[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-motefly--DeepGBM":3,"tool-motefly--DeepGBM":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":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":81,"owner_email":82,"owner_twitter":83,"owner_website":84,"owner_url":85,"languages":86,"stars":95,"forks":96,"last_commit_at":97,"license":83,"difficulty_score":10,"env_os":98,"env_gpu":98,"env_ram":98,"env_deps":99,"category_tags":107,"github_topics":83,"view_count":10,"oss_zip_url":83,"oss_zip_packed_at":83,"status":16,"created_at":108,"updated_at":109,"faqs":110,"releases":161},906,"motefly\u002FDeepGBM","DeepGBM","SIGKDD'2019: DeepGBM: A Deep Learning Framework Distilled by GBDT for Online Prediction Tasks","DeepGBM 是一个用于在线预测任务的深度学习框架，它巧妙地将梯度提升决策树（GBDT）的知识“蒸馏”到神经网络中。这个工具主要帮助用户在保持GBDT高精度的同时，获得神经网络所擅长的快速在线预测和高效处理类别特征的能力。\n\n它解决了传统GBDT模型在线上服务时预测延迟较高、难以高效处理稀疏类别特征的问题，同时也弥补了纯神经网络模型在小规模或表格数据上精度有时不及GBDT的不足。DeepGBM通过结合两者的优势，提供了一个既强大又高效的解决方案。\n\nDeepGBM非常适合机器学习研究人员和算法工程师使用，特别是那些从事推荐系统、广告点击率预估、金融风控等需要处理海量表格数据并进行实时预测的开发者。对于希望将离线训练的复杂树模型部署为高效在线服务的团队来说，它是一个很有价值的工具。\n\n其核心的技术亮点在于“蒸馏”机制：它首先训练一个强大的GBDT模型（基于LightGBM），然后通过学习GBDT的决策路径和输出，来指导并初始化一个神经网络（基于PyTorch），最终得到一个融合了树模型判别力和神经网络灵活性的混合模型。项目代码结构清晰，提供了从数据预处理、特征编码到模型训练的全流程实现","DeepGBM 是一个用于在线预测任务的深度学习框架，它巧妙地将梯度提升决策树（GBDT）的知识“蒸馏”到神经网络中。这个工具主要帮助用户在保持GBDT高精度的同时，获得神经网络所擅长的快速在线预测和高效处理类别特征的能力。\n\n它解决了传统GBDT模型在线上服务时预测延迟较高、难以高效处理稀疏类别特征的问题，同时也弥补了纯神经网络模型在小规模或表格数据上精度有时不及GBDT的不足。DeepGBM通过结合两者的优势，提供了一个既强大又高效的解决方案。\n\nDeepGBM非常适合机器学习研究人员和算法工程师使用，特别是那些从事推荐系统、广告点击率预估、金融风控等需要处理海量表格数据并进行实时预测的开发者。对于希望将离线训练的复杂树模型部署为高效在线服务的团队来说，它是一个很有价值的工具。\n\n其核心的技术亮点在于“蒸馏”机制：它首先训练一个强大的GBDT模型（基于LightGBM），然后通过学习GBDT的决策路径和输出，来指导并初始化一个神经网络（基于PyTorch），最终得到一个融合了树模型判别力和神经网络灵活性的混合模型。项目代码结构清晰，提供了从数据预处理、特征编码到模型训练的全流程实现。","# DeepGBM\n\nImplementation for the paper \"DeepGBM: A Deep Learning Framework Distilled  by GBDT for Online Prediction Tasks\", \nwhich has been accepted by KDD'2019 as an Oral Paper, in the Research Track. You can get more information from the [video](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=UzXNzW2s8Pw) and the [paper](https:\u002F\u002Fwww.kdd.org\u002Fkdd2019\u002Faccepted-papers\u002Fview\u002Fdeepgbm-a-deep-learning-framework-distilled-by-gbdt-for-online-prediction-t).\n\nIf you find this code useful in your research, please cite the [paper](https:\u002F\u002Fwww.kdd.org\u002Fkdd2019\u002Faccepted-papers\u002Fview\u002Fdeepgbm-a-deep-learning-framework-distilled-by-gbdt-for-online-prediction-t):\n\nGuolin Ke, Zhenhui Xu, Jia Zhang, Jiang Bian, and Tie-Yan Liu. \"DeepGBM: A Deep Learning Framework Distilled by GBDT for Online Prediction Tasks.\" In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2019: 384-394.