[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-raminmh--liquid_time_constant_networks":3,"tool-raminmh--liquid_time_constant_networks":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",143909,2,"2026-04-07T11:33:18",[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。",107888,"2026-04-06T11:32:50",[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":99,"env_os":100,"env_gpu":101,"env_ram":101,"env_deps":102,"category_tags":107,"github_topics":108,"view_count":32,"oss_zip_url":115,"oss_zip_packed_at":115,"status":17,"created_at":116,"updated_at":117,"faqs":118,"releases":149},5161,"raminmh\u002Fliquid_time_constant_networks","liquid_time_constant_networks","Code Repository for Liquid Time-Constant Networks (LTCs)","liquid_time_constant_networks 是一个专注于连续时间序列建模的开源项目，核心实现了液态时间常数网络（LTCs）。它主要解决了传统循环神经网络在处理不规则采样数据、长序列依赖以及动态系统建模时的局限性，让 AI 模型能够像物理系统一样在连续时间流中更自然地学习和演化。\n\n该项目不仅包含了论文中提出的 LTC 模型，还整合了神经微分方程（Neural ODEs）和连续时间 RNN 等多种先进架构，支持通过时间反向传播（BPTT）进行端到端训练。其独特的技术亮点在于引入了“液态”神经元机制，使得网络的时间常数能随输入动态调整，从而在手势识别、交通流量预测及环境监测等任务中展现出更强的鲁棒性和解释性。\n\nliquid_time_constant_networks 非常适合人工智能研究人员、算法工程师以及对时序数据分析有深度需求的开发者使用。虽然项目基于 TensorFlow 1.14 构建且涉及微分方程求解器等复杂概念，上手门槛相对较高，但它为探索下一代连续时间深度学习模型提供了宝贵的代码基准和实验框架，是从事相关前沿研究的理想起点。","# Liquid time-constant Networks (LTCs)\n\n[Update] A Pytorch version together with tutorials are added to our sister repository: \n[https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps](https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps)\n\nThis is the official repository for LTC networks described in the paper: https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.04439\nThis repository allows you to train continuous-time models with backpropagation through-time (BPTT). Available Continuous-time models are: \n| Models | References |\n| ----- | ----- |\n| Liquid time-constant Networks | https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.04439 |\n| Neural ODEs | https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F7892-neural-ordinary-differential-equations.pdf |\n| Continuous-time RNNs | https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS089360800580125X |\nContinuous-time Gated Recurrent Units (GRU) | https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.04110 |\n\n## Requisites\n\nAll models were implemented and tested with TensorFlow 1.14.0 and python3 on Ubuntu 16.04 and 18.04 machines.\nAll the following steps assume that they are executed under these conditions.\n\n## Preparation\n\nFirst, we have to download all datasets by running \n```bash\nsource download_datasets.sh\n```\nThis script creates a folder ```data```, where all downloaded datasets are stored.\n\n## Training and evaluating the models \n\nThere is exactly one Python module per dataset:\n- Hand gesture segmentation: ```gesture.py```\n- Room occupancy detection: ```occupancy.py```\n- Human activity recognition: ```har.py```\n- Traffic volume prediction: ```traffic.py```\n- Ozone level forecasting: ```ozone.py```\n\nEach script accepts the following four arguments:\n- ```--model: lstm | ctrnn | ltc | ltc_rk | ltc_ex```\n- ```--epochs: number of training epochs (default 200)```\n- ```--size: number of hidden RNN units  (default 32)```\n- ```--log: interval of how often to evaluate validation metric (default 1)```\n\nEach script trains the specified model for the given number of epochs and evaluates the\nvalidation performance after every ``log`` steps.