[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-raminmh--CfC":3,"tool-raminmh--CfC":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",147882,2,"2026-04-09T11:32:47",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108111,"2026-04-08T11:23:26",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":77,"owner_email":78,"owner_twitter":79,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":32,"env_os":99,"env_gpu":99,"env_ram":99,"env_deps":100,"category_tags":108,"github_topics":109,"view_count":32,"oss_zip_url":116,"oss_zip_packed_at":116,"status":17,"created_at":117,"updated_at":118,"faqs":119,"releases":150},5847,"raminmh\u002FCfC","CfC","Closed-form Continuous-time Neural Networks","CfC（Closed-form Continuous-time Neural Networks）是一种强大的连续时间序列神经网络模型，专为处理动态变化的时序数据而设计。它源自“液体神经网络”研究，旨在解决传统循环神经网络（RNN）在面对不规则采样数据或长序列依赖时，计算效率低且容易丢失信息的问题。\n\n与需要逐步迭代计算的常规模型不同，CfC 的核心亮点在于其拥有“闭式解”。这意味着它能通过数学公式直接计算出任意时间点的状态，无需模拟中间过程，从而在保持高预测精度的同时，大幅提升了推理速度和资源效率。这种特性使其特别适合处理如医疗监护信号、机器人控制指令等时间间隔不均匀的复杂场景。\n\nCfC 非常适合 AI 研究人员和深度学习开发者使用。项目官方提供了基于 TensorFlow 和 PyTorch 的完整实现代码，并包含了针对医疗数据（Physionet）、文本分类（IMDB）及机器人控制（Walker2d）等多个领域的训练示例，方便用户快速复现论文成果或将其集成到现有的时序分析项目中。如果你正在探索更高效的时间序列建模方案，CfC 是一个值得尝试的前沿工具。","# Closed-form Continuous-time Models\n\nClosed-form Continuous-time Neural Networks (CfCs) are powerful sequential liquid neural information processing units. \n\nPaper Open Access: https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs42256-022-00556-7\n\nArxiv: https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.13898\n\nA Tutorial on Liquid Neural Networks including Liquid CfCs: https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fquickstart.html\n\n## Requirements\n\n- Python3.6 or newer\n- Tensorflow 2.4 or newer\n- PyTorch 1.8 or newer\n- pytorch-lightning 1.3.0 or newer\n- scikit-learn 0.24.2 or newer\n\n## Module description\n\n- ```tf_cfc.py``` Implementation of the CfC (various versions) in Tensorflow 2.x\n- ```torch_cfc.py``` Implementation of the CfC (various versions) in PyTorch\n- ```train_physio.py``` Trains the CfC models on the Physionet 2012 dataset in PyTorch (code adapted from Rubanova et al. 2019)\n- ```train_xor.py``` Trains the CfC models on the XOR dataset in Tensorflow (code adapted from Lechner & Hasani, 2020)\n- ```train_imdb.py``` Trains the CfC models on the IMDB dataset in Tensorflow (code adapted from Keras examples website)\n- ```train_walker.py``` Trains the CfC models on the Walker2d dataset in Tensorflow (code adapted from Lechner & Hasani, 2020)\n- ```irregular_sampled_datasets.py``` Datasets (same splits) from Lechner & Hasani (2020)\n- ```duv_physionet.py``` and ```duv_utils.py``` Physionet dataset (same split) from Rubanova et al. (2019)\n\n## Usage\n\nAll training scripts except the following three flags\n\n- ```no_gate``` Runs the CfC without the (1-sigmoid) part\n- ```minimal``` Runs the CfC direct solution\n- ```use_ltc``` Runs an LTC with a semi-implicit ODE solver instead of a CfC\n- ```use_mixed``` Mixes the CfC's RNN-state with a LSTM to avoid vanishing gradients\n\nIf none of these flags are provided, the full CfC model is used\n\nFor instance \n\n```bash\npython3 train_physio.py\n```\n\ntrain the full CfC model on the Physionet dataset.