[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-BayesWitnesses--m2cgen":3,"tool-BayesWitnesses--m2cgen":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",144730,2,"2026-04-07T23:26:32",[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":67,"readme_en":68,"readme_zh":69,"quickstart_zh":70,"use_case_zh":71,"hero_image_url":72,"owner_login":73,"owner_name":74,"owner_avatar_url":75,"owner_bio":76,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":117,"forks":118,"last_commit_at":119,"license":120,"difficulty_score":121,"env_os":76,"env_gpu":122,"env_ram":122,"env_deps":123,"category_tags":132,"github_topics":136,"view_count":32,"oss_zip_url":77,"oss_zip_packed_at":77,"status":17,"created_at":151,"updated_at":152,"faqs":153,"releases":184},5268,"BayesWitnesses\u002Fm2cgen","m2cgen","Transform ML models into a native code (Java, C, Python, Go, JavaScript, Visual Basic, C#, R, PowerShell, PHP, Dart, Haskell, Ruby, F#, Rust) with zero dependencies","m2cgen（Model 2 Code Generator）是一款轻量级开源库，旨在将训练好的机器学习模型直接转换为多种编程语言的原生代码。它支持包括 Python、Java、C、Go、JavaScript、Rust 在内的十余种主流语言，且生成的代码完全零依赖，无需安装任何额外的机器学习框架或运行时库即可运行。\n\n在机器学习项目落地时，开发者常面临部署环境复杂、依赖包冲突或需要在资源受限设备（如嵌入式系统、移动端）运行模型的难题。m2cgen 通过将模型逻辑“翻译”为纯数学运算的代码，彻底消除了对重型库（如 scikit-learn、TensorFlow 等）的依赖，让模型能像普通函数一样轻松集成到任何现有系统中，极大降低了部署门槛和维护成本。\n\n这款工具特别适合后端工程师、嵌入式开发者以及数据科学家使用。无论是需要将模型嵌入高性能服务，还是在无法安装 Python 环境的设备上运行预测，m2cgen 都能提供简洁高效的解决方案。其核心亮点在于广泛的模型支持（涵盖线性模型、SVM、决策树、随机森林及梯度提升树等）与跨语言转换能力，只需几行命令即可完成从训练模型到生产代码的无缝衔接，让","m2cgen（Model 2 Code Generator）是一款轻量级开源库，旨在将训练好的机器学习模型直接转换为多种编程语言的原生代码。它支持包括 Python、Java、C、Go、JavaScript、Rust 在内的十余种主流语言，且生成的代码完全零依赖，无需安装任何额外的机器学习框架或运行时库即可运行。\n\n在机器学习项目落地时，开发者常面临部署环境复杂、依赖包冲突或需要在资源受限设备（如嵌入式系统、移动端）运行模型的难题。m2cgen 通过将模型逻辑“翻译”为纯数学运算的代码，彻底消除了对重型库（如 scikit-learn、TensorFlow 等）的依赖，让模型能像普通函数一样轻松集成到任何现有系统中，极大降低了部署门槛和维护成本。\n\n这款工具特别适合后端工程师、嵌入式开发者以及数据科学家使用。无论是需要将模型嵌入高性能服务，还是在无法安装 Python 环境的设备上运行预测，m2cgen 都能提供简洁高效的解决方案。其核心亮点在于广泛的模型支持（涵盖线性模型、SVM、决策树、随机森林及梯度提升树等）与跨语言转换能力，只需几行命令即可完成从训练模型到生产代码的无缝衔接，让算法落地变得更加简单纯粹。","# m2cgen\n\n[![GitHub Actions Status](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fworkflows\u002FGitHub%20Actions\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Factions)\n[![Coverage Status](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBayesWitnesses\u002Fm2cgen\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBayesWitnesses\u002Fm2cgen)\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FBayesWitnesses\u002Fm2cgen.svg)](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fblob\u002Fmaster\u002FLICENSE)\n[![Python Versions](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fm2cgen.svg?logo=python&logoColor=white)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fm2cgen)\n[![PyPI Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fm2cgen.svg?logo=pypi&logoColor=white)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fm2cgen)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBayesWitnesses_m2cgen_readme_34c50e933400.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fm2cgen)\n\n**m2cgen** (Model 2 Code Generator) - is a lightweight library which provides an easy way to transpile trained statistical models into a native code (Python, C, Java, Go, JavaScript, Visual Basic, C#, PowerShell, R, PHP, Dart, Haskell, Ruby, F#, Rust, Elixir).\n\n* [Installation](#installation)\n* [Development](#development)\n* [Supported Languages](#supported-languages)\n* [Supported Models](#supported-models)\n* [Classification Output](#classification-output)\n* [Usage](#usage)\n* [CLI](#cli)\n* [FAQ](#faq)\n\n## Installation\nSupported Python version is >= **3.7**.