[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-pytorch-tabular--pytorch_tabular":3,"tool-pytorch-tabular--pytorch_tabular":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",160784,2,"2026-04-19T11:32:54",[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。",109154,"2026-04-18T11:18:24",[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},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"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],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":74,"owner_location":74,"owner_email":74,"owner_twitter":74,"owner_website":74,"owner_url":75,"languages":76,"stars":85,"forks":86,"last_commit_at":87,"license":88,"difficulty_score":32,"env_os":89,"env_gpu":90,"env_ram":89,"env_deps":91,"category_tags":99,"github_topics":100,"view_count":32,"oss_zip_url":74,"oss_zip_packed_at":74,"status":17,"created_at":105,"updated_at":106,"faqs":107,"releases":128},9853,"pytorch-tabular\u002Fpytorch_tabular","pytorch_tabular","A unified framework for Deep Learning Models on tabular data","PyTorch Tabular 是一个专为表格数据设计的深度学习统一框架，旨在降低将先进神经网络应用于结构化数据的门槛。在传统机器学习中，表格数据通常依赖梯度提升树（如 XGBoost），而深度学习模型往往难以直接上手且调优复杂。PyTorch Tabular 通过提供简洁的高层 API，封装了多种前沿的表格专用神经网络架构（如 Node、TabNet、FT-Transformer 等），让用户无需从零构建模型即可轻松实现训练与推理。\n\n该工具基于 PyTorch Lightning 构建，天然支持 GPU\u002FTPU 加速训练、自动日志记录及分布式扩展，有效解决了深度学习在表格任务中部署难、复现成本高痛点。其设计理念强调“低阻力使用”与“易定制化”，既适合希望快速验证想法的数据科学家和研究人员，也方便工程师将模型高效落地到生产环境。无论是处理分类、回归还是概率预测任务，用户都能通过几行代码调用状态-of-the-art 模型，并灵活调整网络结构或损失函数。此外，项目文档完善并提供丰富的教程与 Colab 示例，帮助不同背景的使用者平滑过渡到深度学习工作流。","![PyTorch Tabular](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_19084d8d722e.png)\n\n_PyTorch Tabular_ provides a unified interface to deep learning architectures for tabular data. It provides a high-level API and uses [PyTorch Lightning](https:\u002F\u002Fpytorch-lightning.readthedocs.io\u002F) to scale training on GPU or CPU, with automatic logging.\n\n|  | **[Documentation](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002F)** · **[Tutorials](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002Ftutorials\u002F01-Approaching%20Any%20Tabular%20Problem%20with%20PyTorch%20Tabular\u002F)** · **[Release Notes](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002Fhistory\u002F)** |\n|---|---|\n| **Open Source** | [![MIT](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fpytorch-tabular\u002Fpytorch_tabular)](https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fblob\u002Fmaster\u002FLICENSE) [![GC.OS Sponsored](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGC.OS-Sponsored%20Project-orange.svg?style=flat&colorA=0eac92&colorB=2077b4)](https:\u002F\u002Fgc-os-ai.github.io\u002F) [![contributions welcome](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-brightgreen.svg?style=flat-square)](https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fissues) |\n| **Tutorials** | [![Open In Colab](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmanujosephv\u002Fpytorch_tabular\u002Fblob\u002Fmain\u002Fdocs\u002Ftutorials\u002F01-Basic_Usage.ipynb) |\n| **Community** | [![!discord](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?logo=discord&label=discord&message=chat&color=lightgreen)](https:\u002F\u002Fdiscord.com\u002Finvite\u002F54ACzaFsn7) [![!slack](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?logo=linkedin&label=LinkedIn&message=news&color=lightblue)](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fgerman-center-for-open-source-ai\u002F) |\n| **CI\u002FCD** | [![github-actions](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Freleasing.yml?logo=github)](https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Factions\u002Fworkflows\u002Freleasing.yml) [![readthedocs](https:\u002F\u002Fimg.shields.io\u002Freadthedocs\u002Fpytorch-tabular?logo=readthedocs)](https:\u002F\u002Fpytorch-tabular.readthedocs.io) |\n| **Code** | [![!pypi](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpytorch-tabular?color=orange)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpytorch-tabular\u002F) [![!conda](https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fvn\u002Fconda-forge\u002Fpytorch-tabular)](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fpytorch-tabular) [![!python-versions](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fpytorch-tabular)](https:\u002F\u002Fwww.python.org\u002F) [![!black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack)  |\n| **Downloads** | ![PyPI - Downloads](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdw\u002Fpytorch-tabular) ![PyPI - Downloads](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fpytorch-tabular) [![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_353245237971.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpytorch-tabular) |\n| **Citation** | [![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F321584367.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F321584367) |\n\nPyTorch Tabular aims to make Deep Learning with Tabular data easy and accessible to real-world cases and research alike. The core principles behind the design of the library are:\n\n- Low Resistance Usability\n- Easy Customization\n- Scalable and Easier to Deploy\n\nIt has been built on the shoulders of giants like **PyTorch**(obviously), and **PyTorch Lightning**.