[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-mblondel--soft-dtw":3,"tool-mblondel--soft-dtw":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":80,"owner_email":81,"owner_twitter":82,"owner_website":83,"owner_url":84,"languages":85,"stars":94,"forks":95,"last_commit_at":96,"license":97,"difficulty_score":10,"env_os":98,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":108,"github_topics":109,"view_count":10,"oss_zip_url":81,"oss_zip_packed_at":81,"status":16,"created_at":114,"updated_at":115,"faqs":116,"releases":147},425,"mblondel\u002Fsoft-dtw","soft-dtw","Python implementation of soft-DTW.","soft-dtw 是一个用于时间序列分析的 Python 开源库，实现了可微分的 soft-DTW 算法。传统动态时间规整（DTW）能衡量两条长度不同的时间序列之间的相似性，但因其使用“最小值”操作而不可导，难以直接用于神经网络训练。soft-dTW 通过引入“软最小值”替代硬最小值，在保留 DTW 核心思想的同时，使整个计算过程处处可导，并能高效地计算梯度。这使得 soft-dtw 可作为损失函数，用于端到端训练预测时间序列的深度学习模型，也适用于时间序列聚类或平均（如计算 barycenter）。  \n\n该工具采用 Cython 加速核心计算，支持与 Chainer 框架集成，并提供 UCR 时间序列数据集加载功能。主要面向从事时间序列建模的研究人员和开发者，尤其适合需要将对齐度量嵌入可微分流程的机器学习任务。用户需具备基本的 Python 和数值计算背景，适合在科研或算法开发中使用。",".. -*- mode: rst -*-\n\nsoft-DTW\n=========\n\nPython implementation of soft-DTW.\n\nWhat is it?\n-----------\n\nThe celebrated dynamic time warping (DTW) [1] defines the discrepancy between\ntwo time series, of possibly variable length, as their minimal alignment cost.\nAlthough the number of possible alignments is exponential in the length of the\ntwo time series, [1] showed that DTW can be computed in only quadractic time\nusing dynamic programming.\n\nSoft-DTW [2] proposes to replace this minimum by a soft minimum. Like the\noriginal DTW, soft-DTW can be computed in quadratic time using dynamic\nprogramming. However, the main advantage of soft-DTW stems from the fact that\nit is differentiable everywhere and that its gradient can also be computed in\nquadratic time. This enables to use soft-DTW for time series averaging or as a\nloss function, between a ground-truth time series and a time series predicted\nby a neural network, trained end-to-end using backpropagation.\n\nSupported features\n------------------\n\n* soft-DTW (forward pass) and gradient (backward pass) computations,\n  implemented in Cython for speed\n* barycenters (time series averaging)\n* dataset loader for the `UCR archive \u003Chttp:\u002F\u002Fwww.cs.ucr.edu\u002F~eamonn\u002Ftime_series_data\u002F>`_\n* `Chainer \u003Chttp:\u002F\u002Fchainer.org>`_ function \n\nExample\n--------\n\n.. code-block:: python\n\n    from sdtw import SoftDTW\n    from sdtw.distance import SquaredEuclidean\n\n    # Time series 1: numpy array, shape = [m, d] where m = length and d = dim\n    X = ...\n    # Time series 2: numpy array, shape = [n, d] where n = length and d = dim\n    Y = ...