memory. It is recommended to start small with the batch size and work your way up gradually, depending on what your machine can handle.\n\n#### Summary of vowel recognition results\n\nA summary of a trained model which was previously saved to disk can be generated like so:\n```\npython .\u002Fstudy\u002Fvowel_summary.py \u003CPATH_TO_MODEL>\n```\n\n![](..\u002Fmaster\u002Fimg\u002Fsummary.png)\n\n#### Display field snapshots during vowel recognition\n\nSnapshots of the scalar field distribution for randomly selected vowels samples can be generated like so:\n```\npython .\u002Fstudy\u002Fvowel_analyze.py fields \u003CPATH_TO_MODEL> --times 1500 2500 3500 ...\n```\n\n![](..\u002Fmaster\u002Fimg\u002Ffields.png)\n\n#### Display short-time Fourier transform (STFT) of vowel waveforms\n\nA matrix of short time Fourier transforms of the received signal, where the row corresponds to an input vowel and the column corresponds to a particular probe (matching the confusion matrix distribution) can be generated like so:\n```\npython .\u002Fstudy\u002Fvowel_analyze.py stft \u003CPATH_TO_MODEL>\n```\n\n![](..\u002Fmaster\u002Fimg\u002Fstft.png)\n\n## Dependencies\n\n* `pytorch`\n* `scikit-learn`\n* `scikit-image`\n* `librosa`\n* `seaborn`\n* `matplotlib`\n* `numpy`\n* `yaml`\n* `pandas`\n","# wavetorch\n\n![](..\u002Fmaster\u002Fimg\u002Foptimization.png)\n\n## 概述\n\n该 Python 包为 PyTorch 提供了循环神经网络（RNN）模块，用于计算[标量波动方程](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWave_equation)在时域中的解。本包中的代码是我们[近期论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1904.12831)中所展示结果的基础，在该论文中，我们证明了当语音元音的[录音](https:\u002F\u002Fhomepages.wmich.edu\u002F~hillenbr\u002Fvoweldata.html)通过一个经过训练的非均匀材料分布传播时，可以直接对其波形进行分类。\n\n该包不仅提供了一个求解波动方程的数值框架，还允许通过 PyTorch 的自动微分（automatic differentiation）框架**自动**计算解的梯度。这种梯度计算等价于近年来在光子器件的逆向设计与优化中广受欢迎的伴随变量法（Adjoint Variable Method, AVM）。\n\n更多详细信息和讨论请参见我们的论文：\n\n* T. W. Hughes*, I. A. D. Williamson*, M. Minkov, and S. Fan, [Wave physics as an analog recurrent neural network](https:\u002F\u002Fadvances.sciencemag.org\u002Fcontent\u002F5\u002F12\u002Feaay6946), Science Advances, vol. 5, no. 12, p. eaay6946, Dec. 2019\n\n## 组件\n\n本包中的机器学习示例围绕元音识别任务设计，使用了 James Hillenbrand 教授[网站](https:\u002F\u002Fhomepages.wmich.edu\u002F~hillenbr\u002Fvoweldata.html)提供的原始音频录音数据集。然而，本包所提供的核心模块（如下所述）也可应用于其他涉及时序数据的学习或逆向设计任务。\n\n`wavetorch` 包提供了多个独立模块，每个模块都是 `torch.nn.Module` 的子类。这些模块可以组合起来建模波动方程，或者（潜在地）作为构建其他网络的组件。\n\n* `WaveRNN` - 一个封装器，包含**一个或多个** `WaveSource` 模块、**零个或多个** `WaveProbe` 模块，以及一个 `WaveCell` 模块。`WaveRNN` 模块是对各个组件的便捷封装，并负责对波动方程进行时间步进求解。如果没有探针（probe），`WaveRNN` 的输出是随时间变化的标量场分布；如果存在探针，则默认输出为探针处的值，但也可以覆盖此行为以输出整个场分布。\n    * `WaveCell` - 实现[标量波动方程](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWave_equation)的单个时间步。\n        * `WaveGeometry` - 该模块的子类实现了 `WaveCell` 模块所使用的物理域参数化。尽管几何模块继承自 `torch.nn.Module`，但它没有 `forward()` 方法，仅用于向 `WaveCell` 模块提供材料密度的参数化表示。之所以继承 `torch.nn.Module`，是为了让可训练参数能被 PyTorch 正确识别。\n    * `WaveSource` - 实现向[标量波动方程](https:\u002F\u002Fen.wikipedia.org\u002Fwiki\u002FWave_equation)中注入波的源。