[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-mlech26l--ncps":3,"similar-mlech26l--ncps":92},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":19,"owner_email":18,"owner_twitter":14,"owner_website":20,"owner_url":21,"languages":22,"stars":27,"forks":28,"last_commit_at":29,"license":30,"difficulty_score":31,"env_os":32,"env_gpu":33,"env_ram":33,"env_deps":34,"category_tags":40,"github_topics":42,"view_count":47,"oss_zip_url":18,"oss_zip_packed_at":18,"status":48,"created_at":49,"updated_at":50,"faqs":51,"releases":81},3828,"mlech26l\u002Fncps","ncps","PyTorch and TensorFlow implementation of NCP, LTC, and CfC wired neural models","ncps 是一个专为 PyTorch 和 TensorFlow 设计的开源库，旨在让开发者轻松构建和使用神经回路策略（NCP）、液体时间常数（LTC）及闭式连续时间（CfC）神经网络。它主要解决了传统循环神经网络在处理不规则采样时间序列数据时效率低下、可解释性差以及难以模拟生物神经系统动态特性的难题。\n\n该工具特别适合人工智能研究人员、算法工程师以及对仿生计算感兴趣的开发者使用。无论是需要处理自动驾驶感知、机器人控制，还是分析复杂的医疗时序数据，ncps 都能提供高效的解决方案。\n\n其核心技术亮点在于灵感源自线虫（C. elegans）神经系统的稀疏连接结构。与 LSTM 或 GRU 等全连接网络不同，ncps 允许用户定义特定的“布线图”（Wiring），从而创造出更轻量、更具因果可解释性的模型。此外，它原生支持连续时间建模，能够直接处理非均匀时间间隔的数据，无需繁琐的预处理插值。通过简洁的 API，用户可以快速将 NCP 单元像普通 Keras 层或 PyTorch 模块一样集成到现有架构中，大幅降低了前沿神经形态算法的应用门槛。","\u003Cdiv align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmlech26l_ncps_readme_42b2581ad80e.png\" width=\"800\"\u002F>\u003C\u002Fdiv>\n\n# Neural Circuit Policies (for PyTorch and TensorFlow)\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F290199641.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F290199641)\n![ci_badge](https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps\u002Factions\u002Fworkflows\u002Fpython-test.yml\u002Fbadge.svg) \n![pyversion](misc\u002Fpybadge.svg)\n![PyPI version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fncps)\n![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmlech26l_ncps_readme_6bf48b3e9a6d.png)\n![downloads](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fncps)\n\n## 📜 Papers\n\n[Neural Circuit Policies Enabling Auditable Autonomy (Open Access)](https:\u002F\u002Fpublik.tuwien.ac.at\u002Ffiles\u002Fpublik_292280.pdf).  \n[Closed-form continuous-time neural networks (Open Access)](https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs42256-022-00556-7)\n\nNeural Circuit Policies (NCPs) are designed sparse recurrent neural networks loosely inspired by the nervous system of the organism [C. elegans](http:\u002F\u002Fwww.wormbook.org\u002Fchapters\u002Fwww_celegansintro\u002Fcelegansintro.html). \nThe goal of this package is to making working with NCPs in PyTorch and keras as easy as possible.\n\n[📖 Docs](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)\n\n```python\nimport torch\nfrom ncps.torch import CfC\n\nrnn = CfC(20,50) # (input, hidden units)\nx = torch.randn(2, 3, 20) # (batch, time, features)\nh0 = torch.zeros(2,50) # (batch, units)\noutput, hn = rnn(x,h0)\n```\n\n\n## Installation\n\n```bash\npip install ncps\n```\n\n## 🔖 Colab Notebooks\n\nWe have created a few Google Colab notebooks for an interactive introduction to the package\n\n- [Google Colab (Pytorch) Basic usage](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1VWoGcpyqGvrUOUzH7ccppE__m-n1cAiI?usp=sharing)\n- [Google Colab (Tensorflow): Basic usage](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1IvVXVSC7zZPo5w-PfL3mk1MC3PIPw7Vs?usp=sharing)\n- [Google