[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-titu1994--MLSTM-FCN":3,"tool-titu1994--MLSTM-FCN":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":90,"forks":91,"last_commit_at":92,"license":82,"difficulty_score":23,"env_os":93,"env_gpu":94,"env_ram":95,"env_deps":96,"category_tags":101,"github_topics":102,"view_count":23,"oss_zip_url":82,"oss_zip_packed_at":82,"status":16,"created_at":109,"updated_at":110,"faqs":111,"releases":112},3816,"titu1994\u002FMLSTM-FCN","MLSTM-FCN","Multivariate LSTM Fully Convolutional Networks for Time Series Classification","MLSTM-FCN 是一款专为多变量时间序列分类设计的深度学习模型。它主要解决了传统方法在处理包含多个相关变量的复杂时间序列数据时，难以同时捕捉长期依赖关系与局部特征模式的难题，广泛应用于医疗监测、工业传感器分析及金融趋势预测等场景。\n\n该工具非常适合人工智能研究人员、数据科学家以及需要处理时序数据的开发者使用。其核心亮点在于巧妙融合了长短期记忆网络（LSTM）与全卷积网络（FCN）的优势：利用 LSTM 提取时间维度上的长期依赖，同时通过 FCN 捕获局部特征。更独特的是，MLSTM-FCN 引入了“压缩 - 激励”（Squeeze-and-Excitation）模块，能够自适应地重新校准不同变量通道的重要性，从而显著提升分类精度。\n\n基于 Keras 和 TensorFlow 后端构建，MLSTM-FCN 提供了完整的训练与评估脚本，支持多种基准数据集。无论是希望复现前沿学术论文结果的研究者，还是寻求高效解决方案的工程团队，都能利用其灵活的架构快速搭建高性能的时间序列分析系统。","# Multivariate LSTM-FCNs for Time Series Classification\nMLSTM FCN models, from the paper [Multivariate LSTM-FCNs for Time Series Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1801.04503), \naugment the squeeze and excitation block with the state of the art univariate time series model, LSTM-FCN and ALSTM-FCN from the paper [LSTM Fully Convolutional Networks for Time Series Classification](https:\u002F\u002Farxiv.org\u002Fabs\u002F1709.05206). The code for the LSTM-FCN and ALSTM-FCN models can be found at [LSTM-FCN](https:\u002F\u002Fgithub.com\u002Fhoushd\u002FLSTM-FCN).\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_aff334873f94.png\" height=100% width=100%>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_eb81620ce472.png\" height=100% width=100%>\n\n# Installation \nDownload the repository and apply `pip install -r requirements.txt` to install the required libraries. \n\nKeras with the Tensorflow backend has been used for the development of the models, and there is currently no support for Theano or CNTK backends. The weights have not been tested with those backends.\n\n**Note** : The input to the Input layer of all models will be pre-shuffled to be in the shape (Batchsize, Number of variables, Number of timesteps), and the input will be shuffled again before being applied to the CNNs (to obtain the correct shape (Batchsize, Number of timesteps, Number of variables)). This is in contrast to the paper where the input is of the shape (Batchsize, Number of timesteps, Number of variables) and the shuffle operation is applied before the LSTM to obtain the input shape (Batchsize, Number of variables, Number of timesteps). These operations are equivalent.