主要观点：近期 Kolmogorov-Arnold 网络（KAN）在网上受到关注，研究称其在相同参数数量下比传统神经网络更准确或训练更快，但实际测试发现 KAN 并非万能，需大量调优才能获好结果，虽能接近或匹配常规神经网络性能，但更难实现，在特定用例中可能更好，不过神经网络的简洁性使其更常用；KAN 学习激活函数，神经网络学习连接神经元的权重，KAN 中节点间连接少于神经网络，常用 B-Spline 作为激活函数，其可定制且可微；实践中 KAN 实现有难度，在简单 1D 函数拟合上表现不错，在图像参数化上则困难，PyKAN 有诸多技巧如偏置、样条权重、基函数、网格更新等，使用 LBFGS 优化器；尝试简化 KAN 激活函数，用另一种激活函数训练图像参数化速度快 10 倍，但最终简单神经网络性能仍优于 KAN 网络，虽不否定 KAN 有用，但目前神经网络更优。

关键信息：

• KAN 与传统神经网络对比及特点。
• B-Spline 作为激活函数的特性。
• KAN 在实践中的应用及遇到的问题。
• PyKAN 的技巧和扩展。
• 不同激活函数及相关实验结果。

重要细节：

• KAN 基本架构及与神经网络架构差异。
• B-Spline 示例及可定制性。
• KAN 在简单 1D 测试和图像参数化中的表现及调试过程。
• PyKAN 中各种技巧如偏置、权重等的作用及实现。
• 不同优化器的使用及效果对比。
• 简化 KAN 激活函数的实验及结果。