\nAt the end of the training, the best-performing checkpoint is restored and the model is evaluated on the test set.\nAll results are stored in the ```results``` folder by appending the result to CSV file.\n\nFor example, we can train and evaluate the CT-RNN by executing\n```bash\npython3 har.py --model ctrnn\n```\nAfter the script is finished there should be a file ```results\u002Fhar\u002Fctrnn_32.csv``` created, containing the following columns:\n- ```best epoch```: Epoch number that achieved the best validation metric\n- ```train loss```: Training loss achieved at the best epoch\n- ```train accuracy```: Training metric achieved at the best epoch\n- ```valid loss```: Validation loss achieved at the best epoch\n- ```valid accuracy```: Best validation metric achieved during training\n- ```test loss```: Loss on the test set\n- ```test accuracy```: Metric on the test set\n\n## Hyperparameters\n\n| Parameter | Value | Description | \n| ---- | ---- | ------ |\n| Minibatch size | 16 | Number of training samples over which the gradient descent update is computed |\n| Learning rate | 0.001\u002F0.02 | 0.01-0.02 for LTC, 0.001 for all other models. |\n| Hidden units | 32 | Number of hidden units of each model |\n| Optimizer | Adam | See (Kingma and Ba, 2014) |\n| beta_1 | 0.9 | Parameter of the Adam method |\n| beta_2 | 0.999 | Parameter of the Adam method |\n| epsilon | 1e-08 | Epsilon-hat parameter of the Adam method |\n| Number of epochs | 200 | Maximum number of training epochs |\n| BPTT length | 32 | Backpropagation through time length in time-steps | \n| ODE solver sreps | 1\u002F6 | relative to input sampling period |\n| Validation evaluation interval | 1 | Interval of training epochs when the metrics on the validation are evaluated  | \n\n\n# Trajectory Length Analysis\n\nRun the ```main.m``` file to get trajectory length results for the desired setting tuneable in the code. \n\n\n","# 液态时间常数网络（LTCs）\n\n[更新] 我们的姊妹仓库现已添加了 PyTorch 版本及教程：\n[https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps](https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps)\n\n这是论文中所描述的 LTC 网络的官方仓库：https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.04439  \n该仓库允许您使用随时间反向传播（BPTT）训练连续时间模型。可用的连续时间模型如下：\n\n| 模型 | 参考文献 |\n| ----- | ----- |\n| 液态时间常数网络 | https:\u002F\u002Farxiv.org\u002Fabs\u002F2006.04439 |\n| 神经 ODE | https:\u002F\u002Fpapers.nips.cc\u002Fpaper\u002F7892-neural-ordinary-differential-equations.pdf |\n| 连续时间 RNN | https:\u002F\u002Fwww.sciencedirect.com\u002Fscience\u002Farticle\u002Fabs\u002Fpii\u002FS089360800580125X |\n| 连续时间门控循环单元（GRU） | https:\u002F\u002Farxiv.org\u002Fabs\u002F1710.04110 |\n\n## 必备条件\n\n所有模型均在 Ubuntu 16.04 和 18.04 系统上，使用 TensorFlow 1.14.0 和 Python 3 实现并测试。\n以下步骤均假设在这些条件下执行。\n\n## 准备工作\n\n首先，我们需要通过运行以下命令下载所有数据集：\n```bash\nsource download_datasets.sh\n```\n此脚本将创建一个名为 `data` 的文件夹，用于存储所有已下载的数据集。\n\n## 训练与评估模型\n\n每个数据集对应一个 Python 模块：\n- 手势分割：`gesture.py`\n- 房间 occupancy 检测：`occupancy.py`\n- 人体活动识别：`har.py`\n- 交通流量预测：`traffic.py`\n- 臭氧浓度预测：`ozone.py`\n\n每个脚本接受以下四个参数：\n- `--model: lstm | ctrnn | ltc | ltc_rk | ltc_ex`\n- `--epochs: 训练轮数（默认 200）`\n- `--size: 隐藏 RNN 单元数（默认 32）`\n- `--log: 评估验证指标的频率间隔（默认 1）`\n\n每个脚本会按照指定的轮数训练相应模型，并在每 `log` 轮后评估验证性能。