\n\nSimilarly\n\n```bash\ntrain_walker.py --minimal\n```\n\nruns the direct CfC solution on the walker2d dataset.\n\nFor downloading the Walker2d dataset of Lechner & Hasani 2020, run \n\n```bash\nsource download_dataset.sh\n```\n\n## Cite\n\n```\n@article{hasani_closed-form_2022,\n\ttitle = {Closed-form continuous-time neural networks},\n\tjournal = {Nature Machine Intelligence},\n\tauthor = {Hasani, Ramin and Lechner, Mathias and Amini, Alexander and Liebenwein, Lucas and Ray, Aaron and Tschaikowski, Max and Teschl, Gerald and Rus, Daniela},\n\tissn = {2522-5839},\n\tmonth = nov,\n\tyear = {2022},\n}\n```\n","# 闭式连续时间模型\n\n闭式连续时间神经网络（CfCs）是功能强大的序列型液体神经信息处理单元。\n\n论文开放获取：https:\u002F\u002Fwww.nature.com\u002Farticles\u002Fs42256-022-00556-7\n\nArxiv：https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.13898\n\n关于液体神经网络（包括液体CfCs）的教程：https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002Fquickstart.html\n\n## 需求\n\n- Python 3.6 或更高版本\n- TensorFlow 2.4 或更高版本\n- PyTorch 1.8 或更高版本\n- PyTorch Lightning 1.3.0 或更高版本\n- scikit-learn 0.24.2 或更高版本\n\n## 模块说明\n\n- ```tf_cfc.py``` 在 TensorFlow 2.x 中实现的 CfC（多种版本）\n- ```torch_cfc.py``` 在 PyTorch 中实现的 CfC（多种版本）\n- ```train_physio.py``` 使用 PyTorch 在 Physionet 2012 数据集上训练 CfC 模型（代码改编自 Rubanova 等人，2019 年）\n- ```train_xor.py``` 使用 TensorFlow 在 XOR 数据集上训练 CfC 模型（代码改编自 Lechner & Hasani，2020 年）\n- ```train_imdb.py``` 使用 TensorFlow 在 IMDB 数据集上训练 CfC 模型（代码改编自 Keras 示例网站）\n- ```train_walker.py``` 使用 TensorFlow 在 Walker2d 数据集上训练 CfC 模型（代码改编自 Lechner & Hasani，2020 年）\n- ```irregular_sampled_datasets.py``` 来自 Lechner & Hasani（2020 年）的数据集（相同划分）\n- ```duv_physionet.py``` 和 ```duv_utils.py``` 来自 Rubanova 等人（2019 年）的 Physionet 数据集（相同划分）\n\n## 使用方法\n\n所有训练脚本均支持以下三个可选标志：\n\n- ```no_gate``` 运行不包含 (1-sigmoid) 部分的 CfC\n- ```minimal``` 运行 CfC 的直接解法\n- ```use_ltc``` 使用半隐式常微分方程求解器的 LTC 替代 CfC\n- ```use_mixed``` 将 CfC 的 RNN 状态与 LSTM 混合，以避免梯度消失问题\n\n若未指定上述任何标志，则使用完整的 CfC 模型。\n\n例如：\n\n```bash\npython3 train_physio.py\n```\n\n将在 Physionet 数据集上训练完整的 CfC 模型。\n\n类似地：\n\n```bash\ntrain_walker.py --minimal\n```\n\n将在 walker2d 数据集上运行 CfC 的直接解法。\n\n如需下载 Lechner & Hasani 2020 年的 Walker2d 数据集，请运行：\n\n```bash\nsource download_dataset.sh\n```\n\n## 引用\n\n```\n@article{hasani_closed-form_2022,\n\ttitle = {Closed-form continuous-time neural networks},\n\tjournal = {Nature Machine Intelligence},\n\tauthor = {Hasani, Ramin and Lechner, Mathias and Amini, Alexander and Liebenwein, Lucas and Ray, Aaron and Tschaikowski, Max and Teschl, Gerald and Rus, Daniela},\n\tissn = {2522-5839},\n\tmonth = nov,\n\tyear = {2022},\n}\n```","# CfC (Closed-form Continuous-time Models) 快速上手指南\n\nCfC（闭式连续时间神经网络）是一种强大的序列液态神经信息处理单元，专为处理连续时间序列数据设计。