ikan 1.3.0

An efficient KAN implementation in Chinese.

Efficient-KAN-in-Chinese

本仓库收集并整理了多种基于 Kolmogorov-Arnold 网络（KAN）的高效实现，包括 FourierKAN、ChebyKAN、JacobiKAN、TaylorKAN 和 WaveletKAN 等。这些实现旨在提供对不同类型 KAN 模型的深入理解和便捷使用。为了方便观看、阅读和修改，本人基于 Efficient-KAN 仓库的写法对变种 KAN 进行重构。

---

目录

• Efficient-KAN-in-Chinese
  • 目录
  • 重要须知
    • 2025-04-09
    • 2025-03-25
  • 重大更新
    • 1. 各类KAN默认参数调整
    • 2. GroupKAN
  • 安装
    • 从 PyPI 安装
    • 从 GitHub 安装（开发版本）
    • 从源码安装
  • 依赖
  • 使用示例
  • 简介
  • 实现
    • KAN
    • FourierKAN
    • ChebyKAN
    • JacobiKAN
    • TaylorKAN
    • WaveletKAN
  • 应用实例
  • 参考资料
  • 许可证
  • Star History

---

重要须知

2025-04-09

他妈的这次是真可以了。1.3.0版本可包外调用 GroupKAN

2025-03-25

他妈的那个GroupKAN的仓库依赖一直说某个folder不存在，请大家暂且不要使用 pip install ikan 安装，而是使用 git clone https://github.com/lgy112112/Efficient-KAN-in-Chinese.git 和 pip install -e . 安装。

他妈的终于给我修复了路径问题，现在 ikan==1.2.10 版本可以舒畅地使用

from ikan.GroupKAN import GroupKAN, GroupKANLinear

此外，如果你是windows开发者，恰好没有triton且安装报错，请 pip install triton-windows

windows开发无罪！

重大更新

1. 各类KAN默认参数调整

在深入研究各种KAN变体的性能后，我对默认参数进行了关键调整，主要针对初始化方式和缩放系数：

• 所有KAN：scale_base从1.0降至0.5以下
• ChebyKAN：scale_cheby从1.0降至0.5
• FourierKAN：将 scale_fourier从1.0降至0.3
• JacobiKAN：将 scale_jacobi从1.0降至0.4
• TaylorKAN：将 scale_taylor从1.0降至0.5
• WaveletKAN：将 scale_wavelet从1.0降至0.5

通过 KAN.ipynb可以测试，在相同迭代次数下超越传统MLP。测试结果显示，参数调整后的KAN模型不仅训练速度更快，收敛性更好，而且在拟合复杂函数时的精度也明显提高。

2. GroupKAN

本项目新增基于Kolmogorov-Arnold Transformer (KAT)的GroupKAN实现，这是KAN的一种高效变体。我在源代码基础上修复了CPU无法训练的bug，并修复了不支持2D tensor的bug：

• KAT (Kolmogorov-Arnold Transformer) - 由Xingyi Yang和Xinchao Wang开发，GroupKAN基于此实现
• rational_kat_cu - KAT的CUDA/Triton实现，为GroupKAN提供了底层支持
• 实现原理：使用了KAT_Group作为激活函数，替代了传统KAN中的B样条函数
• 性能优势：相比原始KAN，GroupKAN具有更快的训练速度和更高的计算效率
• CUDA支持：底层使用CUDA/Triton实现的Rational函数，提供了卓越的性能
• 简化结构：采用"先激活后线性变换"的结构设计，这符合Kolmogorov-Arnold定理的核心思想

你可以使用以下代码创建并测试GroupKAN模型：

from ikan.GroupKAN import GroupKAN

# 定义网络层结构（确保每层特征数是num_groups的倍数）
layers_hidden = [64, 128, 64, 32]

# 创建模型
model = GroupKAN(
    layers_hidden=layers_hidden,
    act_mode="swish",  # 可选: "gelu", "swish", "identity"
    drop=0.1,
    num_groups=8
)