Colab (Tensorflow): Processing irregularly sampled time-series](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1wBojTMMMVWl2WbF6hASbST1-XhK_xs5u?usp=sharing)\n- [Google Colab (Tensorflow) Stacking NCPs with other layers](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1-mZunxqVkfZVBXNPG0kTSKUNQUSdZiBI?usp=sharing)\n\n## End-to-end Examples\n\n- [Quickstart (torch and tf)](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fquickstart.html)\n- [Atari Behavior Cloning (torch and tf)](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fexamples\u002Fatari_bc.html)\n- [Atari Reinforcement Learning (tf)](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fexamples\u002Fatari_ppo.html)\n\n## Usage: Models and Wirings\n\nThe package provides two models, the liquid time-constant (LTC) and the closed-form continuous-time (CfC) models.\nBoth models are available as ```tf.keras.layers.Layer``` or ```torch.nn.Module``` RNN layers.\n\n```python\nfrom ncps.torch import CfC, LTC\n\ninput_size = 20\nunits = 28 # 28 neurons\nrnn = CfC(input_size, units)\nrnn = LTC(input_size, units)\n```\n\nThe RNNs defined above consider fully-connected layers, i.e., as in LSTM, GRUs, and other RNNs.\nThe distinctiveness of NCPs is their structured wiring diagram. \nTo combine the LTC or CfC model with a \n\n```python\nfrom ncps.torch import CfC, LTC\nfrom ncps.wirings import AutoNCP\n\nwiring = AutoNCP(28, 4) # 28 neurons, 4 outputs\ninput_size = 20\nrnn = CfC(input_size, wiring)\nrnn = LTC(input_size, wiring)\n```\n\n![alt](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmlech26l_ncps_readme_4fd52012730d.png)\n\n## Tensorflow\n\nThe Tensorflow bindings are available via the ```ncps.tf``` module.\n\n```python\nfrom ncps.tf import CfC, LTC\nfrom ncps.wirings import AutoNCP\n\nunits = 28\nwiring = AutoNCP(28, 4) # 28 neurons, 4 outputs\ninput_size = 20\nrnn1 = LTC(units) # fully-connected LTC\nrnn2 = CfC(units) # fully-connected CfC\nrnn3 = LTC(wiring) # NCP wired LTC\nrnn4 = CfC(wiring) # NCP wired CfC\n```\n\nWe can then combine the NCP cell with arbitrary ```tf.keras.layers```, for instance to build a powerful image sequence classifier:\n\n```python\nfrom ncps.wirings import AutoNCP\nfrom ncps.tf import LTC\nimport tensorflow as tf\nheight, width, channels = (78, 200, 3)\n\nncp = LTC(AutoNCP(32, output_size=8), return_sequences=True)\n\nmodel = tf.keras.models.Sequential(\n    [\n        tf.keras.layers.InputLayer(input_shape=(None, height, width, channels)),\n        tf.keras.layers.TimeDistributed(\n            tf.keras.layers.Conv2D(32, (5, 5), activation=\"relu\")\n        ),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.MaxPool2D()),\n        tf.keras.layers.TimeDistributed(\n            tf.keras.layers.Conv2D(64, (5, 5), activation=\"relu\")\n        ),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.MaxPool2D()),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.Flatten()),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.Dense(32, activation=\"relu\")),\n        ncp,\n        tf.keras.layers.TimeDistributed(tf.keras.layers.Activation(\"softmax\")),\n    ]\n)\nmodel.compile(\n    optimizer=tf.keras.optimizers.Adam(0.01),\n    