本指南将帮助中国开发者快速搭建环境并运行基础示例。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：Python 3.6 或更高版本\n*   **核心依赖**：\n    *   TensorFlow 2.4+ (用于 TF 版本实现)\n    *   PyTorch 1.8+ (用于 PyTorch 版本实现)\n    *   pytorch-lightning 1.3.0+\n    *   scikit-learn 0.24.2+\n\n> **国内加速建议**：安装 Python 包时，推荐使用清华或阿里镜像源以提升下载速度。\n> 例如：`pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>`\n\n## 安装步骤\n\n1.  **克隆代码库**\n    首先获取源代码（假设您已下载或克隆了该仓库）：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fcfc.git\n    cd cfc\n    ```\n\n2.  **安装依赖**\n    使用 pip 安装所需库。推荐直接使用国内镜像源：\n    ```bash\n    pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple tensorflow>=2.4 torch>=1.8 pytorch-lightning>=1.3.0 scikit-learn>=0.24.2\n    ```\n    *注：如果您只需要 PyTorch 或 TensorFlow 其中一种框架，可仅安装对应的依赖。*\n\n3.  **下载数据集（可选）**\n    如果要运行 Walker2d 相关示例，需先下载数据集：\n    ```bash\n    source download_dataset.sh\n    ```\n    *其他数据集（如 Physionet, IMDB）通常在脚本首次运行时会自动处理或需按具体论文指引准备。*\n\n## 基本使用\n\nCfC 提供了多个训练脚本以演示不同场景下的用法。默认情况下，脚本会运行完整的 CfC 模型。\n\n### 示例 1：在 Physionet 数据集上训练 (PyTorch)\n这是最基础的用法，直接运行脚本即可启动完整 CfC 模型的训练：\n```bash\npython3 train_physio.py\n```\n\n### 示例 2：在 Walker2d 数据集上训练 (TensorFlow)\n运行简化版（直接解）的 CfC 模型：\n```bash\npython3 train_walker.py --minimal\n```\n\n### 常用参数说明\n所有训练脚本均支持以下标志位来调整模型行为：\n\n*   `--no_gate`：运行不带 `(1-sigmoid)` 部分的 CfC。\n*   `--minimal`：运行 CfC 的直接解析解（Direct Solution）。\n*   `--use_ltc`：使用半隐式 ODE 求解器运行 LTC 模型，而非 CfC。\n*   `--use_mixed`：将 CfC 的 RNN 状态与 LSTM 混合，以避免梯度消失。\n\n如果不提供上述任何标志，系统将默认使用完整的 CfC 模型。","某医疗科技团队正在开发一套基于重症监护室（ICU）生命体征数据的早期败血症预警系统，需处理高度不规则且稀疏的时间序列数据。\n\n### 没有 CfC 时\n- **数据对齐困难**：传统 RNN 或 LSTM 模型要求固定时间步长，工程师必须对缺失或不规则采样的生理信号进行强制插值，导致原始数据失真并引入噪声。\n- **推理延迟高**：为了捕捉长程依赖，模型需要极深的网络层数或复杂的循环计算，导致在边缘设备上单次预测耗时过长，难以满足实时报警需求。\n- **训练不稳定**：面对长达数天的连续监测数据，深层递归结构容易出现梯度消失问题，导致模型难以收敛或漏报关键病情突变。\n- **泛化能力弱**：模型过度依赖特定的采样频率，一旦不同医院的设备采集节奏略有变化，预测准确率便大幅下降。\n\n### 使用 CfC 后\n- **原生支持不规则采样**：CfC 作为连续时间神经网络，直接处理带有时间戳的原始数据，无需任何插值预处理，保留了病情的真实动态特征。\n- **毫秒级实时响应**：利用闭式解（Closed-form solution）替代耗时的数值积分求解，推理速度提升数个数量级，可在低算力监护仪上实现即时预警。\n- **长序列稳定学习**：其独特的液体神经结构有效缓解了梯度消失问题，能精准捕捉数天前细微的生命体征波动与当前发病的关联。\n- **鲁棒性显著增强**：模型不再受限于固定采样率，能够自适应不同医院、不同设备的异构数据流，部署兼容性极大提高。\n\nCfC 通过将连续时间建模与高效闭式计算相结合，彻底解决了不规则医疗时序数据实时分析中的精度与效率难题。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Framinmh_CfC_c80cf252.png","raminmh","Ramin Hasani","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Framinmh_13f3a88b.jpg","deep learning","MIT","Cambridge, MA","rhasani@mit.edu","ramin_m_h","www.raminhasani.com","https:\u002F\u002Fgithub.com\u002Framinmh",[83,87,91],{"name":84,"color":85,"percentage":86},"Python","#3572A5",94.3,{"name":88,"color":89,"percentage":90},"MATLAB","#e16737",5.5,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0.1,1019,159,"2026-04-01T10:15:12","Apache-2.0","未说明",{"notes":101,"python":102,"dependencies":103},"该工具同时支持 TensorFlow 和 PyTorch 后端。