\n\n# Multivariate Benchmark Datasets\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_ba99db9eb073.jpg\" height=100% width=100%>\n\n## Note\nThe multivariate datasets are now available in the [Release Tab](https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FMLSTM-FCN\u002Freleases). \nPlease cite this paper and the original source of the appropriate dataset when using these datasets for academic purposes. \n\n# Training and Evaluation\nVarious multivariate benchmark datasets can be evaluated with the provided code and weight files. Refer to the weights directory for clarification.\n\nThere is 1 script file for each dataset, and 2 major sections in the code. For each of these code files, please keep the line below uncommented.\n\n- To use the MLSTM FCN model : `model = generate_model()`\n- To use the MALSTM FCN model : `model = generate_model_2()`\n- To use the LSTM FCN model : `model = generate_model_3()`\n- To use the ALSTM FCN model : `model = generate_model_4()`\n\n## Training\nTo train the a model, uncomment the line below and execute the script. **Note** that '???????' will already be provided, so there is no need to replace it. It refers to the prefix of the saved weight file. Also, if weights are already provided, this operation will overwrite those weights.\n\n`train_model(model, DATASET_INDEX, dataset_prefix='???????', epochs=250, batch_size=128)`\n\n## Evaluate \nTo evaluate the performance of the model, simply execute the script with the below line uncommented. \n\n`evaluate_model(model, DATASET_INDEX, dataset_prefix='???????', batch_size=128)`\n\n# Results\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_331443da88ee.jpg\" height=100% width=100%>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_4ad6ab73e296.jpg\" height=100% width=100%>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_71b10d1d5b51.jpg\" height=100% width=100%>\n\n# Citation\n```\n@misc{Karim2018,\n  Author = {Fazle Karim and Somshubra Majumdar and Houshang Darabi and Samuel Harford},\n  Title = {Multivariate LSTM-FCNs for Time Series Classification},\n  Year = {2018},\n  Eprint = {arXiv:1801.04503},\n}\n```\n","# 用于时间序列分类的多变量LSTM-FCN\nMLSTM FCN模型源自论文《用于时间序列分类的多变量LSTM-FCN》（https:\u002F\u002Farxiv.org\u002Fabs\u002F1801.04503），它在挤压激励模块的基础上，结合了来自论文《用于时间序列分类的LSTM全卷积网络》（https:\u002F\u002Farxiv.org\u002Fabs\u002F1709.05206）中的先进单变量时间序列模型——LSTM-FCN和ALSTM-FCN。LSTM-FCN和ALSTM-FCN模型的代码可在[LSTM-FCN](https:\u002F\u002Fgithub.com\u002Fhoushd\u002FLSTM-FCN)中找到。\n\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_aff334873f94.png\" height=100% width=100%>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_eb81620ce472.png\" height=100% width=100%>\n\n# 安装 \n下载该仓库，并运行`pip install -r requirements.txt`以安装所需的库。\n\n这些模型的开发使用的是Keras配合TensorFlow后端，目前尚不支持Theano或CNTK后端。权重尚未在这些后端上进行测试。