\n\n    # D can also be an arbitrary distance matrix: numpy array, shape [m, n]\n    D = SquaredEuclidean(X, Y)\n    sdtw = SoftDTW(D, gamma=1.0)\n    # soft-DTW discrepancy, approaches DTW as gamma -> 0\n    value = sdtw.compute()\n    # gradient w.r.t. D, shape = [m, n], which is also the expected alignment matrix\n    E = sdtw.grad()\n    # gradient w.r.t. X, shape = [m, d]\n    G = D.jacobian_product(E)\n\nInstallation\n------------\n\nBinary packages are not available.\n\nThis project can be installed from its git repository. It is assumed that you\nhave a working C compiler.\n\n1. Obtain the sources by::\n\n    git clone https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw.git\n\nor, if `git` is unavailable, `download as a ZIP from GitHub \u003Chttps:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Farchive\u002Fmaster.zip>`_.\n\n\n2. Install the dependencies::\n\n    # via pip\n\n    pip install numpy scipy scikit-learn cython nose\n\n\n    # via conda\n\n    conda install numpy scipy scikit-learn cython nose\n\n\n3. Build and install soft-dtw::\n\n    cd soft-dtw\n    make cython\n    python setup.py build\n    sudo python setup.py install\n\n\nReferences\n----------\n\n.. [1] Hiroaki Sakoe, Seibi Chiba.\n       *Dynamic programming algorithm optimization for spoken word recognition.*\n       In: IEEE Trans. on Acoustics, Speech, and Sig. Proc, 1978.\n\n.. [2] Marco Cuturi, Mathieu Blondel.\n       *Soft-DTW: a Differentiable Loss Function for Time-Series.*\n       In: Proc. of ICML 2017.\n       [`PDF \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1703.01541>`_]\n\nAuthor\n------\n\n- Mathieu Blondel, 2017\n",".. -*- mode: rst -*-\n\nsoft-DTW\n========\n\nsoft-DTW 的 Python 实现。\n\n这是什么？\n---------\n\n著名的动态时间规整（Dynamic Time Warping, DTW）[1] 将两个可能长度不同的时间序列之间的差异定义为它们的最小对齐代价。尽管可能的对齐方式数量随两个时间序列长度呈指数增长，但 [1] 表明 DTW 可以通过动态规划在仅二次方时间内计算完成。\n\nSoft-DTW [2] 提出将该最小值替换为软最小值（soft minimum）。与原始 DTW 一样，soft-DTW 也可以使用动态规划在二次方时间内计算。然而，soft-DTW 的主要优势在于它处处可微，并且其梯度也可以在二次方时间内计算。这使得 soft-DTW 可用于时间序列平均，或作为损失函数——例如在神经网络端到端训练中，用于衡量真实时间序列与网络预测时间序列之间的差异，并通过反向传播（backpropagation）进行优化。\n\n支持的功能\n----------\n\n* soft-DTW（前向计算）及其梯度（反向计算），使用 Cython 实现以提升速度  \n* 时间序列重心（barycenters，即时间序列平均）  \n* 支持加载 `UCR archive \u003Chttp:\u002F\u002Fwww.cs.ucr.edu\u002F~eamonn\u002Ftime_series_data\u002F>`_ 数据集  \n* `Chainer \u003Chttp:\u002F\u002Fchainer.org>`_ 函数  \n\n示例\n----\n\n.. code-block:: python\n\n    from sdtw import SoftDTW\n    from sdtw.distance import SquaredEuclidean\n\n    # 时间序列 1：numpy 数组，形状为 [m, d]，其中 m 为长度，d 为维度\n    X = ...\n    # 时间序列 2：numpy 数组，形状为 [n, d]，其中 n 为长度，d 为维度\n    Y = ...\n\n    # D 也可以是任意距离矩阵：numpy 数组，形状为 [m, n]\n    D = SquaredEuclidean(X, Y)\n    sdtw = SoftDTW(D, gamma=1.0)\n    # soft-DTW 差异值，当 gamma -> 0 时趋近于 DTW\n    value = sdtw.compute()\n    # 对 D 的梯度，形状为 [m, n]，同时也是期望的对齐矩阵\n    E = sdtw.grad()\n    # 对 X 的梯度，形状为 [m, d]\n    G = D.jacobian_product(E)\n\n安装\n----\n\n目前没有提供二进制包。\n\n本项目需从其 Git 仓库安装。假设你已有一个可用的 C 编译器。\n\n1. 获取源代码::\n\n    git clone https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw.git\n\n或者，如果未安装 `git`，可从 GitHub `下载 ZIP 文件 \u003Chttps:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Farchive\u002Fmaster.zip>`_。