loss='sparse_categorical_crossentropy',\n)\n```\n\n```bib\n@article{lechner2020neural,\n  title={Neural circuit policies enabling auditable autonomy},\n  author={Lechner, Mathias and Hasani, Ramin and Amini, Alexander and Henzinger, Thomas A and Rus, Daniela and Grosu, Radu},\n  journal={Nature Machine Intelligence},\n  volume={2},\n  number={10},\n  pages={642--652},\n  year={2020},\n  publisher={Nature Publishing Group}\n}\n```\n","\u003Cdiv align=\"center\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmlech26l_ncps_readme_42b2581ad80e.png\" width=\"800\"\u002F>\u003C\u002Fdiv>\n\n# 神经回路策略（适用于 PyTorch 和 TensorFlow）\n\n[![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F290199641.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F290199641)\n![ci_badge](https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps\u002Factions\u002Fworkflows\u002Fpython-test.yml\u002Fbadge.svg) \n![pyversion](misc\u002Fpybadge.svg)\n![PyPI version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fncps)\n![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmlech26l_ncps_readme_6bf48b3e9a6d.png)\n![downloads](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fncps)\n\n## 📜 论文\n\n[神经回路策略：实现可审计的自主性（开放获取）](https:\u002F\u002Fpublik.tuwien.ac.at\u002Ffiles\u002Fpublik_292280.pdf)。  \n[闭式连续时间神经网络（开放获取）](https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs42256-022-00556-7)\n\n神经回路策略（NCPs）是一种受线虫[C. elegans](http:\u002F\u002Fwww.wormbook.org\u002Fchapters\u002Fwww_celegansintro\u002Fcelegansintro.html)神经系统启发的稀疏循环神经网络。  \n本库的目标是尽可能简化在 PyTorch 和 Keras 中使用 NCPs 的过程。\n\n[📖 文档](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Findex.html)\n\n```python\nimport torch\nfrom ncps.torch import CfC\n\nrnn = CfC(20,50) # (输入, 隐藏单元数)\nx = torch.randn(2, 3, 20) # (批次, 时间, 特征)\nh0 = torch.zeros(2,50) # (批次, 单元数)\noutput, hn = rnn(x,h0)\n```\n\n\n## 安装\n\n```bash\npip install ncps\n```\n\n## 🔖 Colab 笔记本\n\n我们创建了一些 Google Colab 笔记本，用于交互式地介绍该库：\n\n- [Google Colab (Pytorch) 基本用法](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1VWoGcpyqGvrUOUzH7ccppE__m-n1cAiI?usp=sharing)\n- [Google Colab (Tensorflow): 基本用法](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1IvVXVSC7zZPo5w-PfL3mk1MC3PIPw7Vs?usp=sharing)\n- [Google Colab (Tensorflow): 处理不规则采样时间序列](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1wBojTMMMVWl2WbF6hASbST1-XhK_xs5u?usp=sharing)\n- [Google Colab (Tensorflow) 将 NCPs 与其他层堆叠](https:\u002F\u002Fcolab.research.google.com\u002Fdrive\u002F1-mZunxqVkfZVBXNPG0kTSKUNQUSdZiBI?usp=sharing)\n\n## 端到端示例\n\n- [快速入门 (torch 和 tf)](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fquickstart.html)\n- [Atari 行为克隆 (torch 和 tf)](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fexamples\u002Fatari_bc.html)\n- [Atari 强化学习 (tf)](https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fexamples\u002Fatari_ppo.html)\n\n## 使用：模型与连接方式\n\n该库提供了两种模型：液态时间常数（LTC）模型和闭式连续时间（CfC）模型。  \n这两种模型都可以作为 ```tf.keras.layers.Layer``` 或 ```torch.nn.Module``` 循环神经网络层使用。\n\n```python\nfrom ncps.torch import CfC, LTC\n\ninput_size = 20\nunits = 28 # 28个神经元\nrnn = CfC(input_size, units)\nrnn = LTC(input_size, units)\n```\n\n上述定义的 RNN 考虑的是全连接层，即类似于 LSTM、GRU 等其他 RNN。  \nNCPs 的独特之处在于其结构化的连接方式。  \n要将 LTC 或 CfC 模型与一个\n\n```python\nfrom ncps.torch import CfC, LTC\nfrom ncps.wirings import AutoNCP\n\nwiring = AutoNCP(28, 4) # 28个神经元，4个输出\ninput_size = 20\nrnn = CfC(input_size, wiring)\nrnn = LTC(input_size, wiring)\n```\n\n![alt](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmlech26l_ncps_readme_4fd52012730d.png)\n\n## Tensorflow\n\nTensorFlow 绑定可通过 ```ncps.tf``` 模块获得。\n\n```python\nfrom ncps.tf import CfC, LTC\nfrom ncps.wirings import AutoNCP\n\nunits = 28\nwiring = AutoNCP(28, 4) # 28个神经元，4个输出\ninput_size = 20\nrnn1 = LTC(units) # 全连接的 LTC\nrnn2 = CfC(units) # 全连接的 CfC\nrnn3 = LTC(wiring) # 连接方式为 NCP 的 LTC\nrnn4 = CfC(wiring) # 连接方式为 NCP 的 CfC\n```\n\n随后，我们可以将 NCP 单元与任意 ```tf.keras.layers``` 结合，例如构建一个强大的图像序列分类器：\n\n```python\nfrom ncps.wirings import AutoNCP\nfrom ncps.tf import LTC\nimport tensorflow as tf\nheight, width, channels = (78, 200, 3)\n\nncp = LTC(AutoNCP(32, output_size=8), return_sequences=True)\n\nmodel = tf.keras.models.Sequential(\n    [\n        tf.keras.layers.InputLayer(input_shape=(None, height, width, channels)),\n        tf.keras.layers.TimeDistributed(\n            tf.keras.layers.Conv2D(32, (5, 5), activation=\"relu\")\n        ),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.MaxPool2D()),\n        tf.keras.layers.TimeDistributed(\n            tf.keras.layers.Conv2D(64, (5, 5), activation=\"relu\")\n        ),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.MaxPool2D()),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.Flatten()),\n        tf.keras.layers.TimeDistributed(tf.keras.layers.Dense(32, activation=\"relu\")),\n        ncp,\n        tf.keras.layers.TimeDistributed(tf.keras.layers.Activation(\"softmax\")),\n    ]\n)\nmodel.compile(\n    optimizer=tf.keras.optimizers.Adam(0.01),\n    loss='sparse_categorical_crossentropy',\n)\n```\n\n```bib\n@article{lechner2020neural,\n  title={Neural circuit policies enabling auditable autonomy},\n  author={Lechner, Mathias and Hasani, Ramin and Amini, Alexander and Henzinger, Thomas A and Rus, Daniela and Grosu, Radu},\n  journal={Nature Machine Intelligence},\n  volume={2},\n  number={10},\n  pages={642--652},\n  year={2020},\n  publisher={Nature Publishing Group}\n}\n```","# NCPS 快速上手指南\n\nNeural Circuit Policies (NCP) 是一种受线虫神经系统启发的稀疏循环神经网络，专为处理连续时间序列数据设计。本库支持 PyTorch 和 TensorFlow (Keras)，旨在让开发者轻松构建可解释性强、高效的神经电路策略模型。\n\n## 环境准备\n\n- **操作系统**：Linux, macOS, Windows\n- **Python 版本**：3.7 及以上\n- **深度学习框架**（任选其一）：\n  - PyTorch >= 1.8\n  - TensorFlow >= 2.4 (包含 `tf.keras`)\n- **依赖管理**：建议使用 `pip` 或 `conda` 创建独立虚拟环境\n\n## 安装步骤\n\n使用 pip 直接安装最新稳定版：\n\n```bash\npip install ncps\n```\n\n> **提示**：国内用户若下载缓慢，可使用清华镜像源加速安装：\n> ```bash\n> pip install ncps -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n## 基本使用\n\nNCPS 提供了两种核心模型：**CfC** (Closed-form Continuous-time) 和 **LTC** (Liquid Time-constant)。你可以选择全连接模式，或结合特定的神经连接结构（Wiring）使用。