[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-jaredleekatzman--DeepSurv":3,"tool-jaredleekatzman--DeepSurv":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":76,"owner_company":78,"owner_location":79,"owner_email":76,"owner_twitter":76,"owner_website":80,"owner_url":81,"languages":82,"stars":95,"forks":96,"last_commit_at":97,"license":98,"difficulty_score":10,"env_os":99,"env_gpu":100,"env_ram":100,"env_deps":101,"category_tags":109,"github_topics":76,"view_count":110,"oss_zip_url":76,"oss_zip_packed_at":76,"status":16,"created_at":111,"updated_at":112,"faqs":113,"releases":143},157,"jaredleekatzman\u002FDeepSurv","DeepSurv","DeepSurv is a deep learning approach to survival analysis. ","DeepSurv 是一个基于深度学习的生存分析工具，专门用于预测事件发生的时间和概率，比如患者在某种治疗下的存活时间。它扩展了经典的 Cox 比例风险模型，用神经网络自动学习哪些变量对预测最重要，省去了人工挑选特征的繁琐过程。这在医疗、金融或工程等领域特别有用——例如，医生可以用它为不同病人推荐个性化治疗方案。\n\nDeepSurv 最适合研究人员和数据科学家使用，尤其是那些熟悉 Python、有生存分析需求但希望引入深度学习提升效果的人。虽然安装依赖稍复杂（需 Theano 和 Lasagne），但训练过程简洁，只需准备包含观测值、事件时间和状态的数据，再调用几行代码即可完成建模和评估。\n\n技术亮点在于它将传统统计模型与现代神经网络结合，在保持可解释性的同时获得更强的预测能力。项目还提供 Docker 支持，方便复现实验。后续也有 PyTorch 版本的损失函数可供参考，便于迁移到新框架。如果你正在处理带“时间+事件”结构的数据，DeepSurv 值得一试。","# DeepSurv\n\nDeepSurv implements a deep learning generalization of the Cox proportional hazards model using Theano and Lasagne. \n\nDeepSurv has an advantage over traditional Cox regression because it does not require an *a priori* selection of covariates, but learns them adaptively. \n\nDeepSurv can be used in numerous survival analysis applications. One medical application is provided: recommend_treatment, which provides treatment recommendations for a set of patient observations. \n\nFor more details, see full paper [DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network](http:\u002F\u002Farxiv.org\u002Fabs\u002F1606.00931).\n\n**For an updated implementation of the [Cox loss function](https:\u002F\u002Fgithub.com\u002Frunopti\u002Fstg\u002Fblob\u002Fmaster\u002Fpython\u002Fstg\u002Flosses.py) in PyTorch, please see [Feature Selection using Stochastic Gates (STG) by Yamada et al.](https:\u002F\u002Fgithub.com\u002Frunopti\u002Fstg\u002Ftree\u002Fmaster\u002Fpython).**\n\n## Installation:\n\n### From source\n\nDownload a local copy of DeepSurv and install from the directory:\n\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv.git\n\tcd DeepSurv\n\tpip install .\n\n### Dependencies\n\nTheano, Lasagne (bleeding edge version), lifelines, matplotlib (for visualization), tensorboard_logger, and all of their respective dependencies. \n\n### Running the tests\n\nAfter installing, you can optionally run the test suite with\n\n\tpy.test\n\nfrom the command line while in the repo's main directory. \n\n## Running Experiments\n\nExperiments are run using Docker containers built off of the [floydhub](https:\u002F\u002Fgithub.com\u002Ffloydhub\u002Fdl-docker) deep learning Docker images. DeepSurv can be run on either the CPU or the GPU with nvidia-docker. \n\nAll experiments are in the `DeepSurv\u002Fexperiments\u002F` directory. \n\nTo run an experiment, define the experiment name as an environmental variable `EXPRIMENT`and run the docker-compose file. Further details are in the `DeepSurv\u002Fexperiments\u002F` directory. \n\n## Training a Network\n\nTraining DeepSurv can be done in a few lines. \nFirst, all you need to do is prepare the datasets to have the following keys:\n\n\t{ \n\t\t'x': (n,d) observations (dtype = float32), \n\t \t't': (n) event times (dtype = float32),\n\t \t'e': (n) event indicators (dtype = int32)\n\t}\n\nThen prepare a dictionary of hyper-parameters. And it takes only two lines to train a network:\n\n\tnetwork = deepsurv.DeepSurv(**hyperparams)\n\tlog = network.train(train_data, valid_data, n_epochs=500)\n\nYou can then evaluate its success on testing data:\n\n\tnetwork.get_concordance_index(**test_data)\n\t>> 0.62269622730138632\n\nIf you have matplotlib installed, you can visualize the training and validation curves after training the network:\n\n\tdeepsurv.plot_log(log)\n","# DeepSurv\n\nDeepSurv 使用 Theano 和 Lasagne 实现了 Cox 比例风险模型（Cox proportional hazards model）的深度学习泛化版本。\n\n与传统的 Cox 回归相比，DeepSurv 的优势在于它无需预先选择协变量（covariates），而是能够自适应地学习这些特征。\n\nDeepSurv 可用于多种生存分析（survival analysis）应用场景。项目提供了一个医疗应用示例：recommend_treatment，该功能可为一组患者观测数据提供治疗建议。\n\n更多详情，请参阅完整论文：[DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network](http:\u002F\u002Farxiv.org\u002Fabs\u002F1606.00931)。\n\n**如需使用 PyTorch 实现的更新版 [Cox 损失函数（Cox loss function）](https:\u002F\u002Fgithub.com\u002Frunopti\u002Fstg\u002Fblob\u002Fmaster\u002Fpython\u002Fstg\u002Flosses.py)，请参考 Yamada 等人开发的 [基于随机门控的特征选择方法（Feature Selection using Stochastic Gates, STG）](https:\u002F\u002Fgithub.com\u002Frunopti\u002Fstg\u002Ftree\u002Fmaster\u002Fpython)。**\n\n## 安装：\n\n### 从源码安装\n\n下载 DeepSurv 的本地副本，并在该目录中进行安装：\n\n\tgit clone https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv.git\n\tcd DeepSurv\n\tpip install .\n\n### 依赖项\n\nTheano、Lasagne（最新开发版）、lifelines、matplotlib（用于可视化）、tensorboard_logger，以及它们各自的所有依赖项。\n\n### 运行测试\n\n安装完成后，您可选择在命令行中进入仓库主目录后运行测试套件：\n\n\tpy.test\n\n## 运行实验\n\n实验通过基于 [floydhub](https:\u002F\u002Fgithub.com\u002Ffloydhub\u002Fdl-docker) 深度学习 Docker 镜像构建的 Docker 容器运行。DeepSurv 可在 CPU 或 GPU（使用 nvidia-docker）上运行。\n\n所有实验均位于 `DeepSurv\u002Fexperiments\u002F` 目录中。\n\n要运行某个实验，请将实验名称定义为环境变量 `EXPRIMENT`，然后运行 docker-compose 文件。更多细节请参见 `DeepSurv\u002Fexperiments\u002F` 目录。\n\n## 训练网络\n\n训练 DeepSurv 仅需几行代码。\n首先，您只需准备包含以下键值的数据集：\n\n\t{ \n\t\t'x': (n,d) 观测数据（dtype = float32）, \n\t \t't': (n) 事件发生时间（dtype = float32）,\n\t \t'e': (n) 事件指示器（dtype = int32）\n\t}\n\n接着准备一个超参数字典。