运行特定脚本（如 train_physio.py, train_walker.py 等）前，可能需要运行 download_dataset.sh 脚本来下载相应的数据集（如 Physionet 2012, Walker2d 等）。代码中包含多种变体选项，可通过命令行标志（如 --no_gate, --minimal, --use_ltc, --use_mixed）进行配置，若不提供任何标志则默认使用完整的 CfC 模型。","3.6+",[104,105,106,107],"tensorflow>=2.4","torch>=1.8","pytorch-lightning>=1.3.0","scikit-learn>=0.24.2",[14],[110,111,112,113,114,115],"deep-learning","neural-ode","pytorch","recurrent-neural-networks","sequence-models","tensorflow",null,"2026-03-27T02:49:30.150509","2026-04-09T20:59:08.754663",[120,125,130,135,140,145],{"id":121,"question_zh":122,"answer_zh":123,"source_url":124},26522,"如何将 CfC 网络用于时间序列回归任务而非分类任务？","该仓库的代码主要用于复现论文实验。对于回归任务（输出浮点数值）及输入数据结构化（如使用前 10 个值预测第 11 个值），建议使用清理后的即用型实现和文档。相关文档和示例代码请参阅：https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002F。此外，社区成员提到其 Fork 版本包含了简单的 X,y 预测重构代码可供参考。","https:\u002F\u002Fgithub.com\u002Framinmh\u002FCfC\u002Fissues\u002F7",{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},26523,"下载数据集时出现 \"Unable to establish SSL connection\" 错误怎么办？","维护者已更新下载脚本中的 URL 地址。如果遇到连接问题，请确保使用的是最新版本的代码，或者检查官方文档中提供的最新数据集下载链接。该问题通常是由于旧链接失效导致的，更新后即可正常下载。","https:\u002F\u002Fgithub.com\u002Framinmh\u002FCfC\u002Fissues\u002F4",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},26524,"如何在代码中使用自定义的优化器（Optimizer）？","代码中已经定义了优化模块。以交通模型为例，在 `traffic_with_cfc.py` 文件的第 151-156 行已经包含了优化器的定义部分。您可以直接修改该位置的代码，将其替换为您选择的任何优化算法。","https:\u002F\u002Fgithub.com\u002Framinmh\u002FCfC\u002Fissues\u002F2",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},26525,"运行 PyTorch 示例文档时遇到变量未定义（如 out_features, in_features, model）的错误如何解决？","文档中的示例代码可能存在笔误。正确的训练调用方式应为使用 trainer 对象，具体代码为：`trainer.fit(learn, dataloader)`。请参照修正后的逻辑调整您的代码，确保模型实例化和训练循环的正确性。","https:\u002F\u002Fgithub.com\u002Framinmh\u002FCfC\u002Fissues\u002F13",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},26526,"代码中引用的 '--use_mixed_ltc' 参数对应的 MixedLTCCell 函数在哪里？","MixedLTCCell 尚未包含在此仓库中。维护者建议暂时查阅关于 Liquid 神经网络的官方文档（https:\u002F\u002Fncps.readthedocs.io\u002Fen\u002Flatest\u002F）以获取相关信息，并关注后续的更新，未来版本将会包含该细胞单元。","https:\u002F\u002Fgithub.com\u002Framinmh\u002FCfC\u002Fissues\u002F3",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},26527,"如何运行基于交通流量数据集（Traffic Volume）的 CfC 模型？","维护者已准备好交通流量数据集。您可以直接运行 `python3 traffic_with_cfc.py` 来执行 CfC 变体模型。若希望获得最先进的性能（SOTA），请添加 `--use_mixed` 参数，这将启用混合记忆 CfC 模型（Mixed Memory CfC model）。","https:\u002F\u002Fgithub.com\u002Framinmh\u002FCfC\u002Fissues\u002F1",[151],{"id":152,"version":153,"summary_zh":154,"released_at":155},171788,"v0.5-alpha","**完整更新日志**: https:\u002F\u002Fgithub.com\u002Framinmh\u002FCfC\u002Fcommits\u002Fv0.5-alpha","2022-10-02T20:51:29"]