\n```\npip install m2cgen\n```\n\n## Development\nMake sure the following command runs successfully before submitting a PR:\n```\nmake pre-pr\n```\nAlternatively you can run the Docker version of the same command:\n```\nmake docker-build docker-pre-pr\n```\n\n## Supported Languages\n\n- C\n- C#\n- Dart\n- F#\n- Go\n- Haskell\n- Java\n- JavaScript\n- PHP\n- PowerShell\n- Python\n- R\n- Ruby\n- Rust\n- Visual Basic (VBA-compatible)\n- Elixir\n\n## Supported Models\n\n|  | Classification | Regression |\n| --- | --- | --- |\n| **Linear** | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>LogisticRegression\u003C\u002Fli>\u003Cli>LogisticRegressionCV\u003C\u002Fli>\u003Cli>PassiveAggressiveClassifier\u003C\u002Fli>\u003Cli>Perceptron\u003C\u002Fli>\u003Cli>RidgeClassifier\u003C\u002Fli>\u003Cli>RidgeClassifierCV\u003C\u002Fli>\u003Cli>SGDClassifier\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003Cli>lightning\u003Cul>\u003Cli>AdaGradClassifier\u003C\u002Fli>\u003Cli>CDClassifier\u003C\u002Fli>\u003Cli>FistaClassifier\u003C\u002Fli>\u003Cli>SAGAClassifier\u003C\u002Fli>\u003Cli>SAGClassifier\u003C\u002Fli>\u003Cli>SDCAClassifier\u003C\u002Fli>\u003Cli>SGDClassifier\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>ARDRegression\u003C\u002Fli>\u003Cli>BayesianRidge\u003C\u002Fli>\u003Cli>ElasticNet\u003C\u002Fli>\u003Cli>ElasticNetCV\u003C\u002Fli>\u003Cli>GammaRegressor\u003C\u002Fli>\u003Cli>HuberRegressor\u003C\u002Fli>\u003Cli>Lars\u003C\u002Fli>\u003Cli>LarsCV\u003C\u002Fli>\u003Cli>Lasso\u003C\u002Fli>\u003Cli>LassoCV\u003C\u002Fli>\u003Cli>LassoLars\u003C\u002Fli>\u003Cli>LassoLarsCV\u003C\u002Fli>\u003Cli>LassoLarsIC\u003C\u002Fli>\u003Cli>LinearRegression\u003C\u002Fli>\u003Cli>OrthogonalMatchingPursuit\u003C\u002Fli>\u003Cli>OrthogonalMatchingPursuitCV\u003C\u002Fli>\u003Cli>PassiveAggressiveRegressor\u003C\u002Fli>\u003Cli>PoissonRegressor\u003C\u002Fli>\u003Cli>RANSACRegressor(only supported regression estimators can be used as a base estimator)\u003C\u002Fli>\u003Cli>Ridge\u003C\u002Fli>\u003Cli>RidgeCV\u003C\u002Fli>\u003Cli>SGDRegressor\u003C\u002Fli>\u003Cli>TheilSenRegressor\u003C\u002Fli>\u003Cli>TweedieRegressor\u003C\u002Fli>\u003C\u002Ful>\u003Cli>StatsModels\u003Cul>\u003Cli>Generalized Least Squares (GLS)\u003C\u002Fli>\u003Cli>Generalized Least Squares with AR Errors (GLSAR)\u003C\u002Fli>\u003Cli>Generalized Linear Models (GLM)\u003C\u002Fli>\u003Cli>Ordinary Least Squares (OLS)\u003C\u002Fli>\u003Cli>[Gaussian] Process Regression Using Maximum Likelihood-based Estimation (ProcessMLE)\u003C\u002Fli>\u003Cli>Quantile Regression (QuantReg)\u003C\u002Fli>\u003Cli>Weighted Least Squares (WLS)\u003C\u002Fli>\u003C\u002Ful>\u003Cli>lightning\u003Cul>\u003Cli>AdaGradRegressor\u003C\u002Fli>\u003Cli>CDRegressor\u003C\u002Fli>\u003Cli>FistaRegressor\u003C\u002Fli>\u003Cli>SAGARegressor\u003C\u002Fli>\u003Cli>SAGRegressor\u003C\u002Fli>\u003Cli>SDCARegressor\u003C\u002Fli>\u003Cli>SGDRegressor\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> |\n| **SVM** | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>LinearSVC\u003C\u002Fli>\u003Cli>NuSVC\u003C\u002Fli>\u003Cli>OneClassSVM\u003C\u002Fli>\u003Cli>SVC\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003Cli>lightning\u003Cul>\u003Cli>KernelSVC\u003C\u002Fli>\u003Cli>LinearSVC\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>LinearSVR\u003C\u002Fli>\u003Cli>NuSVR\u003C\u002Fli>\u003Cli>SVR\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003Cli>lightning\u003Cul>\u003Cli>LinearSVR\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> |\n| **Tree** | \u003Cul>\u003Cli>DecisionTreeClassifier\u003C\u002Fli>\u003Cli>ExtraTreeClassifier\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>DecisionTreeRegressor\u003C\u002Fli>\u003Cli>ExtraTreeRegressor\u003C\u002Fli>\u003C\u002Ful> |\n| **Random Forest** | \u003Cul>\u003Cli>ExtraTreesClassifier\u003C\u002Fli>\u003Cli>LGBMClassifier(rf booster only)\u003C\u002Fli>\u003Cli>RandomForestClassifier\u003C\u002Fli>\u003Cli>XGBRFClassifier\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>ExtraTreesRegressor\u003C\u002Fli>\u003Cli>LGBMRegressor(rf booster only)\u003C\u002Fli>\u003Cli>RandomForestRegressor\u003C\u002Fli>\u003Cli>XGBRFRegressor\u003C\u002Fli>\u003C\u002Ful> |\n| **Boosting** | \u003Cul>\u003Cli>LGBMClassifier(gbdt\u002Fdart\u002Fgoss booster only)\u003C\u002Fli>\u003Cli>XGBClassifier(gbtree(including boosted forests)\u002Fgblinear booster only)\u003C\u002Fli>\u003Cul> | \u003Cul>\u003Cli>LGBMRegressor(gbdt\u002Fdart\u002Fgoss booster only)\u003C\u002Fli>\u003Cli>XGBRegressor(gbtree(including boosted forests)\u002Fgblinear booster only)\u003C\u002Fli>\u003C\u002Ful> |\n\nYou can find versions of packages with which compatibility is guaranteed by CI tests [here](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fblob\u002Fmaster\u002Frequirements-test.txt#L1).