训练网络仅需两行代码：\n\n\tnetwork = deepsurv.DeepSurv(**hyperparams)\n\tlog = network.train(train_data, valid_data, n_epochs=500)\n\n随后，您可以在测试数据上评估其性能：\n\n\tnetwork.get_concordance_index(**test_data)\n\t>> 0.62269622730138632\n\n如果您已安装 matplotlib，可在训练完成后绘制训练和验证曲线：\n\n\tdeepsurv.plot_log(log)","# DeepSurv 快速上手指南\n\n## 环境准备\n\n- **系统要求**：支持 Python 的 Linux\u002FmacOS\u002FWindows 系统，推荐使用 Linux（如 Ubuntu）以获得最佳兼容性。\n- **前置依赖**：\n  - Python 3.x\n  - Theano\n  - Lasagne（需安装最新开发版）\n  - lifelines\n  - matplotlib（可选，用于绘图）\n  - tensorboard_logger\n\n> ⚠️ 注意：Lasagne 需要从源码安装“bleeding edge”版本，官方 PyPI 版本可能不兼容。\n\n## 安装步骤\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv.git\ncd DeepSurv\npip install .\n```\n\n> 🇨🇳 国内用户建议使用清华或阿里云镜像加速 pip 安装：\n>\n> ```bash\n> pip install . -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n> ```\n\n安装完成后可选运行测试：\n\n```bash\npy.test\n```\n\n## 基本使用\n\n### 1. 准备数据格式\n\n数据需为字典格式，包含以下键：\n\n```python\n{\n    'x': (n,d) 观测值 (dtype = float32),\n    't': (n) 事件发生时间 (dtype = float32),\n    'e': (n) 事件指示器（是否发生事件，dtype = int32)\n}\n```\n\n### 2. 定义超参数并训练模型\n\n```python\nimport deepsurv\n\nhyperparams = { ... }  # 自定义超参数字典\nnetwork = deepsurv.DeepSurv(**hyperparams)\n\nlog = network.train(train_data, valid_data, n_epochs=500)\n```\n\n### 3. 评估模型效果\n\n```python\nc_index = network.get_concordance_index(**test_data)\nprint(c_index)\n# 输出示例: 0.62269622730138632\n```\n\n### 4. 可视化训练过程（需安装 matplotlib）\n\n```python\ndeepsurv.plot_log(log)\n```\n\n> ✅ 提示：如需 PyTorch 版本的 Cox 损失函数实现，可参考 [STG 项目](https:\u002F\u002Fgithub.com\u002Frunopti\u002Fstg\u002Ftree\u002Fmaster\u002Fpython)。","某三甲医院肿瘤科的研究团队正在构建一个乳腺癌患者生存预测模型，希望根据患者的基因表达、临床指标和治疗方案，动态推荐个性化治疗策略以延长生存期。\n\n### 没有 DeepSurv 时\n- 必须依赖统计专家手动筛选几十个预设协变量（如年龄、分期、ER状态等），容易遗漏潜在重要特征或引入主观偏差。\n- 使用传统Cox比例风险模型，无法自动捕捉高维数据中的非线性关系与交互效应，预测精度受限。\n- 模型输出的是群体平均风险，难以针对个体患者给出“换用靶向药是否更优”这类具体治疗建议。\n- 调参和验证过程繁琐，需反复拟合多个回归模型，耗时数周且结果不稳定。\n- 缺乏可视化训练过程，模型是否收敛、是否存在过拟合全靠人工经验判断。\n\n### 使用 DeepSurv 后\n- DeepSurv 自动从上百维基因+临床数据中学习关键生存相关特征，无需人工预选变量，发现传统方法忽略的生物标记组合。\n- 利用深度神经网络建模复杂非线性关系，C-index 提升15%，对高风险患者识别更精准。\n- 通过 recommend_treatment 模块，可为每位患者计算不同治疗路径下的预期生存曲线，辅助医生选择最优方案。\n- 训练流程标准化，几行代码即可完成模型训练与交叉验证，实验周期从数周缩短至几天。\n- 内置 plot_log 函数直观展示损失曲线，帮助团队快速诊断模型表现，提升迭代效率。\n\nDeepSurv 将生存分析从“统计假设驱动”转变为“数据驱动”，让临床决策支持系统真正实现个性化、自动化与可解释。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fjaredleekatzman_DeepSurv_b3ecb5ba.png","jaredleekatzman",null,"https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fjaredleekatzman_fa5b5cee.jpg","@aws ","New York, NY","jaredleekatzman.com","https:\u002F\u002Fgithub.com\u002Fjaredleekatzman",[83,87,91],{"name":84,"color":85,"percentage":86},"Jupyter Notebook","#DA5B0B",62.9,{"name":88,"color":89,"percentage":90},"Python","#3572A5",36.8,{"name":92,"color":93,"percentage":94},"Dockerfile","#384d54",0.3,688,179,"2026-04-02T12:46:15","MIT","","未说明",{"notes":102,"python":100,"dependencies":103},"需安装 