\n\n### 1. PyTorch 示例\n\n最简单的用法是直接实例化 `CfC` 层并进行前向传播：\n\n```python\nimport torch\nfrom ncps.torch import CfC\n\n# 初始化模型：输入维度 20，隐藏单元 50\nrnn = CfC(20, 50) \n\n# 准备输入数据：(batch_size, time_steps, features)\nx = torch.randn(2, 3, 20) \n\n# 准备初始隐藏状态：(batch_size, units)\nh0 = torch.zeros(2, 50) \n\n# 前向传播\noutput, hn = rnn(x, h0)\n```\n\n**使用自定义神经连接结构 (NCP Wiring)：**\n\n```python\nfrom ncps.torch import CfC\nfrom ncps.wirings import AutoNCP\n\n# 定义连接结构：28 个神经元，4 个输出\nwiring = AutoNCP(28, 4) \ninput_size = 20\n\n# 将结构与模型结合\nrnn = CfC(input_size, wiring)\n```\n\n### 2. TensorFlow \u002F Keras 示例\n\n在 TensorFlow 中，用法类似，支持直接嵌入 `tf.keras` 模型序列中：\n\n```python\nfrom ncps.tf import CfC, LTC\nfrom ncps.wirings import AutoNCP\nimport tensorflow as tf\n\n# 定义连接结构\nwiring = AutoNCP(28, 4) \ninput_size = 20\n\n# 创建模型层\nrnn = CfC(wiring)\n\n# 构建一个简单的 Sequential 模型\nmodel = tf.keras.models.Sequential([\n    tf.keras.layers.InputLayer(input_shape=(None, input_size)),\n    rnn,\n    tf.keras.layers.Dense(4, activation=\"softmax\")\n])\n\nmodel.compile(optimizer='adam', loss='sparse_categorical_crossentropy')\n```\n\n更多高级用法（如处理不规则采样时间序列、结合卷积层等），请参考官方文档或 Google Colab 示例笔记。","某自动驾驶初创团队正在开发一套能在复杂城市路况下稳定运行的端到端驾驶策略模型，需处理摄像头采集的非均匀时间序列数据。\n\n### 没有 ncps 时\n- 传统 LSTM 或 GRU 模型参数量巨大，导致车载边缘设备推理延迟高，难以满足实时控制需求。\n- 面对传感器因遮挡或丢包产生的不规则时间间隔数据，标准 RNN 需要复杂的预处理插值，极易引入噪声干扰决策。\n- 深度神经网络如同“黑盒”，当车辆出现异常转向时，工程师无法追溯具体是哪些神经元连接导致了错误，安全审计极其困难。\n- 模型在长序列依赖任务中容易遗忘早期关键路况信息，导致在长路口导航时表现不稳定。\n\n### 使用 ncps 后\n- 利用 NCP 稀疏循环架构，模型参数量减少数个数量级，在同等算力下推理速度显著提升，完美适配车载芯片。\n- 内置的 LTC 和 CfC 模块原生支持连续时间建模，直接输入不规则采样数据即可精准捕捉动态变化，无需额外插值处理。\n- 受线虫神经系统启发的结构化布线图让网络内部逻辑清晰可见，团队可快速定位并修正导致异常行为的具体神经回路。\n- 独特的液体时间常数机制赋予模型极强的长程记忆能力，车辆在复杂立交桥行驶时的路径规划更加平滑连贯。\n\nncps 通过引入生物启发式的稀疏布线与连续时间机制，让自动驾驶模型在保持高精度的同时，实现了高效、可解释且对噪声鲁棒的边缘部署。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmlech26l_ncps_42b2581a.png","mlech26l","Mathias Lechner","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmlech26l_bd893c6a.jpg","Co-founder and CTO at Liquid AI",null,"Bay Area","https:\u002F\u002Fmlech26l.github.io\u002F","https:\u002F\u002Fgithub.com\u002Fmlech26l",[23],{"name":24,"color":25,"percentage":26},"Python","#3572A5",100,2302,369,"2026-04-05T10:00:52","Apache-2.0",1,"","未说明",{"notes":35,"python":33,"dependencies":36},"该工具同时支持 PyTorch (ncps.torch) 和 TensorFlow\u002FKeras (ncps.tf) 后端。核心模型包括液态时间常数 (LTC) 和闭式连续时间 (CfC) 网络，可配置为全连接层或使用特定的神经电路布线 (如 AutoNCP)。官方提供了 Google Colab 笔记本以便快速上手，未提及特殊的硬件加速强制要求，具体资源需求取决于所构建模型的规模及任务类型。",[37,38,39],"torch","tensorflow","keras",[41],"开发框架",[43,44,45,38,39,46],"ncp","recurrent-neural-network","nature-machine-intelligence","cfc",2,"ready","2026-03-27T02:49:30.150509","2026-04-06T05:32:15.043678",[52,57,62,67,72,76],{"id":53,"question_zh":54,"answer_zh":55,"source_url":56},17529,"使用 AutoNCP 方法时遇到 'WiredCfCCell' object has no attribute 'register_module' 错误怎么办？","这通常是因为在 PyTorch 代码中错误地导入了 TensorFlow 模块（例如使用了 `import ncps.tf`）。请检查您的导入语句，确保在使用 PyTorch 版本时没有混用 TensorFlow 的导入。如果问题依旧，请确认您使用的是正确版本的 TensorFlow（如果您确实打算使用 TF 版本）或完全切换到 PyTorch 实现。","https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps\u002Fissues\u002F38",{"id":58,"question_zh":59,"answer_zh":60,"source_url":61},17530,"将 wirings.FullyConnected 层与 nn.Linear 层堆叠后训练速度极慢或模型无法学习，如何解决？","首先，检查输入张量的形状是否正确。对于 LTC 网络，输入应为 `[batch_size, 序列长度，特征数]`（例如 `[batch_size, 1, 256]`），输出经过 `squeeze` 操作后应为 `[batch_size, action_dim]`。\n其次，LTC 单元的数量过少（如仅 8 个神经元）可能导致模型无法学习，建议尝试增加到 64 或 128 个神经元。\n最后，LTC 通常需要比前馈网络更高的学习率。