\nOther versions can also be supported but they are untested.\n\n## Classification Output\n### Linear \u002F Linear SVM \u002F Kernel SVM\n#### Binary\nScalar value; signed distance of the sample to the hyperplane for the second class.\n#### Multiclass\nVector value; signed distance of the sample to the hyperplane per each class.\n#### Comment\nThe output is consistent with the output of ```LinearClassifierMixin.decision_function```.\n\n### SVM\n#### Outlier detection\nScalar value; signed distance of the sample to the separating hyperplane: positive for an inlier and negative for an outlier.\n#### Binary\nScalar value; signed distance of the sample to the hyperplane for the second class.\n#### Multiclass\nVector value; one-vs-one score for each class, shape (n_samples, n_classes * (n_classes-1) \u002F 2).\n#### Comment\nThe output is consistent with the output of ```BaseSVC.decision_function``` when the `decision_function_shape` is set to `ovo`.\n\n### Tree \u002F Random Forest \u002F Boosting\n#### Binary\nVector value; class probabilities.\n#### Multiclass\nVector value; class probabilities.\n#### Comment\nThe output is consistent with the output of the `predict_proba` method of `DecisionTreeClassifier` \u002F `ExtraTreeClassifier` \u002F `ExtraTreesClassifier` \u002F `RandomForestClassifier` \u002F `XGBRFClassifier` \u002F `XGBClassifier` \u002F `LGBMClassifier`.\n\n## Usage\n\nHere's a simple example of how a linear model trained in Python environment can be represented in Java code:\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn import linear_model\nimport m2cgen as m2c\n\nX, y = load_diabetes(return_X_y=True)\n\nestimator = linear_model.LinearRegression()\nestimator.fit(X, y)\n\ncode = m2c.export_to_java(estimator)\n```\n\nGenerated Java code:\n```java\npublic class Model {\n    public static double score(double[] input) {\n        return ((((((((((152.1334841628965) + ((input[0]) * (-10.012197817470472))) + ((input[1]) * (-239.81908936565458))) + ((input[2]) * (519.8397867901342))) + ((input[3]) * (324.39042768937657))) + ((input[4]) * (-792.1841616283054))) + ((input[5]) * (476.74583782366153))) + ((input[6]) * (101.04457032134408))) + ((input[7]) * (177.06417623225025))) + ((input[8]) * (751.2793210873945))) + ((input[9]) * (67.62538639104406));\n    }\n}\n```\n\n**You can find more examples of generated code for different models\u002Flanguages [here](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Ftree\u002Fmaster\u002Fgenerated_code_examples).**\n\n## CLI\n\n`m2cgen` can be used as a CLI tool to generate code using serialized model objects (pickle protocol):\n```\n$ m2cgen \u003Cpickle_file> --language \u003Clanguage> [--indent \u003Cindent>] [--function_name \u003Cfunction_name>]\n         [--class_name \u003Cclass_name>] [--module_name \u003Cmodule_name>] [--package_name \u003Cpackage_name>]\n         [--namespace \u003Cnamespace>] [--recursion-limit \u003Crecursion_limit>]\n```\nDon't forget that for unpickling serialized model objects their classes must be defined in the top level of an importable module in the unpickling environment.\n\nPiping is also supported:\n```\n$ cat \u003Cpickle_file> | m2cgen --language \u003Clanguage>\n```\n\n## FAQ\n**Q: Generation fails with `RecursionError: maximum recursion depth exceeded` error.**\n\nA: If this error occurs while generating code using an ensemble model, try to reduce the number of trained estimators within that model. Alternatively you can increase the maximum recursion depth with `sys.setrecursionlimit(\u003Cnew_depth>)`.\n\n**Q: Generation fails with `ImportError: No module named \u003Cmodule_name_here>` error while transpiling model from a serialized model object.**\n\nA: This error indicates that pickle protocol cannot deserialize model object. For unpickling serialized model objects, it is required that their classes must be defined in the top level of an importable module in the unpickling environment. So installation of package which provided model's class definition should solve the problem.