# 使用torchinfo查看模型结构
from torchinfo import summary
summary(model, input_size=(16, 64))

---

安装

从 PyPI 安装

可以直接通过 PyPI 使用 pip 进行安装：

pip install ikan

随后请不要忘记重启一下IDE以保证安装完整。

从 GitHub 安装（开发版本）

若需要安装最新的开发版本，可以从 GitHub 仓库直接安装：

pip install git+https://github.com/lgy112112/Efficient-KAN-in-Chinese.git

随后请不要忘记重启一下IDE以保证安装完整。

从源码安装

你也可以从源码安装：

1. 克隆项目仓库：

   git clone https://github.com/lgy112112/Efficient-KAN-in-Chinese.git
   

2. 进入项目目录：

   cd Efficient-KAN-in-Chinese
   

3. 使用可编辑模式安装：

   pip install -e .
   

随后请不要忘记重启一下IDE以保证安装完整。

---

依赖

本项目依赖以下 Python 库：

• torch>=1.9.0
• torchinfo
• numpy

通过 pip 安装时会自动安装这些依赖。

---

使用示例

以下是如何使用本项目的一个简单示例：

from ikan.ChebyKAN import ChebyKAN

model = ChebyKAN(
    layers_hidden=layers_hidden,
    degree=5,
    scale_base=1.0,
    scale_cheby=1.0,
    base_activation=torch.nn.SiLU,
    use_bias=True,
)

summary(model, input_size=(64,))

---

简介

Kolmogorov-Arnold 网络（KAN）是一类基于 Kolmogorov-Arnold 表示定理的神经网络架构，具有强大的非线性表达能力。本仓库对多种 KAN 的变体进行了实现，包括使用不同基函数（如傅里叶级数、Chebyshev 多项式、Jacobi 多项式、泰勒级数和小波变换）的方法。

实现

KAN

基础的 KAN 实现，使用了 B 样条作为基函数，提供了对 KAN 模型的基本理解。

• 源代码：KAN.py

FourierKAN

使用傅里叶级数作为基函数的 KAN 实现，能够捕捉输入数据的周期性特征。

• 源代码：FourierKAN.py

ChebyKAN

使用 Chebyshev 多项式作为基函数的 KAN 实现，具有良好的数值稳定性和逼近能力。

• 源代码：ChebyKAN.py

JacobiKAN

使用 Jacobi 多项式作为基函数的 KAN 实现，通过调整参数 ( a ) 和 ( b )，可以灵活地适应不同的数据分布。

• 源代码：JacobiKAN.py

TaylorKAN

使用泰勒级数展开作为基函数的 KAN 实现，适用于需要高阶非线性特征的任务。

• 源代码：TaylorKAN.py

WaveletKAN

使用小波变换作为基函数的 KAN 实现，能够捕捉数据的局部特征或频域特征。

• 源代码：WaveletKAN.py

应用实例

以下是本人使用 KAN 进行的项目，欢迎大家复现并探讨：

• MIMI-MNIST 教程：在 MNIST 数据集上应用 KAN 模型的教程，展示了如何构建和训练 KAN 来处理手写数字识别任务。

  • 项目地址：MIMI-MNIST-Tutorial

• 股票预测教程：使用 KAN 模型进行股票价格预测的教程，包括数据预处理、模型构建和结果分析。

  • 项目地址：Stocks_Prediction_Tutorial
  • 项目地址：KAN_Stocks

• KAN 与 VGG 在 CIFAR-10 上的比较：比较了 KAN 模型和 VGG 网络在 CIFAR-10 数据集上的分类性能，展示了 KAN 的潜力。

  • 项目地址：KANvsVGGonCIFAR10

参考资料

特别感谢以下开源项目对本仓库的支持和贡献：

• EfficientKAN
• JacobiKAN
• TaylorKAN
• Wav-KAN
• ChebyKAN
• FourierKAN
• KAT (Kolmogorov-Arnold Transformer) - 由Xingyi Yang和Xinchao Wang开发，GroupKAN基于此实现
• rational_kat_cu - KAT的CUDA/Triton实现，为GroupKAN提供了底层支持

许可证

本项目采用 MIT 许可证 开源。

Star History

---

欢迎大家提出建议和改进，共同完善本仓库。如有任何问题，请提交 Issue 或 Pull Request。