训练结束后，系统会恢复表现最佳的检查点，并在测试集上对模型进行评估。所有结果将追加到 `results` 文件夹中的 CSV 文件中。\n\n例如，我们可以通过执行以下命令来训练和评估 CT-RNN：\n```bash\npython3 har.py --model ctrnn\n```\n脚本执行完毕后，应生成一个名为 `results\u002Fhar\u002Fctrnn_32.csv` 的文件，其中包含以下列：\n- `best epoch`: 达到最佳验证指标的轮次\n- `train loss`: 在最佳轮次达到的训练损失\n- `train accuracy`: 在最佳轮次达到的训练指标\n- `valid loss`: 在最佳轮次达到的验证损失\n- `valid accuracy`: 训练过程中达到的最佳验证指标\n- `test loss`: 测试集上的损失\n- `test accuracy`: 测试集上的指标\n\n## 超参数\n\n| 参数 | 值 | 描述 |\n| ---- | ---- | ------ |\n| 小批量大小 | 16 | 用于计算梯度下降更新的训练样本数量 |\n| 学习率 | 0.001\u002F0.02 | LTC 使用 0.01–0.02，其他模型使用 0.001。 |\n| 隐藏单元数 | 32 | 各模型的隐藏单元数量 |\n| 优化器 | Adam | 参见 (Kingma 和 Ba, 2014) |\n| beta_1 | 0.9 | Adam 方法的参数 |\n| beta_2 | 0.999 | Adam 方法的参数 |\n| epsilon | 1e-08 | Adam 方法的 epsilon-hat 参数 |\n| 训练轮数 | 200 | 最大训练轮数 |\n| BPTT 长度 | 32 | 随时间反向传播的长度（以时间步为单位）|\n| ODE 求解器步长 | 1\u002F6 | 相对于输入采样周期 |\n| 验证评估间隔 | 1 | 评估验证指标的训练轮数间隔 |\n\n# 轨迹长度分析\n\n运行 `main.m` 文件，即可获得所需设置下的轨迹长度结果，相关参数可在代码中调整。","# Liquid Time-Constant Networks (LTCs) 快速上手指南\n\n## 环境准备\n\n本工具基于 TensorFlow 1.14.0 开发，建议在以下环境中运行以确保兼容性：\n\n*   **操作系统**: Ubuntu 16.04 或 18.04\n*   **Python 版本**: Python 3\n*   **核心依赖**: TensorFlow 1.14.0\n\n> **注意**：官方仓库主要使用 TensorFlow 实现。如果您更倾向于使用 PyTorch，可以参考其姐妹仓库 [ncps](https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fncps)，其中包含了 PyTorch 版本及教程。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    首先克隆官方代码库到本地：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fliquid_time_constant_networks.git\n    cd liquid_time_constant_networks\n    ```\n\n2.  **安装依赖**\n    确保已安装 TensorFlow 1.14.0。如果尚未安装，可使用 pip 进行安装（国内用户建议使用清华源加速）：\n    ```bash\n    pip install tensorflow==1.14.0 -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **下载数据集**\n    运行提供的脚本自动下载所有必需的数据集。执行后会在当前目录生成 `data` 文件夹：\n    ```bash\n    source download_datasets.sh\n    ```\n\n## 基本使用\n\n本仓库为每个数据集提供了独立的 Python 训练脚本。以下是以“人类活动识别”（Human Activity Recognition, HAR）数据集为例，训练一个连续时间循环神经网络（CT-RNN）的最简流程。\n\n### 1. 开始训练与评估\n\n运行以下命令启动训练。脚本将自动训练指定模型，并在每个验证间隔评估性能。训练结束后，会自动加载最佳检查点并在测试集上进行最终评估。\n\n```bash\npython3 har.py --model ctrnn\n```\n\n**常用参数说明：**\n*   `--model`: 选择模型架构，可选值包括 `lstm`, `ctrnn`, `ltc`, `ltc_rk`, `ltc_ex`。\n*   `--epochs`: 训练轮数（默认 200）。\n*   `--size`: 隐藏层单元数量（默认 32）。\n*   `--log`: 验证评估间隔（默认每 1 个 epoch 评估一次）。\n\n**示例：训练 LTC 模型，设置 100 轮，隐藏单元 64 个：**\n```bash\npython3 har.py --model ltc --epochs 100 --size 64\n```\n\n### 2. 查看结果\n\n训练完成后，结果将保存在 `results` 文件夹中。以上述 HAR 任务为例，生成的文件路径为 `results\u002Fhar\u002Fctrnn_32.csv`（文件名随模型和大小变化）。\n\nCSV 文件包含以下关键指标：\n*   `best epoch`: 取得最佳验证指标的轮数\n*   `train loss` \u002F `train accuracy`: 最佳轮数的训练损失与准确率\n*   `valid loss` \u002F `valid accuracy`: 训练过程中的最佳验证损失与准确率\n*   `test loss` \u002F `test accuracy`: 测试集上的最终损失与准确率\n\n### 3. 其他可用任务脚本\n\n除了 `har.py`，仓库还包含以下任务的脚本，使用方法同上：\n*   手势分割: `gesture.py`\n*   房间占用检测: `occupancy.py`\n*   交通流量预测: `traffic.py`\n*   臭氧水平预测: `ozone.py`","某自动驾驶团队正在开发一套能够实时预测前方车辆轨迹的系统，以应对复杂多变的城市交通流。\n\n### 没有 liquid_time_constant_networks 时\n- **时间离散化误差大**：传统 LSTM 或 RNN 模型依赖固定时间步长，当传感器数据采样频率波动或出现缺失时，模型对连续动态的捕捉能力急剧下降，导致轨迹预测出现断层。\n- **长序列依赖难以维持**：在处理长时间跨度的交通行为（如缓慢变道或拥堵跟车）时，标准循环神经网络容易遗忘早期关键状态，无法有效建模长程因果关系。\n- **推理效率与精度难平衡**：为了提高精度被迫减小时间步长，导致计算量爆炸；若增大步长则丢失细节，难以在车载边缘设备上实现低延迟的高频推理。