\n\n**Q: Generated by m2cgen code provides different results for some inputs compared to original Python model from which the code were obtained.**\n\nA: Some models force input data to be particular type during prediction phase in their native Python libraries. Currently, m2cgen works only with ``float64`` (``double``) data type. You can try to cast your input data to another type manually and check results again. Also, some small differences can happen due to specific implementation of floating-point arithmetic in a target language.\n","# m2cgen\n\n[![GitHub Actions Status](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fworkflows\u002FGitHub%20Actions\u002Fbadge.svg?branch=master)](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Factions)\n[![Coverage Status](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBayesWitnesses\u002Fm2cgen\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002FBayesWitnesses\u002Fm2cgen)\n[![License: MIT](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002FBayesWitnesses\u002Fm2cgen.svg)](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fblob\u002Fmaster\u002FLICENSE)\n[![Python Versions](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fm2cgen.svg?logo=python&logoColor=white)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fm2cgen)\n[![PyPI Version](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fm2cgen.svg?logo=pypi&logoColor=white)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fm2cgen)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBayesWitnesses_m2cgen_readme_34c50e933400.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fm2cgen)\n\n**m2cgen**（模型转代码生成器）—— 是一个轻量级库，提供了一种简便的方法，将训练好的统计模型转换为原生代码（Python、C、Java、Go、JavaScript、Visual Basic、C#、PowerShell、R、PHP、Dart、Haskell、Ruby、F#、Rust、Elixir）。\n\n* [安装](#installation)\n* [开发](#development)\n* [支持的语言](#supported-languages)\n* [支持的模型](#supported-models)\n* [分类输出](#classification-output)\n* [使用方法](#usage)\n* [命令行界面](#cli)\n* [常见问题解答](#faq)\n\n## 安装\n支持的 Python 版本为 >= **3.7**。\n```\npip install m2cgen\n```\n\n## 开发\n在提交 PR 之前，请确保以下命令成功运行：\n```\nmake pre-pr\n```\n或者，您也可以运行 Docker 版本的相同命令：\n```\nmake docker-build docker-pre-pr\n```\n\n## 支持的语言\n\n- C\n- C#\n- Dart\n- F#\n- Go\n- Haskell\n- Java\n- JavaScript\n- PHP\n- PowerShell\n- Python\n- R\n- Ruby\n- Rust\n- Visual Basic（与 VBA 兼容）\n- Elixir\n\n## 支持的模型\n\n|  | 分类 | 回归 |\n| --- | --- | --- |\n| **线性** | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>LogisticRegression\u003C\u002Fli>\u003Cli>LogisticRegressionCV\u003C\u002Fli>\u003Cli>PassiveAggressiveClassifier\u003C\u002Fli>\u003Cli>Perceptron\u003C\u002Fli>\u003Cli>RidgeClassifier\u003C\u002Fli>\u003Cli>RidgeClassifierCV\u003C\u002Fli>\u003Cli>SGDClassifier\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003Cli>lightning\u003Cul>\u003Cli>AdaGradClassifier\u003C\u002Fli>\u003Cli>CDClassifier\u003C\u002Fli>\u003Cli>FistaClassifier\u003C\u002Fli>\u003Cli>SAGAClassifier\u003C\u002Fli>\u003Cli>SAGClassifier\u003C\u002Fli>\u003Cli>SDCAClassifier\u003C\u002Fli>\u003Cli>SGDClassifier\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>ARDRegression\u003C\u002Fli>\u003Cli>BayesianRidge\u003C\u002Fli>\u003Cli>ElasticNet\u003C\u002Fli>\u003Cli>ElasticNetCV\u003C\u002Fli>\u003Cli>GammaRegressor\u003C\u002Fli>\u003Cli>HuberRegressor\u003C\u002Fli>\u003Cli>Lars\u003C\u002Fli>\u003Cli>LarsCV\u003C\u002Fli>\u003Cli>Lasso\u003C\u002Fli>\u003Cli>LassoCV\u003C\u002Fli>\u003Cli>LassoLars\u003C\u002Fli>\u003Cli>LassoLarsCV\u003C\u002Fli>\u003Cli>LassoLarsIC\u003C\u002Fli>\u003Cli>LinearRegression\u003C\u002Fli>\u003Cli>OrthogonalMatchingPursuit\u003C\u002Fli>\u003Cli>OrthogonalMatchingPursuitCV\u003C\u002Fli>\u003Cli>PassiveAggressiveRegressor\u003C\u002Fli>\u003Cli>PoissonRegressor\u003C\u002Fli>\u003Cli>RANSACRegressor（仅支持回归估计器作为基估计器）\u003C\u002Fli>\u003Cli>Ridge\u003C\u002Fli>\u003Cli>RidgeCV\u003C\u002Fli>\u003Cli>SGDRegressor\u003C\u002Fli>\u003Cli>TheilSenRegressor\u003C\u002Fli>\u003Cli>TweedieRegressor\u003C\u002Fli>\