\n\n## Brief Introduction\nThis repo is built for the experimental codes in our paper, \ncontaining all the data preprocessing, baseline models implementation\nand proposed model implementation ([full codes here](https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Ftree\u002Fmaster\u002Fexperiments)). For quick start, here we only show the codes related to our model.\nFor GBDT based model, our implementation is based on LightGBM. \nFor NN based model, our implementation is based on pytorch.\n\nThere are three main folders in the project, `data` is for data storage, `preprocess` is the folder containing feature selection and encoding, `models` contains all the implementation codes of the proposed model.\nFor more detailed experiments codes, refer to the [`experiments`](https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Ftree\u002Fmaster\u002Fexperiments) folder. \n\nBesides, `main.py` is the entry code file for our model.\nBesides, `data_helpers.py` contains the data loader, `helper.py`\ncontains the general training and testing logic for NN.\n`train_models.py` is for the specific training process of the model.\nIn `models`, there are some implementations of main models. `tree_model_interpreter.py` is used for interpreting\nthe trained GBDT's structure.\n\n## Environment Setting\nThe main dependency is shown as follows:\n* Python==3.6.6\n* LightGBM==2.2.1\n* Pytorch==0.4.1\n* Sklearn==0.19.2\n\n## Quick Start\nAll the datasets should be converted into *.csv* files first and then processed by encoders in `preprocess`. The features used for each dataset could be seen in `preprocess\u002Fencoding_*.py`, the main function specifically.\n\nTo run DeepGBM, after the above step, you will prepare your data in *.npy* format. Then we can use the function in `data_helpers.py` to load its numerical part and categorical part:\n```python\nnum_data = dh.load_data(args.data+'_num')\ncate_data = dh.load_data(args.data+'_cate')\n# following is designed for faster catNN inputs\ncate_data = dh.trans_cate_data(cate_data)\n```\nOn the contrary, if you run GBDT2NN or CatNN only, you can only feed the numerical data or categorical data into the model.\nThen, you can call the functions in `train_models.py` like:\n```python\ntrain_GBDT2NN(args, num_data, plot_title)\n# or\ntrain_DEEPGBM(args, num_data, cate_data, plot_title)\n```\n\nThanks for your visiting, and if you have any questions, please new an issue.\n","# DeepGBM\n\n本文实现了论文《DeepGBM: A Deep Learning Framework Distilled by GBDT for Online Prediction Tasks》中的方法，该论文已被KDD'2019研究轨道接收为口头报告论文。