bleeding edge 版本的 Lasagne；支持通过 Docker（含 nvidia-docker）运行实验；推荐使用 PyTorch 更新版实现（见 README 链接）。",[104,105,106,107,108],"Theano","Lasagne","lifelines","matplotlib","tensorboard_logger",[13,54],4,"2026-03-27T02:49:30.150509","2026-04-06T05:27:02.818195",[114,119,124,129,133,138],{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},296,"如何在 Windows 上安装 DeepSurv？","在 Windows 10（64位，Python 3.7 + Anaconda）上可按以下步骤安装：\n```\npip install --upgrade https:\u002F\u002Fgithub.com\u002FTheano\u002FTheano\u002Farchive\u002Fmaster.zip\npip install --upgrade https:\u002F\u002Fgithub.com\u002FLasagne\u002FLasagne\u002Farchive\u002Fmaster.zip\npip install git+https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv.git\npip install h5py\n```","https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv\u002Fissues\u002F17",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},297,"训练时损失值变成 NaN 怎么办？","输入特征应归一化到 [0,1] 区间。神经网络对输入范围敏感，推荐使用 MinMaxScaler 预处理数据，虽然它对异常值敏感，但这是 DeepSurv 模型的标准做法。","https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv\u002Fissues\u002F14",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},298,"valid_data 是什么？为什么需要验证集？","验证集用于在训练过程中监控模型性能、防止过拟合，并帮助选择最佳超参数。不同于测试集仅用于最终评估，验证集参与训练过程的早停和调参。","https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv\u002Fissues\u002F27",{"id":130,"question_zh":131,"answer_zh":132,"source_url":128},299,"在哪里可以找到论文中实验的示例代码？","论文实验代码位于项目目录下的 experiments 文件夹中，具体路径为：https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv\u002Fblob\u002Fmaster\u002Fexperiments\u002Fscripts\u002Fdeepsurv_run.py",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},300,"如何让模型训练结果可复现？","需同时设置多个随机种子：\n1. 设置 PYTHONHASHSEED 环境变量\n2. 设置 Python random 种子\n3. 设置 NumPy 随机种子\n4. 设置 TensorFlow 随机种子\n5. 配置 TensorFlow 会话限制并行线程数。\n具体代码参考评论中的完整设置方案。","https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv\u002Fissues\u002F77",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},301,"AttributeError: DeepSurv 实例没有 'restored_update_params' 属性怎么办？","此错误通常由 Lasagne 版本不兼容引起。解决方案是更换 Lasagne 版本，建议安装与项目兼容的特定版本（如 master 分支）以确保接口一致。","https:\u002F\u002Fgithub.com\u002Fjaredleekatzman\u002FDeepSurv\u002Fissues\u002F9",[144,149],{"id":145,"version":146,"summary_zh":147,"released_at":148},99994,"v2.0.0","DeepSurv comes with software, datasets, and docker images to run experiments from the paper [DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.00931).","2017-12-30T16:39:48",{"id":150,"version":151,"summary_zh":152,"released_at":153},99995,"v1.0.0","DeepSurv comes with software from the paper [DeepSurv: Personalized Treatment Recommender System Using A Cox Proportional Hazards Deep Neural Network](https:\u002F\u002Farxiv.org\u002Fabs\u002F1606.00931).","2017-12-30T16:39:24"]