u003C\u002Ful>\u003Cli>StatsModels\u003Cul>\u003Cli>广义最小二乘法（GLS）\u003C\u002Fli>\u003Cli>带有自回归误差的广义最小二乘法（GLSAR）\u003C\u002Fli>\u003Cli>广义线性模型（GLM）\u003C\u002Fli>\u003Cli>普通最小二乘法（OLS）\u003C\u002Fli>\u003Cli>[高斯]过程回归，采用最大似然估计法（ProcessMLE）\u003C\u002Fli>\u003Cli>分位数回归（QuantReg）\u003C\u002Fli>\u003Cli>加权最小二乘法（WLS）\u003C\u002Fli>\u003C\u002Ful>\u003Cli>lightning\u003Cul>\u003Cli>AdaGradRegressor\u003C\u002Fli>\u003Cli>CDRegressor\u003C\u002Fli>\u003Cli>FistaRegressor\u003C\u002Fli>\u003Cli>SAGARegressor\u003C\u002Fli>\u003Cli>SAGRegressor\u003C\u002Fli>\u003Cli>SDCARegressor\u003C\u002Fli>\u003Cli>SGDRegressor\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> |\n| **SVM** | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>LinearSVC\u003C\u002Fli>\u003Cli>NuSVC\u003C\u002Fli>\u003Cli>OneClassSVM\u003C\u002Fli>\u003Cli>SVC\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003Cli>lightning\u003Cul>\u003Cli>KernelSVC\u003C\u002Fli>\u003Cli>LinearSVC\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>scikit-learn\u003Cul>\u003Cli>LinearSVR\u003C\u002Fli>\u003Cli>NuSVR\u003C\u002Fli>\u003Cli>SVR\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003Cli>lightning\u003Cul>\u003Cli>LinearSVR\u003C\u002Fli>\u003C\u002Ful>\u003C\u002Fli>\u003C\u002Ful> |\n| **树模型** | \u003Cul>\u003Cli>DecisionTreeClassifier\u003C\u002Fli>\u003Cli>ExtraTreeClassifier\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>DecisionTreeRegressor\u003C\u002Fli>\u003Cli>ExtraTreeRegressor\u003C\u002Fli>\u003C\u002Ful> |\n| **随机森林** | \u003Cul>\u003Cli>ExtraTreesClassifier\u003C\u002Fli>\u003Cli>LGBMClassifier（仅限 rf booster）\u003C\u002Fli>\u003Cli>RandomForestClassifier\u003C\u002Fli>\u003Cli>XGBRFClassifier\u003C\u002Fli>\u003C\u002Ful> | \u003Cul>\u003Cli>ExtraTreesRegressor\u003C\u002Fli>\u003Cli>LGBMRegressor（仅限 rf booster）\u003C\u002Fli>\u003Cli>RandomForestRegressor\u003C\u002Fli>\u003Cli>XGBRFRegressor\u003C\u002Fli>\u003C\u002Ful> |\n| **提升算法** | \u003Cul>\u003Cli>LGBMClassifier（仅限 gbdt\u002Fdart\u002Fgoss booster）\u003C\u002Fli>\u003Cli>XGBClassifier（仅限 gbtree（包括提升森林）\u002Fgblinear booster）\u003C\u002Fli>\u003Cul> | \u003Cul>\u003Cli>LGBMRegressor（仅限 gbdt\u002Fdart\u002Fgoss booster）\u003C\u002Fli>\u003Cli>XGBRegressor（仅限 gbtree（包括提升森林）\u002Fgblinear booster）\u003C\u002Fli>\u003C\u002Ful> |\n\n您可以在此处找到 CI 测试保证兼容的软件包版本：[requirements-test.txt](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fblob\u002Fmaster\u002Frequirements-test.txt#L1)。其他版本也可能受支持，但未经测试。\n\n## 分类输出\n### 线性 \u002F 线性 SVM \u002F 核 SVM\n#### 二分类\n标量值；样本到第二类超平面的有符号距离。\n#### 多分类\n向量值；样本到每个类别的超平面的有符号距离。\n#### 注释\n输出与 ```LinearClassifierMixin.decision_function``` 的输出一致。\n\n### SVM\n#### 异常检测\n标量值；样本到分离超平面的有符号距离：对于内点为正，对于异常点为负。\n#### 二分类\n标量值；样本到第二类超平面的有符号距离。\n#### 多分类\n向量值；每对类别的一对一得分，形状为 (n_samples, n_classes * (n_classes-1) \u002F 2)。\n#### 注释\n当 `decision_function_shape` 设置为 `ovo` 时，输出与 ```BaseSVC.decision_function``` 的输出一致。\n\n### 树模型 \u002F 随机森林 \u002F 提升算法\n#### 二分类\n向量值；各类别的概率。\n#### 多分类\n向量值；各类别的概率。\n#### 注释\n输出与 `DecisionTreeClassifier` \u002F `ExtraTreeClassifier` \u002F `ExtraTreesClassifier` \u002F `RandomForestClassifier` \u002F `XGBRFClassifier` \u002F `XGBClassifier` \u002F `LGBMClassifier` 的 `predict_proba` 方法的输出一致。\n\n## 使用方法\n\n以下是一个简单的示例，展示如何将用 Python 环境训练的线性模型转换为 Java 代码：\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn import linear_model\nimport m2cgen as m2c\n\nX, y = load_diabetes(return_X_y=True)\n\nestimator = linear_model.LinearRegression()\nestimator.fit(X, y)\n\ncode = m2c.export_to_java(estimator)\n```\n\n生成的 Java 代码如下：\n```java\npublic class Model {\n    public static double score(double[] input) {\n        return ((((((((((152.1334841628965) + ((input[0]) * (-10.012197817470472))) + ((input[1]) * (-239.81908936565458))) + ((input[2]) * (519.8397867901342))) + ((input[3]) * (324.39042768937657))) + ((input[4]) * (-792.1841616283054))) + ((input[5]) * (476.74583782366153))) + ((input[6]) * (101.04457032134408))) + ((input[7]) * (177.06417623225025))) + ((input[8]) * (751.2793210873945))) + ((input[9]) * (67.62538639104406));\n    }\n}\n```\n\n**您可以在 [这里](https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Ftree\u002Fmaster\u002Fgenerated_code_examples) 找到更多不同模型和语言的生成代码示例。