您可以通过[视频](https:\u002F\u002Fwww.youtube.com\u002Fwatch?v=UzXNzW2s8Pw)和[论文](https:\u002F\u002Fwww.kdd.org\u002Fkdd2019\u002Faccepted-papers\u002Fview\u002Fdeepgbm-a-deep-learning-framework-distilled-by-gbdt-for-online-prediction-t)获取更多信息。\n\n如果您在研究中发现此代码有用，请引用[论文](https:\u002F\u002Fwww.kdd.org\u002Fkdd2019\u002Faccepted-papers\u002Fview\u002Fdeepgbm-a-deep-learning-framework-distilled-by-gbdt-for-online-prediction-t)：\n\nGuolin Ke, Zhenhui Xu, Jia Zhang, Jiang Bian, and Tie-Yan Liu. \"DeepGBM: A Deep Learning Framework Distilled by GBDT for Online Prediction Tasks.\" In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining. ACM, 2019: 384-394.\n\n## 简介\n本仓库为我们论文中的实验代码而构建，包含所有数据预处理、基线模型实现和提出的模型实现（[完整代码在此](https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Ftree\u002Fmaster\u002Fexperiments)）。为快速入门，这里我们仅展示与我们模型相关的代码。对于基于GBDT的模型，我们的实现基于LightGBM。对于基于神经网络（NN）的模型，我们的实现基于pytorch。\n\n项目中有三个主要文件夹：`data`用于数据存储，`preprocess`包含特征选择和编码的文件夹，`models`包含所提出模型的所有实现代码。更详细的实验代码，请参考[`experiments`](https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Ftree\u002Fmaster\u002Fexperiments)文件夹。\n\n此外，`main.py`是我们模型的入口代码文件。`data_helpers.py`包含数据加载器，`helper.py`包含神经网络的一般训练和测试逻辑。`train_models.py`用于模型的具体训练过程。在`models`中，有一些主要模型的实现。`tree_model_interpreter.py`用于解释训练好的GBDT的结构。\n\n## 环境设置\n主要依赖如下：\n* Python==3.6.6\n* LightGBM==2.2.1\n* Pytorch==0.4.1\n* Sklearn==0.19.2\n\n## 快速开始\n所有数据集应首先转换为*.csv*文件，然后由`preprocess`中的编码器处理。每个数据集使用的特征可以在`preprocess\u002Fencoding_*.py`中看到，特别是主函数。\n\n要运行DeepGBM，完成上述步骤后，您将准备好*.npy*格式的数据。然后我们可以使用`data_helpers.py`中的函数加载其数值部分和分类部分：\n```python\nnum_data = dh.load_data(args.data+'_num')\ncate_data = dh.load_data(args.data+'_cate')\n# 以下是为更快的CatNN输入设计的\ncate_data = dh.trans_cate_data(cate_data)\n```\n相反，如果您只运行GBDT2NN或CatNN，您可以只将数值数据或分类数据输入模型。\n然后，您可以调用`train_models.py`中的函数，例如：\n```python\ntrain_GBDT2NN(args, num_data, plot_title)\n# 或\ntrain_DEEPGBM(args, num_data, cate_data, plot_title)\n```\n\n感谢您的访问，如果您有任何问题，请新建一个issue。","# DeepGBM 快速上手指南\n\n## 概述\nDeepGBM 是一个基于深度学习的框架，通过 GBDT（梯度提升决策树）进行知识蒸馏，适用于在线预测任务。本指南将帮助您快速搭建环境并运行一个简单示例。\n\n## 环境准备\n### 系统要求\n- Python 3.6.6\n- 支持 PyTorch 的操作系统（如 Linux、macOS）\n\n### 前置依赖\n安装前请确保已配置好 Python 环境，推荐使用 conda 或 virtualenv 创建独立环境。\n\n## 安装步骤\n1. **克隆仓库**\n   ```bash\n   git clone https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM.git\n   cd DeepGBM\n   ```\n\n2. **安装 Python 依赖**\n   ```bash\n   pip install lightgbm==2.2.1 torch==0.4.1 scikit-learn==0.19.2\n   ```\n   *注：如需加速下载，可使用国内 PyPI 镜像源（如清华源）：`-i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`*\n\n## 基本使用\n### 数据准备\n1. 将数据集转换为 `.csv` 格式文件\n2. 