\n\n2. 安装依赖项::\n\n    # 通过 pip\n\n    pip install numpy scipy scikit-learn cython nose\n\n\n    # 通过 conda\n\n    conda install numpy scipy scikit-learn cython nose\n\n\n3. 构建并安装 soft-dtw::\n\n    cd soft-dtw\n    make cython\n    python setup.py build\n    sudo python setup.py install\n\n\n参考文献\n--------\n\n.. [1] Hiroaki Sakoe, Seibi Chiba.  \n       *Dynamic programming algorithm optimization for spoken word recognition.*  \n       In: IEEE Trans. on Acoustics, Speech, and Sig. Proc, 1978.\n\n.. [2] Marco Cuturi, Mathieu Blondel.  \n       *Soft-DTW: a Differentiable Loss Function for Time-Series.*  \n       In: Proc. of ICML 2017.  \n       [`PDF \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1703.01541>`_]\n\n作者\n----\n\n- Mathieu Blondel, 2017","# soft-dtw 快速上手指南\n\n## 环境准备\n\n- **系统要求**：支持 Linux、macOS 或 Windows（需能编译 C\u002FC++ 代码）\n- **前置依赖**：\n  - Python 3.x\n  - C 编译器（如 GCC 或 MSVC）\n  - 以下 Python 包：`numpy`、`scipy`、`scikit-learn`、`cython`、`nose`\n\n> 💡 建议使用国内镜像源加速安装，例如清华源：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy scikit-learn cython nose\n> ```\n\n## 安装步骤\n\n1. 克隆仓库（或[下载 ZIP](https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Farchive\u002Fmaster.zip)）：\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw.git\n   ```\n\n2. 安装 Python 依赖（推荐使用国内源）：\n   ```bash\n   pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple numpy scipy scikit-learn cython nose\n   ```\n\n3. 编译并安装 soft-dtw：\n   ```bash\n   cd soft-dtw\n   make cython\n   python setup.py build\n   sudo python setup.py install  # Windows 用户可省略 sudo\n   ```\n\n## 基本使用\n\n以下是最简单的使用示例，计算两个时间序列之间的 soft-DTW 差异及其梯度：\n\n```python\nfrom sdtw import SoftDTW\nfrom sdtw.distance import SquaredEuclidean\nimport numpy as np\n\n# 定义两个时间序列：X 形状为 [m, d]，Y 形状为 [n, d]\nX = np.random.randn(10, 3)  # 长度 10，维度 3\nY = np.random.randn(15, 3)  # 长度 15，维度 3\n\n# 构建平方欧氏距离矩阵\nD = SquaredEuclidean(X, Y)\n\n# 创建 soft-DTW 实例（gamma 控制“软”程度，越小越接近标准 DTW）\nsdtw = SoftDTW(D, gamma=1.0)\n\n# 计算 soft-DTW 值\nvalue = sdtw.compute()\nprint(\"soft-DTW 值:\", value)\n\n# 计算对距离矩阵 D 的梯度（即期望对齐矩阵）\nE = sdtw.grad()\n\n# 计算对原始序列 X 的梯度\nG = D.jacobian_product(E)\nprint(\"X 的梯度形状:\", G.shape)\n```","某智能穿戴设备公司正在开发一款基于深度学习的异常步态识别系统，需要训练神经网络模型来预测用户行走时的三维加速度时间序列，并与标准步态模板进行比对。\n\n### 没有 soft-dtw 时\n- 使用传统 DTW 作为评估指标，但因其不可导，无法直接作为损失函数嵌入端到端训练流程。\n- 只能采用间接策略（如先用 MSE 训练再用 DTW 评估），导致模型优化目标与实际性能指标不一致。\n- 时间序列长度不一（如不同步频），MSE 等固定对齐损失难以准确衡量相似性。\n- 需手动设计后处理对齐逻辑，增加工程复杂度且难以并行化。\n- 无法高效计算时间序列的可微平均（barycenter），影响聚类或模板生成效果。\n\n### 使用 soft-dtw 后\n- 将 soft-dtw 直接设为损失函数，利用其可微性实现神经网络端到端训练，优化目标与评估指标一致。\n- 自动处理变长时间序列对齐，通过软最小化机制平滑捕捉步态节奏差异。\n- 利用内置的梯度计算功能，快速反向传播误差，提升训练稳定性和收敛速度。\n- 借助 Cython 加速实现，在大规模传感器数据上仍保持高效计算。\n- 可直接调用 barycenter 功能生成个性化步态模板，用于后续异常检测或用户分群。\n\nsoft-dtw 将原本仅用于评估的时间序列对齐方法转变为可学习的组件，打通了深度学习与动态时间规整之间的关键断点。