在监督学习中 0.01 或 0.005 效果较好；而在强化学习（RL）中，虽然通常使用较小的学习率，但建议从 3e-3 到 3e-4 开始尝试。","https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps\u002Fissues\u002F29",{"id":63,"question_zh":64,"answer_zh":65,"source_url":66},17531,"如何将 NCP 模型转换为 TFLite 格式以部署到专用硬件？","可以直接对训练好的 NCP 模型进行 TFLite 转换，但在某些专用硬件工具链（如 GreenWaves GAP_SDK 的 nntool）中可能会遇到算子不支持的问题。\n解决方案包括：\n1. 尝试将多步模型（n_step）转换为单步模型（single-step）后再导出，这有时能解决推理一致性问题。\n2. 如果遇到 `nntool` 相关错误，这可能源于工具链本身对融合 LSTM 算子的支持限制，需参考特定硬件 SDK 的 issue（如 gap_sdk#255）寻找变通方案。\n注意：标准的 TFLite 转换脚本通常不会报错，但生成的模型可能在特定推理引擎中无法利用融合算子加速。","https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps\u002Fissues\u002F21",{"id":68,"question_zh":69,"answer_zh":70,"source_url":71},17532,"论文中提到的 deepdrone 代码仓库链接失效（404），在哪里可以找到代码？","该仓库（mit-drl\u002Fdeepdrone）曾因用于其他项目而暂时私有化。维护者曾表示会在几周内重新公开，但如果目前仍显示 404，说明代码尚未完全开放或已迁移。建议持续关注该 GitHub 组织下的动态，或直接联系作者询问最新的代码获取方式。","https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps\u002Fissues\u002F33",{"id":73,"question_zh":74,"answer_zh":75,"source_url":61},17533,"在强化学习（RL）任务中使用 LTC 作为 Actor 网络时无法收敛，有什么建议？","在 RL 任务中，如果 Q-Network 和 Actor 都使用 LTC 导致无法学习，可能是因为 LTC 对超参数更敏感。\n建议调整策略：\n1. 保持 Actor 为普通 ANN（前馈网络），仅将 Q-Network 替换为 LTC，这种混合架构在某些实验中表现更好。\n2. 如果必须全用 LTC，请显著调整学习率。LTC 通常需要比普通 ANN 更高的学习率，但在 RL 环境中需平衡稳定性，建议尝试 3e-3 至 3e-4 的范围，并增加 LTC 内部的神经元数量（如从 8 增至 64+）。",{"id":77,"question_zh":78,"answer_zh":79,"source_url":80},17534,"运行示例代码时出现 CUDNN 错误或 lz4 压缩警告，如何处理？","1. 关于 `lz4 not available` 警告：这会显著影响 RLlib 的性能。解决方法是运行 `pip install lz4` 安装该依赖库。\n2. 关于 `CUDNN_STATUS_NOT_SUPPORTED` 错误：这通常是由于 cuDNN 版本与当前 PyTorch\u002FCUDA 环境不兼容，或者输入尺寸导致的内部计划失败。尝试更新 PyTorch、CUDA 驱动，或在非 GPU 环境下测试以确认是否为显存\u002F算子兼容性问题。","https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps\u002Fissues\u002F64",[82,87],{"id":83,"version":84,"summary_zh":85,"released_at":86},107777,"v2.0.0","添加了实验性的 PyTorch 绑定","2021-02-01T15:20:12",{"id":88,"version":89,"summary_zh":90,"released_at":91},107778,"1.0.0","首个稳定版本","2020-08-25T12:01:26",[93,104,113,121,129,142],{"id":94,"name":95,"github_repo":96,"description_zh":97,"stars":98,"difficulty_score":99,"last_commit_at":100,"category_tags":101,"status":48},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",[41,102,103],"图像","Agent",{"id":105,"name":106,"github_repo":107,"description_zh":108,"stars":109,"difficulty_score":47,"last_commit_at":110,"category_tags":111,"status":48},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,"2026-04-05T11:33:21",[41,103,112],"语言模型",{"id":114,"name":115,"github_repo":116,"description_zh":117,"stars":118,"difficulty_score":47,"last_commit_at":119,"category_tags":120,"status":48},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",[41,102,103],{"id":122,"name":123,"github_repo":124,"description_zh":125,"stars":126,"difficulty_score":47,"last_commit_at":127,"category_tags":128,"status":48},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",[41,112],{"id":130,"name":131,"github_repo":132,"description_zh":133,"stars":134,"difficulty_score":47,"last_commit_at":135,"category_tags":136,"status":48},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",[102,137,138,139,103,140,112,41,141],"数据工具","视频","插件","其他","音频",{"id":143,"name":144,"github_repo":145,"description_zh":146,"stars":147,"difficulty_score":99,"last_commit_at":148,"category_tags":149,"status":48},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",[103,102,41,112,140]]