使用 `preprocess` 目录中的编码器进行数据预处理：\n   ```bash\n   python preprocess\u002Fencoding_你的数据集.py\n   ```\n\n### 运行示例\n以下是一个加载数据并训练 DeepGBM 模型的最小示例：\n\n```python\nimport data_helpers as dh\n\n# 加载数值型和分类型数据\nnum_data = dh.load_data('数据集名称_num')\ncate_data = dh.load_data('数据集名称_cate')\ncate_data = dh.trans_cate_data(cate_data)  # 为 CatNN 优化格式\n\n# 训练模型（示例参数）\nargs = 你的参数配置\nplot_title = \"训练结果\"\ntrain_DEEPGBM(args, num_data, cate_data, plot_title)\n```\n\n### 快速启动脚本\n您可以直接使用提供的入口文件运行完整流程：\n```bash\npython main.py --data 你的数据集名称\n```\n\n## 下一步\n- 查看 `experiments` 文件夹获取更多实验代码\n- 参考 `models` 目录了解模型实现细节\n- 修改 `train_models.py` 中的参数以适配您的任务需求","某电商平台的风控团队正在构建一个实时欺诈交易检测系统，该系统需要每秒处理数千笔交易，并即时预测其欺诈风险。\n\n### 没有 DeepGBM 时\n- **模型选择两难**：团队在梯度提升决策树（GBDT）和深度神经网络（DNN）间难以抉择。GBDT在表格数据上精度高但线上预测慢；DNN预测速度快但直接从原始特征学习的效果不佳，模型精度达不到业务要求。\n- **线上推理延迟高**：为了追求精度而部署的GBDT模型，在处理高并发实时请求时，由于需要遍历大量树结构进行决策，单次预测耗时较长，影响了系统的整体响应速度。\n- **特征工程复杂**：为了提升DNN的效果，数据科学家需要投入大量精力进行复杂的手工特征交叉与组合设计，工作流程繁琐且难以自动化迭代。\n- **模型维护成本高**：GBDT与DNN两套模型栈并存，需要不同的技术栈（如LightGBM和PyTorch）分别进行部署、监控和更新，运维复杂度和资源消耗都成倍增加。\n\n### 使用 DeepGBM 后\n- **获得高精度与低延迟的统一**：DeepGBM通过“知识蒸馏”机制，利用训练好的GBDT模型来指导和训练神经网络，使得最终得到的神经网络模型既保留了GBDT的高精度，又具备了神经网络的高效推理能力。\n- **线上预测速度显著提升**：部署蒸馏后的神经网络模型进行线上服务，其前向传播计算速度远快于遍历复杂的树集成模型，大幅降低了单次预测的延迟，轻松应对高并发实时场景。\n- **自动化特征学习**：模型中的CatNN组件能够自动学习类别型特征的高效嵌入，而GBDT2NN组件则从GBDT中学到了有效的数值型特征组合，减少了对繁琐手工特征工程的依赖。\n- **简化技术栈与运维**：团队只需维护一个基于PyTorch的统一的深度学习模型框架，从训练到部署的链路变得标准且简洁，降低了系统复杂度和长期运维成本。\n\nDeepGBM的核心价值在于，它创造性地将GBDT的强表征能力“蒸馏”到神经网络中，从而在关键的在线预测任务上实现了精度与效率的兼得。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fmotefly_DeepGBM_c363ee86.png","motefly","Z.H. X.","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fmotefly_878d65ab.png","Applied Researcher at Meituan","Meituan","Beijing, China","zhenhui.xu@pku.edu.cn",null,"https:\u002F\u002Fmotefly.github.io","https:\u002F\u002Fgithub.com\u002Fmotefly",[87,91],{"name":88,"color":89,"percentage":90},"Python","#3572A5",88.9,{"name":92,"color":93,"percentage":94},"Shell","#89e051",11.1,659,133,"2026-03-20T13:13:56","未说明",{"notes":100,"python":101,"dependencies":102},"该工具基于LightGBM和PyTorch实现，需要分别安装这两个核心库。数据需预处理为.csv格式，再通过编码器转换为.npy格式供模型使用。运行前需确保正确配置Python环境及依赖库版本。","3.6.6",[103,104,105,106],"Python==3.6.6","LightGBM==2.2.1","Pytorch==0.4.1","Sklearn==0.19.2",[13,54],"2026-03-27T02:49:30.150509","2026-04-06T07:13:11.427805",[111,116,121,126,131,136,141,146,151,156],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},3952,"进行二分类在线训练和预测时，出现 `cudaErrorAssert: device-side assert triggered` 错误，如何处理？","该错误通常是由于使用 `BCELoss` 时，输入张量的值超出了 [0, 1] 的范围。根据维护者的回复，可以尝试调整 `nslices` 参数。该参数用于分组，组数应根据树的数量进行调整。修改后即可成功运行。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F23",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},3953,"如何理解 `fast version cateNN` 方法以及 `func trans_cate_data` 的工作原理？","`fast version cateNN` 方法使用了序数编码（ordinal encoding）结合嵌入层（embedding）。