\n\n**注意**：所有模型的输入层输入将预先打乱顺序，使其形状为(批次大小, 变量数量, 时间步数)，并在送入CNN之前再次打乱顺序（以获得正确的形状(批次大小, 时间步数, 变量数量)）。这与论文中的做法不同：论文中输入的形状是(批次大小, 时间步数, 变量数量)，然后在LSTM之前进行打乱操作，以得到输入形状(批次大小, 变量数量, 时间步数)。这两种操作是等效的。\n\n# 多变量基准数据集\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_ba99db9eb073.jpg\" height=100% width=100%>\n\n## 注意\n多变量数据集现已在[Release标签页](https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FMLSTM-FCN\u002Freleases)中提供。\n请在学术用途中引用本文及相应数据集的原始来源。\n\n# 训练与评估\n可使用提供的代码和权重文件对多种多变量基准数据集进行评估。具体说明请参阅权重目录。\n\n每个数据集对应一个脚本文件，代码中包含两个主要部分。对于每个脚本文件，请确保取消注释以下行：\n\n- 使用MLSTM FCN模型时：`model = generate_model()`\n- 使用MALSTM FCN模型时：`model = generate_model_2()`\n- 使用LSTM FCN模型时：`model = generate_model_3()`\n- 使用ALSTM FCN模型时：`model = generate_model_4()`\n\n## 训练\n要训练模型，请取消注释下一行并执行脚本。**注意**，“???????”已预先给出，无需替换，它指的是保存的权重文件的前缀。此外，如果已有权重文件存在，此操作将会覆盖原有权重。\n\n`train_model(model, DATASET_INDEX, dataset_prefix='???????', epochs=250, batch_size=128)`\n\n## 评估\n要评估模型性能，只需取消注释下一行并执行脚本即可。\n\n`evaluate_model(model, DATASET_INDEX, dataset_prefix='???????', batch_size=128)`\n\n# 结果\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_331443da88ee.jpg\" height=100% width=100%>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_4ad6ab73e296.jpg\" height=100% width=100%>\n\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_readme_71b10d1d5b51.jpg\" height=100% width=100%>\n\n# 引用\n```\n@misc{Karim2018,\n  Author = {Fazle Karim and Somshubra Majumdar and Houshang Darabi and Samuel Harford},\n  Title = {Multivariate LSTM-FCNs for Time Series Classification},\n  Year = {2018},\n  Eprint = {arXiv:1801.04503},\n}\n```","# MLSTM-FCN 快速上手指南\n\nMLSTM-FCN 是一种用于多变量时间序列分类的深度学习模型，结合了 LSTM（长短期记忆网络）、全卷积网络（FCN）以及挤压与激励（Squeeze-and-Excitation）模块。本指南帮助中国开发者快速搭建环境并运行模型。\n\n## 环境准备\n\n*   **系统要求**：支持 Linux、macOS 或 Windows。\n*   **核心依赖**：\n    *   Python 3.x\n    *   TensorFlow (作为后端)\n    *   Keras\n*   **注意**：本项目仅支持 TensorFlow 后端，不支持 Theano 或 CNTK。\n\n## 安装步骤\n\n1.  **克隆仓库**\n    首先下载项目源代码：\n    ```bash\n    git clone https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FMLSTM-FCN.git\n    cd MLSTM-FCN\n    ```\n\n2.  **安装依赖库**\n    建议使用国内镜像源（如清华源）加速安装过程：\n    ```bash\n    pip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n3.  **获取数据集**\n    多变量基准数据集已发布在项目的 [Release Tab](https:\u002F\u002Fgithub.com\u002Ftitu1994\u002FMLSTM-FCN\u002Freleases) 中。请下载所需数据集并放置于代码对应的目录中（具体路径参考各数据集脚本）。\n\n## 基本使用\n\n每个数据集对应一个独立的脚本文件。使用前请确保已下载对应的权重文件（如有）或准备好训练数据。\n\n### 1. 选择模型\n在脚本中找到模型生成部分，根据需求取消注释相应的行：\n\n*   **MLSTM-FCN 模型**：\n    ```python\n    model = generate_model()\n    ```\n*   **MALSTM-FCN 模型**：\n    ```python\n    model = generate_model_2()\n    ```\n*   **LSTM-FCN 模型**：\n    ```python\n    model = generate_model_3()\n    ```\n*   **ALSTM-FCN 模型**：\n    ```python\n    model = generate_model_4()\n    ```\n\n> **输入形状说明**：代码内部会自动处理输入数据的维度变换。