**\n\n## 命令行界面\n\n`m2cgen` 可以作为命令行工具使用，通过序列化模型对象（pickle 格式）生成代码：\n```\n$ m2cgen \u003Cpickle_file> --language \u003Clanguage> [--indent \u003Cindent>] [--function_name \u003Cfunction_name>]\n         [--class_name \u003Cclass_name>] [--module_name \u003Cmodule_name>] [--package_name \u003Cpackage_name>]\n         [--namespace \u003Cnamespace>] [--recursion-limit \u003Crecursion_limit>]\n```\n请注意，反序列化序列化模型对象时，其类必须在可导入模块的顶层定义，且需位于反序列化环境中。\n\n也支持管道输入：\n```\n$ cat \u003Cpickle_file> | m2cgen --language \u003Clanguage>\n```\n\n## 常见问题解答\n\n**问：生成过程中出现 `RecursionError: maximum recursion depth exceeded` 错误。**\n\n答：如果此错误发生在生成集成模型代码时，可以尝试减少该模型中训练的估计器数量。或者，您也可以通过 `sys.setrecursionlimit(\u003Cnew_depth>)` 提高递归深度限制。\n\n**问：从序列化模型对象转译模型时，出现 `ImportError: No module named \u003Cmodule_name_here>` 错误。**\n\n答：此错误表明 pickle 协议无法反序列化模型对象。要成功反序列化序列化模型对象，其类必须在可导入模块的顶层定义，并且需要在反序列化环境中可用。因此，安装提供模型类定义的包通常可以解决此问题。\n\n**问：由 m2cgen 生成的代码对于某些输入与原始 Python 模型的结果存在差异。**\n\n答：一些模型在其原生 Python 库中会强制要求输入数据在预测阶段必须是特定类型。目前，m2cgen 仅支持 `float64`（`double`）数据类型。您可以尝试手动将输入数据转换为其他类型，然后再次检查结果。此外，由于目标语言中浮点数运算的具体实现方式不同，也可能导致一些细微的差异。","# m2cgen 快速上手指南\n\n**m2cgen** (Model 2 Code Generator) 是一个轻量级库，能够将训练好的统计模型（如 scikit-learn、Lightning、StatsModels 等）直接转换为多种编程语言的原生代码（包括 Python, C, Java, Go, JavaScript, C#, Rust 等）。这使得模型可以脱离 Python 环境，在嵌入式设备、移动端或高性能后端中直接运行。\n\n## 环境准备\n\n*   **操作系统**：支持 Windows, macOS, Linux。\n*   **Python 版本**：需要 **Python 3.7** 或更高版本。\n*   **前置依赖**：\n    *   已安装并配置好 Python 环境。\n    *   已安装用于训练模型的库（如 `scikit-learn`, `lightning`, `xgboost`, `lightgbm` 等），并确保模型已完成训练。\n\n## 安装步骤\n\n推荐使用国内镜像源加速安装（以清华源为例）：\n\n```bash\npip install m2cgen -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n或者使用官方源安装：\n\n```bash\npip install m2cgen\n```\n\n## 基本使用\n\n以下示例展示如何将一个 scikit-learn 的线性回归模型转换为 **Java** 代码。\n\n### 1. 训练模型并生成代码\n\n在 Python 环境中执行以下脚本：\n\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn import linear_model\nimport m2cgen as m2c\n\n# 1. 加载数据并训练模型\nX, y = load_diabetes(return_X_y=True)\nestimator = linear_model.LinearRegression()\nestimator.fit(X, y)\n\n# 2. 将模型导出为 Java 代码\ncode = m2c.export_to_java(estimator)\n\n# 3. 打印或保存生成的代码\nprint(code)\n# 若需保存文件:\n# with open(\"Model.java\", \"w\") as f:\n#     f.write(code)\n```\n\n### 2. 查看生成结果\n\n运行上述脚本后，`m2cgen` 会输出纯 Java 代码，不包含任何外部依赖。示例如下：\n\n```java\npublic class Model {\n    public static double score(double[] input) {\n        return ((((((((((152.1334841628965) + ((input[0]) * (-10.012197817470472))) + ((input[1]) * (-239.81908936565458))) + ((input[2]) * (519.8397867901342))) + ((input[3]) * (324.39042768937657))) + ((input[4]) * (-792.1841616283054))) + ((input[5]) * (476.74583782366153))) + ((input[6]) * (101.04457032134408))) + ((input[7]) * (177.06417623225025))) + ((input[8]) * (751.2793210873945))) + ((input[9]) * (67.62538639104406));\n    }\n}\n```\n\n### 3. 支持的语言与模型\n\n*   **支持语言**：C, C#, Dart, F#, Go, Haskell, Java, JavaScript, PHP, PowerShell, Python, R, Ruby, Rust, Visual Basic, Elixir。\n*   **常用转换函数**：\n    *   `m2c.export_to_python(model)`\n    *   `m2c.export_to_c(model)`\n    *   `m2c.export_to_go(model)`\n    *   `m2c.export_to_javascript(model)`\n    *   (其他语言同理，遵循 `export_to_\u003Clanguage>` 命名规则)\n\n*   **支持模型**：涵盖线性模型（Linear\u002FLogistic Regression）、SVM、决策树、随机森林以及提升树（XGBoost, LightGBM 等）的分类与回归任务。","某金融科技公司需要将训练好的反欺诈评分模型部署到老旧的银行核心系统中，该系统仅支持运行原生 C 代码且严禁安装任何第三方依赖库。\n\n### 没有 m2cgen 时\n- **环境依赖沉重**：传统部署需搭建 Python 运行时并安装 scikit-learn、numpy 等重型库，但目标服务器因安全策略禁止安装新软件。\n- **跨语言重构风险高**：开发人员必须手动将复杂的数学公式“翻译”成 C 代码，极易在转录过程中引入计算误差，导致模型效果失真。\n- **维护成本高昂**：一旦模型需要迭代更新，整个手动重写代码的过程必须重复进行，严重拖慢业务响应速度。\n- **性能开销大**：若强行通过 API 调用外部 Python 服务，网络延迟会增加交易耗时，无法满足毫秒级风控要求。\n\n### 使用 m2cgen 后\n- **零依赖原生代码**：m2cgen 直接将训练好的模型转换为纯原生 C 函数，无需任何外部库即可在老旧系统中编译运行。\n- **自动化精准转换**：工具自动完成从 Python 模型到 C 代码的转译，消除了人工重写带来的逻辑错误，确保预测结果完全一致。\n- **敏捷迭代部署**：模型更新时只需重新运行 m2cgen 生成新代码文件，几分钟内即可完成上线，大幅缩短开发周期。\n- **极致运行性能**：生成的代码直接嵌入核心系统进程，消除了网络通信开销，实现了本地毫秒级实时推理。\n\nm2cgen 的核心价值在于打破了机器学习模型与生产环境之间的语言壁垒，让复杂模型能以零依赖、高性能的原生代码形式无缝嵌入任意系统。