在 PyTorch 中，`nn.Embedding` 的前向传播本质上是通过序数编码工作的（内部实现类似于 one-hot 编码）。可以参考原始代码库（如 DeepFM 的实现）和 PyTorch 官方文档来理解。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F17",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},3954,"如何修改网络以支持多分类任务？","作者表示尚未尝试用于多分类任务。因为对于多分类，LightGBM 中树的数量会变为 `#类别数` 倍，其中每组树只贡献给一个特定的类别。如果你有兴趣探索这个方向，可以尝试修改 `BatchDense` 部分的 `out_features` 参数（从原始的 1 改为类别数），但需要更多的实验和调整。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F13",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},3955,"在哪里可以找到演示数据（例如 pro_nips_A.py 中引用的数据）？","演示数据可以在以下网址找到：https:\u002F\u002Fwww.4paradigm.com\u002Fcontent\u002Fdetails_85_1868.html。请访问该链接获取必要的数据文件。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F35",{"id":132,"question_zh":133,"answer_zh":134,"source_url":135},3956,"为什么选择 PyTorch 而不是 TensorFlow 来实现 DeepGBM？","作者选择 PyTorch 是因为它相对于 TensorFlow 更容易调试和适应动态计算图的构建。代码中的 `tf.summary` 注释仅用于集成 TensorBoard，并非主要开发框架。关于 PyTorch 和 TensorFlow 的性能差异，建议向相关社区寻求更详细的对比分析。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F24",{"id":137,"question_zh":138,"answer_zh":139,"source_url":140},3957,"数据集在哪里下载？代码仓库中没有 data 文件夹。","请参考 `experiments` 目录下的 README 文件（https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Ftree\u002Fmaster\u002Fexperiments#data-preprocess）或论文中关于数据预处理的部分，其中包含了数据下载和准备的说明。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F19",{"id":142,"question_zh":143,"answer_zh":144,"source_url":145},3958,"Flight 数据集中使用了哪些字段？","具体使用的字段可以参考代码文件 `experiments\u002Fpreprocess\u002Fencoding_nume.py` 的第 262 行附近，那里定义了数据预处理和字段选择的逻辑。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F16",{"id":147,"question_zh":148,"answer_zh":149,"source_url":150},3959,"在 `deepgbm.py` 中，当 `num_model == 'gbdt2nn'` 时，模型输出是否应该包含 deepfm 部分？","代码逻辑是正确的。当 `num_model == 'gbdt2nn'` 时，模型输出是 `gbdt2nn` 和 `deepfm` 两部分输出的加权和。在初始化时，将 `deepfm` 输出的权重设为 0，`gbdt2nn` 输出的权重设为 1，是因为在实验中发现这样初始化能获得最好的效果（因为 `deepfm` 初始输出是随机的，而 `gbdt2nn` 是预训练好的）。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F15",{"id":152,"question_zh":153,"answer_zh":154,"source_url":155},3960,"测试集在训练 GBDT 时用于早停，又在训练整个 DeepGBM 时用作测试集，这是否合理？","在论文实验中，确实将同一个数据集既用作验证集（用于 GBDT 早停）也用作测试集（评估最终模型）。虽然没有严格区分验证集和测试集，但由于所有基线模型都使用相同的流程，因此不影响实验结果的有效性和可比性。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F14",{"id":157,"question_zh":158,"answer_zh":159,"source_url":160},3961,"运行脚本时遇到 `FileNotFoundError`，提示找不到 `nipsA_offline_num` 文件夹下的文件，如何解决？","请仔细检查脚本的运行日志和参数设置。确保数据预处理步骤已正确执行，生成了所需的 `.npy` 文件。如果问题依旧，可以将详细的错误日志贴出来以便进一步讨论。","https:\u002F\u002Fgithub.com\u002Fmotefly\u002FDeepGBM\u002Fissues\u002F11",[]]