\n- **抗噪能力弱**：面对雷达或摄像头产生的不规则噪声数据，离散模型缺乏内在的平滑机制，输出结果容易出现剧烈抖动，影响控制系统的稳定性。\n\n### 使用 liquid_time_constant_networks 后\n- **原生连续时间建模**：liquid_time_constant_networks 基于神经微分方程，天然适应不规则采样数据，无需插值即可精准还原车辆运动的连续物理特性，消除了离散化带来的误差。\n- **动态记忆机制**：其独特的“液态”时间常数允许网络根据输入信号动态调整响应速度，既能敏锐捕捉突发变道，又能长久保持对宏观交通流的记忆，显著提升了长序列预测准确度。\n- **高效紧凑的架构**：在同等参数量下，该模型能用更少的隐藏单元实现更高的表达力，大幅降低了车载芯片的计算负载，实现了毫秒级的实时轨迹推演。\n- **鲁棒的平滑输出**：得益于连续时间系统的数学特性，模型对输入噪声具有天然的滤波作用，输出的轨迹曲线平滑自然，直接提升了下游控制模块的行驶舒适性。\n\nliquid_time_constant_networks 通过将离散感知转化为连续智能，让自动驾驶系统在非理想数据环境下依然拥有如人类驾驶员般流畅且精准的预判能力。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Framinmh_liquid_time_constant_networks_0d2f3522.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",64.2,{"name":88,"color":89,"percentage":90},"MATLAB","#e16737",35,{"name":92,"color":93,"percentage":94},"Shell","#89e051",0.8,1820,329,"2026-04-05T22:44:40","Apache-2.0",4,"Linux (Ubuntu 16.04, 18.04)","未说明",{"notes":103,"python":104,"dependencies":105},"该仓库主要基于 TensorFlow 1.14.0 实现，仅在 Ubuntu 16.04 和 18.04 上经过测试。如需 PyTorch 版本，请参考其姐妹仓库 (ncps)。运行前需执行脚本下载数据集。代码中包含用于轨迹长度分析的 MATLAB 文件 (main.m)。","Python 3",[106],"TensorFlow==1.14.0",[14],[109,110,111,112,113,114],"deep-learning","liquid-neural-networks","recurrent-neural-networks","sequence-modeling","state-space-models","time-series",null,"2026-03-27T02:49:30.150509","2026-04-08T02:01:15.933627",[119,124,129,134,139,144],{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},23413,"如何在最新版本的 TensorFlow 中运行此代码？","如果遇到错误，请将代码中的 `import tensorflow as tf` 替换为以下内容以禁用 TensorFlow 2.x 的默认行为并兼容 v1 API：\n\nimport tensorflow.compat.v1 as tf\ntf.disable_v2_behavior()\n\n请在所有相关文件中执行此替换操作。","https:\u002F\u002Fgithub.com\u002Framinmh\u002Fliquid_time_constant_networks\u002Fissues\u002F11",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},23414,"导入 tf.nn.rnn_cell 时出现 AttributeError 错误怎么办？","在 TensorFlow 2.x 中，`tf.nn.rnn_cell` 已被移除。解决方法是将代码中的 `tf.nn.rnn_cell.RNNCell` 替换为 `tf.compat.v1.nn.rnn_cell.RNNCell`。仅替换模块路径而不使用 compat 版本通常无法解决问题。","https:\u002F\u002Fgithub.com\u002Framinmh\u002Fliquid_time_constant_networks\u002Fissues\u002F7",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},23415,"该项目是否支持 PyTorch？","是的，LTC（Liquid Time-Constant）网络的 PyTorch 实现已包含在 keras-ncp 项目中。您可以访问以下地址获取源码：https:\u002F\u002Fgithub.com\u002Fmlech26l\u002Fkeras-ncp","https:\u002F\u002Fgithub.com\u002Framinmh\u002Fliquid_time_constant_networks\u002Fissues\u002F1",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},23416,"运行代码时提示找不到数据集文件（FileNotFoundError）如何解决？","这通常是因为下载脚本 `download_datasets.sh` 中缺少创建目录的命令，导致数据无处保存。请编辑该文件，添加 `mkdir data` 命令以确保在下载前创建 `data` 目录。修改后重新运行下载脚本即可解决路径不存在的问题。","https:\u002F\u002Fgithub.com\u002Framinmh\u002Fliquid_time_constant_networks\u002Fissues\u002F10",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},23417,"如何修改 LTC 模型中的 BPTT（随时间反向传播）长度？","可以在每个实验脚本（例如 `cheetah.py`, `ozone.py` 等）中找到名为 `seq_len` 的参数。该参数默认值为 32，您可以将其修改为任意所需的序列长度。","https:\u002F\u002Fgithub.com\u002Framinmh\u002Fliquid_time_constant_networks\u002Fissues\u002F2",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},23418,"使用该仓库的代码需要遵守什么许可证？","维护者已应要求为仓库添加了许可证文件。在使用前，请直接查看仓库根目录下的 LICENSE 文件以确认具体的使用条款和限制。","https:\u002F\u002Fgithub.com\u002Framinmh\u002Fliquid_time_constant_networks\u002Fissues\u002F4",[]]