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmblondel_soft-dtw_305aea19.png","mblondel","Mathieu Blondel","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmblondel_3aee9fb2.jpg","Research scientist","Google DeepMind","Paris, France",null,"mblondel_ml","http:\u002F\u002Fwww.mblondel.org","https:\u002F\u002Fgithub.com\u002Fmblondel",[86,90],{"name":87,"color":88,"percentage":89},"Python","#3572A5",97.2,{"name":91,"color":92,"percentage":93},"Makefile","#427819",2.8,588,100,"2026-03-31T20:18:10","BSD-2-Clause","Linux, macOS, Windows","未说明",{"notes":101,"python":99,"dependencies":102},"需要安装 C 编译器；需通过源码安装，不提供二进制包；支持 Chainer 框架集成；包含 UCR 时间序列数据集加载器",[103,104,105,106,107],"numpy","scipy","scikit-learn","cython","nose",[13,54],[110,111,112,113,67],"time-series","dtw","dynamic-time-warping","neural-networks","2026-03-27T02:49:30.150509","2026-04-06T07:05:47.713482",[117,122,127,132,137,142],{"id":118,"question_zh":119,"answer_zh":120,"source_url":121},1618,"Soft-DTW 的结果为什么可能是负数？","Soft-DTW 返回的是一个概率模型（条件随机场）的对数配分函数值，类似于对数似然，因此可以为负数。如果你需要非负的结果，可以参考 @marcocuturi 在 Issue #10 中提出的去偏\u002F归一化方法。","https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Fissues\u002F5",{"id":123,"question_zh":124,"answer_zh":125,"source_url":126},1619,"如何将 Soft-DTW 用作深度学习框架（如 TensorFlow、Keras）中的损失函数？","目前官方不支持 TensorFlow。但社区提供了 PyTorch 实现（例如 https:\u002F\u002Fgithub.com\u002Flyprince\u002Fsdtw_pytorch\u002Fblob\u002Fmaster\u002Fsdtw.py）。对于 TensorFlow 1.15，可尝试使用 tf.custom_gradient 或通过自定义 C++ Op 实现（参考 https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Fextend\u002Fop）。","https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Fissues\u002F8",{"id":128,"question_zh":129,"answer_zh":130,"source_url":131},1620,"安装后出现 ImportError: No module named soft_dtw_fast 怎么办？","这通常是因为 Cython 扩展未正确编译或安装路径问题。建议在项目根目录运行 make（会 inplace 编译），并确保已将项目目录加入 PYTHONPATH。若使用 python setup.py install 安装，一般无需手动设置 PYTHONPATH；Anaconda 用户可能需注意包安装位置。","https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Fissues\u002F3",{"id":133,"question_zh":134,"answer_zh":135,"source_url":136},1621,"Soft-DTW 是否支持 TensorFlow？","截至该 Issue 关闭时，TensorFlow 尚未被官方支持。维护者明确表示“Tensorflow is not supported at the moment.”，建议使用 PyTorch 社区实现替代。","https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Fissues\u002F13",{"id":138,"question_zh":139,"answer_zh":140,"source_url":141},1622,"Soft-DTW 论文中公式 (2.5) 和算法 2 中矩阵的维度如何理解？","Δ 函数将形状为 p×n 的时间序列 x 映射为 n×m 的距离矩阵，其雅可比矩阵是一个从 p×n 到 n×m 的线性映射，其转置则将 n×m 的矩阵（如 B）映射回 p×n 的梯度。更详细的解释见作者新论文（arXiv:2010.08354）附录 B.2，其中时间序列形状记为 n×d。","https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Fissues\u002F24",{"id":143,"question_zh":144,"answer_zh":145,"source_url":146},1623,"如何在神经网络中使用 Soft-DTW 损失函数处理 mini-batch 数据？","需为 batch 中每对时间序列单独计算 Soft-DTW。theta 参数应为单对时间序列之间的距离矩阵（形状 m×n），而非整个 batch 的距离矩阵。可结合 dtaidistance 等库计算 pairwise 距离，但需注意其 distance_matrix_fast 输出的是 (n,n) 矩阵，适用于同一批内所有序列两两比较，而 Soft-DTW 损失通常用于预测序列与目标序列一一对应的情况。","https:\u002F\u002Fgithub.com\u002Fmblondel\u002Fsoft-dtw\u002Fissues\u002F17",[]]