输入层接收的形状为 `(Batchsize, Number of variables, Number of timesteps)`，在进入 CNN 前会再次打乱以适配 `(Batchsize, Number of timesteps, Number of variables)`，这与论文描述逻辑等价，无需手动预处理。\n\n### 2. 训练模型\n取消注释以下行以开始训练。`dataset_prefix='???????'` 中的问号部分通常已由脚本预设，代表保存权重的文件前缀，一般无需修改。若已有权重文件，此操作将覆盖原有权重。\n\n```python\ntrain_model(model, DATASET_INDEX, dataset_prefix='???????', epochs=250, batch_size=128)\n```\n\n执行脚本：\n```bash\npython \u003Cyour_dataset_script>.py\n```\n\n### 3. 评估模型\n训练完成后（或直接使用预训练权重），取消注释以下行以评估模型性能：\n\n```python\nevaluate_model(model, DATASET_INDEX, dataset_prefix='???????', batch_size=128)\n```\n\n执行脚本即可输出评估结果。","某工业预测性维护团队正试图通过分析电机运行时的多变量传感器数据（如振动、温度、电流），来提前识别潜在的故障模式。\n\n### 没有 MLSTM-FCN 时\n- **特征工程耗时巨大**：工程师需手动提取时域和频域特征，不仅效率低下，还容易遗漏关键的非线性时序关联。\n- **单变量模型精度瓶颈**：传统方法往往独立分析每个传感器信号，无法捕捉变量间复杂的耦合关系（如温度升高伴随特定频率振动），导致误报率高。\n- **长短期依赖难以兼顾**：普通卷积神经网络（CNN）难以有效记忆长周期的异常演变趋势，而纯 LSTM 模型在局部特征提取上又显不足。\n- **模型调优成本高昂**：面对多维数据，调整超参数如同“大海捞针”，难以在有限算力下快速收敛到最优解。\n\n### 使用 MLSTM-FCN 后\n- **端到端自动特征学习**：MLSTM-FCN 直接输入原始多维时间序列，自动融合卷积网络的局部感知与 LSTM 的长时记忆能力，省去了繁琐的人工特征提取。\n- **多维关联精准捕捉**：利用增强的挤压 - 激励（Squeeze-and-Excitation）模块，模型能动态加权不同传感器通道的重要性，精准识别多变量协同变化的故障征兆。\n- **分类性能显著提升**：在基准测试中，该架构结合了 FCN 的空间特征提取优势与 LSTM 的时间序列建模能力，大幅提高了对复杂故障模式的分类准确率。\n- **部署流程标准化**：基于 Keras\u002FTensorFlow 的成熟代码库提供了清晰的训练与评估脚本，团队可快速复现论文结果并迁移至自有数据集。\n\nMLSTM-FCN 通过深度融合时空特征，将多变量时间序列分类从“人工试错”升级为“智能感知”，显著提升了工业故障诊断的可靠性与效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftitu1994_MLSTM-FCN_a41d9633.png","titu1994","Somshubra Majumdar","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftitu1994_8b4ca043.jpg","Interested in Machine Learning, Deep Learning and Data Science in general","NVIDIA","San Jose, CA","titu1994@gmail.com",null,"http:\u002F\u002Ftitu1994.github.io\u002F","https:\u002F\u002Fgithub.com\u002Ftitu1994",[86],{"name":87,"color":88,"percentage":89},"Python","#3572A5",100,519,180,"2026-01-03T09:49:05","","未说明（基于 TensorFlow\u002FKeras，通常支持 CPU 或 GPU，但 README 未指定具体显卡型号、显存或 CUDA 版本要求）","未说明",{"notes":97,"python":95,"dependencies":98},"该工具仅支持使用 TensorFlow 后端的 Keras，不支持 Theano 或 CNTK 后端。输入数据形状在模型内部会自动进行预处理和置换（从 Batchsize, 变量数，时间步数 转换为 Batchsize, 时间步数，变量数），与论文描述顺序略有不同但等效。多变量基准数据集需从项目的 Release 页面单独下载。训练时若已存在权重文件，执行训练脚本会覆盖原有权重。",[99,100],"Keras (with TensorFlow backend)","TensorFlow",[13],[103,104,105,106,107,108],"multivariate","timeseries","classification","keras","tensorflow","lstmfcn","2026-03-27T02:49:30.150509","2026-04-06T07:05:47.803007",[],[113,118],{"id":114,"version":115,"summary_zh":116,"released_at":117},107675,"v1.0.1","包含与下方相同格式的更大数据集","2018-03-29T00:47:23",{"id":119,"version":120,"summary_zh":121,"released_at":122},107676,"v1.0","用于该论文的所有数据集的合集。\n\n包含经过预处理的 NumPy 文件以及 MATLAB 文件。","2018-03-29T00:33:31"]