\n    * `WaveProbe` - 实现在由 `WaveGeometry` 定义的域内特定位置测量波幅（或强度）的探针。\n\n## 使用方法\n\n### 波的传播\n\n参见 [study\u002Fpropagate.py](study\u002Fpropagate.py)\n\n![](..\u002Fmaster\u002Fimg\u002Fpropagate.png)\n\n### 透镜的优化与逆向设计\n\n参见 [study\u002Foptimize_lens.py](study\u002Foptimize_lens.py)\n\n![](..\u002Fmaster\u002Fimg\u002Finverse_design_lens.png)\n\n### 元音识别\n\n要使用配置文件 [study\u002Fexample.yml](study\u002Fexample.yml) 中指定的设置训练模型，请从仓库的顶层目录执行以下命令：\n```\npython .\u002Fstudy\u002Fvowel_train.py .\u002Fstudy\u002Fexample.yml\n```\n配置文件 [study\u002Fexample.yml](study\u002Fexample.yml) 中包含注释，说明了元音数据的处理方式、问题的物理设定以及训练过程的配置。\n\n训练过程中，优化进度将打印到屏幕上。每个 epoch 结束时，当前模型状态以及所有先前 epoch 和交叉验证折（cross validation folds）的模型状态与性能历史将被保存到文件中。\n\n**警告**：根据批次大小（batch size）、窗口长度（window length）和元音数据的采样率（sample rate）（这些均在 YAML 配置文件中指定），梯度计算可能需要大量内存。建议从较小的批次大小开始，根据机器的承受能力逐步增加。\n\n#### 元音识别结果汇总\n\n可通过以下命令生成先前保存到磁盘的训练模型的摘要：\n```\npython .\u002Fstudy\u002Fvowel_summary.py \u003CPATH_TO_MODEL>\n```\n\n![](..\u002Fmaster\u002Fimg\u002Fsummary.png)\n\n#### 在元音识别过程中显示场快照\n\n可通过以下命令生成随机选取的元音样本的标量场分布快照：\n```\npython .\u002Fstudy\u002Fvowel_analyze.py fields \u003CPATH_TO_MODEL> --times 1500 2500 3500 ...\n```\n\n![](..\u002Fmaster\u002Fimg\u002Ffields.png)\n\n#### 显示元音波形的短时傅里叶变换（STFT）\n\n可通过以下命令生成接收信号的短时傅里叶变换（Short-Time Fourier Transform, STFT）矩阵，其中行对应输入元音，列对应特定探针（与混淆矩阵的分布一致）：\n```\npython .\u002Fstudy\u002Fvowel_analyze.py stft \u003CPATH_TO_MODEL>\n```\n\n![](..\u002Fmaster\u002Fimg\u002Fstft.png)\n\n## 依赖项\n\n* `pytorch`\n* `scikit-learn`\n* `scikit-image`\n* `librosa`\n* `seaborn`\n* `matplotlib`\n* `numpy`\n* `yaml`\n* `pandas`","# wavetorch 快速上手指南\n\n## 环境准备\n\n**系统要求**  \n- Python 3.7 或更高版本  \n- 支持 CUDA 的 GPU（可选，用于加速训练）\n\n**前置依赖**  \nwavetorch 依赖以下 Python 包：\n- `pytorch`\n- `scikit-learn`\n- `scikit-image`\n- `librosa`\n- `seaborn`\n- `matplotlib`\n- `numpy`\n- `PyYAML`\n- `pandas`\n\n建议使用 Conda 或 pip 管理环境。若在国内，可使用清华源等镜像加速安装。\n\n## 安装步骤\n\n1. 克隆仓库：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Ftwhughes\u002Fwavetorch.git\ncd wavetorch\n```\n\n2. 安装依赖（推荐使用国内镜像加速）：\n```bash\n# 使用 pip + 清华源\npip install torch scikit-learn scikit-image librosa seaborn matplotlib numpy PyYAML pandas -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n> 注意：PyTorch 安装请根据你的 CUDA 版本前往 [https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取合适命令，国内用户也可通过清华源安装。\n\n3. （可选）将 wavetorch 添加为开发包（便于修改代码）：\n```bash\npip install -e .\n```\n\n## 基本使用\n\n### 示例：训练元音识别模型\n\n1. 使用示例配置文件训练模型：\n```bash\npython .\u002Fstudy\u002Fvowel_train.py .\u002Fstudy\u002Fexample.yml\n```\n\n该命令将基于 `example.yml` 中定义的数据处理、物理参数和训练设置进行训练。训练过程中会自动保存模型状态。\n\n2. 查看训练结果摘要：\n```bash\npython .\u002Fstudy\u002Fvowel_summary.py \u003CPATH_TO_MODEL>\n```\n\n3. 可视化波场快照（例如在时间步 1500、2500、3500）：\n```bash\npython .\u002Fstudy\u002Fvowel_analyze.py fields \u003CPATH_TO_MODEL> --times 1500 2500 3500\n```\n\n> **提示**：首次运行建议减小 `example.yml` 中的 `batch_size` 和 `window_length`，以避免显存不足。","某高校声学实验室的研究团队正在开发一种基于物理结构的语音识别系统，希望通过训练特定材料分布来直接对原始声波进行分类，而无需传统数字信号处理流程。\n\n### 没有 wavetorch 时\n- 需要手动编写有限差分代码求解波动方程，代码复杂且难以调试，容易引入数值误差。