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FBayesWitnesses_m2cgen_32a0df5a.png","BayesWitnesses","Bayes' Witnesses","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FBayesWitnesses_47d3bb86.png","",null,"https:\u002F\u002Fgithub.com\u002FBayesWitnesses",[80,84,88,91,95,98,102,106,109,113],{"name":81,"color":82,"percentage":83},"Python","#3572A5",48.6,{"name":85,"color":86,"percentage":87},"Elixir","#6e4a7e",4.3,{"name":89,"color":90,"percentage":87},"PowerShell","#012456",{"name":92,"color":93,"percentage":94},"Dart","#00B4AB",4,{"name":96,"color":97,"percentage":94},"Rust","#dea584",{"name":99,"color":100,"percentage":101},"Java","#b07219",3.6,{"name":103,"color":104,"percentage":105},"C#","#178600",3.5,{"name":107,"color":108,"percentage":105},"Visual Basic .NET","#945db7",{"name":110,"color":111,"percentage":112},"R","#198CE7",3.4,{"name":114,"color":115,"percentage":116},"Go","#00ADD8",3.3,2967,258,"2026-04-06T06:39:53","MIT",1,"未说明",{"notes":124,"python":125,"dependencies":126},"该工具是一个轻量级库，用于将训练好的统计模型转译为多种语言的本地代码。支持通过 pip 安装。若使用 CLI 加载序列化模型（pickle），需确保模型类定义在可导入模块的顶层。生成代码时若遇到递归深度错误，可减少集成模型中的估计器数量或调整 Python 递归限制。生成的代码主要基于 float64 (double) 数据类型，不同语言浮点运算实现可能导致微小差异。",">=3.7",[127,128,129,130,131],"scikit-learn","lightning","statsmodels","xgboost","lightgbm",[13,35,133,134,16,15,14,52,135],"音频","视频","其他",[137,127,138,130,131,139,140,141,142,143,144,145,146,147,129,128,148,149,150],"machine-learning","statistical-learning","java","python","c","javascript","go","csharp","php","r","dartlang","haskell","ruby","rust","2026-03-27T02:49:30.150509","2026-04-08T07:44:49.638569",[154,159,164,169,174,179],{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},23873,"为什么生成的代码在预测结果上与原始模型（XGBoost\u002FLightGBM）不一致？","这通常是由于特定参数设置（如 XGBoost 的 tree_method=\"hist\"）或版本兼容性导致的已知问题。维护者已在后续版本（如 v0.7.0 或通过 PR #290）中修复了此类差异。请确保将 m2cgen 升级到最新版本，如果问题仍然存在，请检查是否使用了受支持的模型参数配置。","https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F168",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},23874,"如何将生成的模型代码直接保存为文件？","虽然 CLI 没有直接的保存参数，但可以通过重定向标准输出实现：\nCLI 方式：m2cgen \u003C模型路径> --language c > \u003C输出文件路径>\nPython API 方式：\nimport m2cgen as m2c\ngenerated_code = m2c.export_to_c(...)\nwith open('\u003C输出文件路径>', 'w') as fd:\n    fd.write(generated_code)","https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F110",{"id":165,"question_zh":166,"answer_zh":167,"source_url":168},23875,"生成的 C\u002FC++ 代码中出现了 Python 特有的 \"None\" 关键字，导致编译错误，如何解决？","这是一个已知的代码生成 Bug，特别是在使用 XGBoost 的 gblinear booster 时。该问题已在 m2cgen 版本 0.7.0 中被修复。请将您的 m2cgen 库升级到 0.7.0 或更高版本以解决此问题。","https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F183",{"id":170,"question_zh":171,"answer_zh":172,"source_url":173},23876,"m2cgen 是否支持 Dart 语言以便在 Flutter 应用中使用？","是的，m2cgen 已经添加了对 Dart 语言的支持（通过 PR #167）。您可以直接使用 --language dart 参数生成 Dart 代码。注意：在 Dart 中处理 sigmoid 函数时，对于超出 (-22, 22) 范围的输入值可以直接返回 -1 或 1 以优化性能。","https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F165",{"id":175,"question_zh":176,"answer_zh":177,"source_url":178},23877,"生成的 Python 代码默认依赖 numpy 吗？如何生成零依赖的纯 Python 代码？","为了符合“零依赖”的使命，m2cgen 已从默认的 PythonInterpreter 中移除了 numpy 依赖。现在生成的 Python 代码默认不包含 numpy，完全使用标准库实现线性代数运算。如果您有特殊情况需要 numpy 版本，可能需要查看是否有特定的解释器选项，但默认行为已是无依赖。","https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F115",{"id":180,"question_zh":181,"answer_zh":182,"source_url":183},23878,"LightGBM 模型转译为 JavaScript 后，预测结果与原始 Python 模型存在细微差异，原因是什么？","这种差异通常源于浮点数精度处理或缺失值（null\u002FNaN）的处理逻辑不同。该问题已在 PR #290 中得到修复。请确保您使用的是包含此修复的最新版本 m2cgen。如果升级后仍有问题，请检查输入数据中的缺失值处理方式是否与原始训练环境一致。","https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F218",[185,190,195,200,205,210,215,220,225,230,235,240,245],{"id":186,"version":187,"summary_zh":188,"released_at":189},145447,"v0.10.0","* 已停止对 Python 3.6 的支持。\n* 新增对 Python 3.9 和 3.10 的支持。\n* 训练好的模型现在可以转译为 Rust 和 Elixir 🎉\n* 模型支持：\n  * 新增对 `lightning` 包中的 SGDRegressor 的支持。\n  * 新增对 LightGBM 包中极随机树的支持。\n  * 新增对 `scikit-learn` 包中 OneClassSVM 的支持。\n* 针对所支持模型的最新版本进行了多项改进。\n* 对 CI\u002FCD 流程进行了多项优化，包括从 Coveralls 迁移到 Codecov、自动生成功能示例代码以及自动创建 GitHub Release。\n* 对代码库进行了小幅清理。\n* 大幅减少了生成代码中的冗余括号和 `return` 语句数量。\n* 现已支持最新的 Dart 语言版本。\n* 编程语言可以提供 sigmoid 和 softmax 函数的原生实现。\n* 通过在生成代码末尾添加新行，提升了代码生成速度。