Convolutional-KANs

收录理由

这个项目把 Kolmogorov-Arnold 网络（一种把可学习激活函数放在连接上、而非节点上固定激活的架构）重新构思并引入卷积层。传统卷积对输入图像块和卷积核做点积，而这里的卷积会对每个像素应用一个可学习的非线性激活，使得该层本身就是一个可训练的非线性映射，而不是线性滤波加固定激活的组合。代码基于 efficient-KAN 实现，想把它换成 PyTorch 里的标准 Conv2d 相当顺手，也方便做对比实验。随附的论文给出了准确率、参数量和每轮训练时间，让使用者能清楚看到其中的取舍：同样的参数量下表达能力更强，但训练更慢，而且每个卷积核的参数也更多。可以把它当作研究用的试验场，用来测试经典卷积的替代方案；当然，它还谈不上是可直接上生产的成熟软件。