\n- 若想优化材料分布以提升分类准确率，必须另行推导伴随场（adjoint field）并实现梯度反传逻辑，开发周期长。\n- 无法与 PyTorch 生态无缝集成，难以利用现有深度学习训练框架和优化器。\n- 每次修改物理参数（如边界条件、源位置）都要重写核心仿真逻辑，灵活性差。\n- 声波传播与分类任务割裂，需先仿真再后处理数据，流程繁琐且信息损失大。\n\n### 使用 wavetorch 后\n- 直接调用 `WaveRNN` 等模块即可在时间域精确模拟声波在非均匀介质中的传播，代码简洁可靠。\n- 利用 PyTorch 自动微分机制，材料参数的梯度可自动计算，轻松实现端到端的逆向设计与优化。\n- 完全兼容 PyTorch，可直接使用 `nn.Module`、优化器和数据加载器，训练流程标准化。\n- 通过配置 `WaveGeometry` 和 `WaveProbe`，灵活调整物理域结构和观测点，快速迭代实验设计。\n- 声波传播过程本身成为可训练的“物理神经网络”，原始音频输入直接输出分类结果，端到端性能更优。\n\nwavetorch 将波动物理仿真与深度学习训练统一在一个可微框架中，让研究人员能像搭积木一样构建并优化基于真实波动物理的智能系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ffancompute_wavetorch_18c2e752.png","fancompute","Fan Group","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ffancompute_18dedcfe.png","Shanhui Fan's group at Stanford University",null,"fancompute@gmail.com","http:\u002F\u002Fwww.stanford.edu\u002Fgroup\u002Ffan\u002F","https:\u002F\u002Fgithub.com\u002Ffancompute",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",98.2,{"name":89,"color":90,"percentage":91},"Shell","#89e051",1.8,541,87,"2026-03-30T11:21:22","MIT","Linux, macOS, Windows","未说明",{"notes":99,"python":97,"dependencies":100},"训练时梯度计算可能占用大量内存，建议从小批量开始逐步增加；需从外部网站下载元音数据集用于训练。",[101,102,103,104,105,106,107,108,109],"pytorch","scikit-learn","scikit-image","librosa","seaborn","matplotlib","numpy","yaml","pandas",[13],[112,113,114,115,116,117,101],"wave-equation","differential-equations","time-series","vowel-recognition","recurrent-neural-network","rnn",4,"2026-03-27T02:49:30.150509","2026-04-06T05:17:32.861104",[122,127,132,137],{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},235,"该系统中的波速与网格尺寸和时间步长有什么关系？","论文中使用的是“归一化”的波速。虽然可以将其转换为 dx\u002Fdt 的单位，但由于 dx 和 dt 的选择具有一定任意性，这种转换的实际意义有限。研究中两种材料的相对波速是根据空气和聚合物的物理特性设定的（见论文引用）。此外，论文中的模拟是二维的，因此很难直接3D打印出图中所示的确切设计。在进行此类模拟时，需确保 dx、dy 和 dt 满足 CFL 稳定性条件（Courant–Friedrichs–Lewy 条件）。你也可以使用材料的真实波速（例如空气中 c = 331.0 m\u002Fs）并选择合适的 dx 和 dt 进行训练。","https:\u002F\u002Fgithub.com\u002Ffancompute\u002Fwavetorch\u002Fissues\u002F8",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},236,"运行 vowel_train.py 时出现 KeyError: 'blur_radius' 错误怎么办？","该问题已在提交 927ad02dc9db83f72b8df1d91418a6681e60fd56 中修复。请确保你使用的是最新版本的代码，或者检查配置文件 example.yml 中是否包含 geom.blur_radius 字段。","https:\u002F\u002Fgithub.com\u002Ffancompute\u002Fwavetorch\u002Fissues\u002F7",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},237,"是否有将该方法生成的设计实际制造出来的案例？","作者团队正在从多个方向推进该项目，包括开发某种形式的硬件原型，但截至 Issue 关闭时尚未公开具体成果。建议关注项目后续更新以获取制造进展。","https:\u002F\u002Fgithub.com\u002Ffancompute\u002Fwavetorch\u002Fissues\u002F6",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},238,"如何为不同的波动物理机制实现新的 WaveCell 子类？","从 v0.2 版本开始，通过重构代码，现在可以通过继承 WaveCell 类来轻松实现针对不同波动物理机制的自定义 RNN 单元。","https:\u002F\u002Fgithub.com\u002Ffancompute\u002Fwavetorch\u002Fissues\u002F3",[143,146,149],{"id":144,"version":145,"summary_zh":79,"released_at":79},99911,"v0.2.1",{"id":147,"version":148,"summary_zh":79,"released_at":79},99912,"v0.2",{"id":150,"version":151,"summary_zh":79,"released_at":79},99913,"v0.1"]