\n","2022-04-25T18:51:36",{"id":191,"version":192,"summary_zh":193,"released_at":194},145448,"v0.9.0","* Python 3.5 已不再受支持。\n* 训练好的模型现在可以转译为 F# 🎉 。\n* 模型支持：\n  * 新增对 `scikit-learn` 包中 GLM 模型的支持。\n  * 引入了对 LightGBM 模型中多种目标函数的支持。\n  * GLM 模型现支持柯西分布。\n* 改进了浮点数到字符串字面量的转换，从而提升了生成代码返回结果的准确性。\n* 改进了 LightGBM 模型中缺失值的处理。特别感谢我们的首位贡献者 @Aulust 🎉 。\n* 对代码生成运行时进行了多项改进。","2020-09-18T19:17:26",{"id":196,"version":197,"summary_zh":198,"released_at":199},145449,"v0.8.0","* 本版本是最后一个支持 Python 3.5 的版本。下一个版本将要求 Python >= 3.6。\n* 训练好的模型现在可以被转译为 Haskell 和 Ruby 🎉\n* 代码生成运行时进行了多项改进：\n    * 引入了解释器处理程序名称的缓存机制。\n    * 现在使用字符串缓冲区来存储生成的代码。\n    * 已经不再使用 `string.Template`。\n* 生成的 Python 代码在运行时不再需要 `numpy` 依赖。\n* 模型支持得到增强：\n    * 为 XGBoost 随机森林模型启用了多分类支持。\n    * 添加了对 XGBoost 包中提升随机森林模型的支持。\n    * 添加了对 `statsmodels` 包中广义线性模型的支持。\n* 为多种依赖于更简单语言构造的函数引入了回退表达式。这将简化新解释器的实现，因为标准库或解释器开发者必须提供的函数数量已减少。请注意，回退表达式是可选的，可以被手动编写的实现或标准库中的相应函数所覆盖。已引入回退 AST 表达式的函数包括：`abs`、`tanh`、`sqrt`、`exp`、`sigmoid` 和 `softmax`。\n\n特别感谢 @StrikerRUS，他负责了所有这些令人惊叹的更新 💪","2020-06-18T14:52:42",{"id":201,"version":202,"summary_zh":203,"released_at":204},145450,"v0.7.0","* Bug 修复：\n    * XGBoost 树的阈值现强制转换为 float32 类型（https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F168）。\n    * 修复了对较新版本 XGBoost 的支持问题。在这些版本中，`base_score` 参数的默认值已变为 None（https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fissues\u002F182）。\n* 现在可以将模型转译为 Dart 语言。感谢 @MattConflitti 的这一出色贡献 🎉\n* 新增对以下模型的支持：\n    * 现已支持 `statsmodels` 包中的模型。新增模型包括：GLS、GLSAR、OLS、ProcessMLE、QuantReg 和 WLS。\n    * `lightning` 包中的模型：AdaGradRegressor\u002FAdaGradClassifier、CDRegressor\u002FCDClassifier、FistaRegressor\u002FFistaClassifier、SAGARegressor\u002FSAGAClassifier、SAGRegressor\u002FSAGClassifier、SDCARegressor\u002FSDCAClassifier、SGDClassifier、LinearSVR\u002FLinearSVC 以及 KernelSVC。\n    * `scikit-learn` 包中的 RANSACRegressor。\n* 现可通过参数更改评分函数的名称。感谢 @mrshu 💪\n* 从抽象语法树中移除了 `SubroutineExpr` 表达式。生成代码拆分为子程序的逻辑现已集中在解释器中，并已完全从汇编器中移除。","2020-04-07T16:47:17",{"id":206,"version":207,"summary_zh":208,"released_at":209},145451,"v0.6.0","- 经过训练的模型现在可以转译为 R、PowerShell 和 PHP 代码。这项重大改进由 @StrikerRUS 独家完成。  \n- 在 Java 解释器中引入了一种基于启发式方法的代码拆分逻辑，该逻辑无需依赖 AST 中的 `SubroutineExpr`，即可将代码拆分为多个方法。  \n- 新增对 LightGBM 和 XGBoost 随机森林模型的支持。  \n- 现已支持 XGBoost 的线性模型。  \n- 现在支持 scikit-learn 库中的 LassoLarsCV、Perceptron 以及 PassiveAggressiveClassifier 估计器。","2020-02-17T03:52:59",{"id":211,"version":212,"summary_zh":213,"released_at":214},145452,"v0.5.0","本次发布包含多项令人振奋的更新。特别感谢 @StrikerRUS 和 @chris-smith-zocdoc 为此次发布所做出的努力。\n\n- Visual Basic 和 C# 已加入支持的语言列表。感谢 @StrikerRUS 的辛勤工作！\n- 当生成的 Python 代码不涉及线性代数运算时，不再需要 `numpy` 依赖。感谢 @StrikerRUS 的这项改进。\n- 修复了在 GBT 模型的单个估计器包含大量叶节点时，生成的 Java 代码超出 JVM 方法大小限制的问题。向发现并修复此问题的 @chris-smith-zocdoc 致敬！","2019-12-01T18:38:55",{"id":216,"version":217,"summary_zh":218,"released_at":219},145453,"v0.4.0","- JavaScript 现已列入支持的语言之列。感谢 @bcampbell-prosper 的贡献。","2019-09-28T22:49:46",{"id":221,"version":222,"summary_zh":223,"released_at":224},145454,"v0.3.1","- 修复了在模型对象中未指定特征名称时生成 XGBoost 模型的问题（https:\u002F\u002Fgithub.com\u002FBayesWitnesses\u002Fm2cgen\u002Fpull\u002F93）。感谢 @akhvorov 提供的修复补丁。","2019-08-15T16:03:39",{"id":226,"version":227,"summary_zh":228,"released_at":229},145455,"v0.3.0","- 新增对 `scikit-learn` 中以下 SVM 模型实现的支持：`SVC`、`NuSVC`、`SVR` 和 `NuSVR`。","2019-05-21T19:04:12",{"id":231,"version":232,"summary_zh":233,"released_at":234},145456,"v0.2.1","- 为 XGBoost 模型添加了对 `best_ntree_limit` 属性的支持，用于限制预测时使用的估计器数量。感谢 @arshamg 的帮助。","2019-04-17T18:08:36",{"id":236,"version":237,"summary_zh":238,"released_at":239},145457,"v0.2.0","- Golang joins the family of languages supported by `m2cgen` 🎉  Credit goes to @matbur for making such a significant contribution 🥇 \r\n- For generated C code the custom `assign_array` function that was used to assign vector values has been replaced with plain `memcpy`.","2019-03-22T21:49:17",{"id":241,"version":242,"summary_zh":243,"released_at":244},145458,"v0.1.1","- Fix handling of the \"default_left\" value in the LightGBM assembler.","2019-03-05T04:40:48",{"id":246,"version":247,"summary_zh":248,"released_at":249},145459,"v0.1.0","First release.","2019-02-12T23:36:19"]