\n\n## Table of Contents\n\n- [Installation](#installation)\n- [Documentation](#documentation)\n- [Available Models](#available-models)\n- [Usage](#usage)\n- [Blogs](#blogs)\n- [Citation](#citation)\n\n## Installation\n\nAlthough the installation includes PyTorch, the best and recommended way is to first install PyTorch from [here](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F), picking up the right CUDA version for your machine.\n\nOnce, you have got Pytorch installed, just use:\n\n```bash\npip install -U “pytorch_tabular[extra]”\n```\n\nto install the complete library with extra dependencies (Weights&Biases & Plotly).\n\nAnd :\n\n```bash\npip install -U “pytorch_tabular”\n```\n\nfor the bare essentials.\n\nThe sources for pytorch_tabular can be downloaded from the `Github repo`\\_.\n\nYou can either clone the public repository:\n\n```bash\ngit clone git:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\n```\n\nOnce you have a copy of the source, you can install it with:\n\n```bash\ncd pytorch_tabular && pip install .[extra]\n```\n\n## Documentation\n\nFor complete Documentation with tutorials visit [ReadTheDocs](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002F)\n\n## Available Models\n\n- FeedForward Network with Category Embedding is a simple FF network, but with an Embedding layers for the categorical columns.\n- [Neural Oblivious Decision Ensembles for Deep Learning on Tabular Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.06312) is a model presented in ICLR 2020 and according to the authors have beaten well-tuned Gradient Boosting models on many datasets.\n- [TabNet: Attentive Interpretable Tabular Learning](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.07442) is another model coming out of Google Research which uses Sparse Attention in multiple steps of decision making to model the output.\n- [Mixture Density Networks](https:\u002F\u002Fpublications.aston.ac.uk\u002Fid\u002Feprint\u002F373\u002F1\u002FNCRG_94_004.pdf) is a regression model which uses gaussian components to approximate the target function and  provide a probabilistic prediction out of the box.\n- [AutoInt: Automatic Feature Interaction Learning via Self-Attentive Neural Networks](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.11921) is a model which tries to learn interactions between the features in an automated way and create a better representation and then use this representation in downstream task\n- [TabTransformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2012.06678) is an adaptation of the Transformer model for Tabular Data which creates contextual representations for categorical features.\n- FT Transformer from [Revisiting Deep Learning Models for Tabular Data](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.11959)\n- [Gated Additive Tree Ensemble](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.08548v3) is a novel high-performance, parameter and computationally efficient deep learning architecture for tabular data. GATE uses a gating mechanism, inspired from GRU, as a feature representation learning unit with an in-built feature selection mechanism. We combine it with an ensemble of differentiable, non-linear decision trees, re-weighted with simple self-attention to predict our desired output.\n- [Gated Adaptive Network for Deep Automated Learning of Features (GANDALF)](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.08548) is pared-down version of GATE which is more efficient and performing than GATE. GANDALF makes GFLUs the main learning unit, also introducing some speed-ups in the process. With very minimal hyperparameters to tune, this becomes an easy to use and tune model.\n- [DANETs: Deep Abstract Networks for Tabular Data Classification and Regression](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2112.02962v4.pdf) is a novel and flexible neural component for tabular data, called Abstract Layer (AbstLay), which learns to explicitly group correlative input features and generate higher-level features for semantics abstraction.  A special basic block is built using AbstLays, and we construct a family of Deep Abstract Networks (DANets) for tabular data classification and regression by stacking such blocks.\n\n**Semi-Supervised Learning**\n\n- [Denoising AutoEncoder](https:\u002F\u002Fwww.kaggle.com\u002Fcode\u002Fspringmanndaniel\u002F1st-place-turn-your-data-into-daeta) is an autoencoder which learns robust feature representation, to compensate any noise in the dataset.\n\n## Implement Custom Models\nTo implement new models, see the [How to implement new models tutorial](https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fblob\u002Fmain\u002Fdocs\u002Ftutorials\u002F04-Implementing%20New%20Architectures.ipynb). It covers basic as well as advanced architectures.\n\n## Usage\n\n```python\nfrom pytorch_tabular import TabularModel\nfrom pytorch_tabular.models import CategoryEmbeddingModelConfig\nfrom pytorch_tabular.config import (\n    DataConfig,\n    OptimizerConfig,\n    TrainerConfig,\n    ExperimentConfig,\n)\n\ndata_config = DataConfig(\n    target=[\n        \"target\"\n    ],  # target should always be a list.\n    continuous_cols=num_col_names,\n    categorical_cols=cat_col_names,\n)\ntrainer_config = TrainerConfig(\n    auto_lr_find=True,  # Runs the LRFinder to automatically derive a learning rate\n    batch_size=1024,\n    max_epochs=100,\n)\noptimizer_config = OptimizerConfig()\n\nmodel_config = CategoryEmbeddingModelConfig(\n    task=\"classification\",\n    layers=\"1024-512-512\",  # Number of nodes in each layer\n    activation=\"LeakyReLU\",  # Activation between each layers\n    learning_rate=1e-3,\n)\n\ntabular_model = TabularModel(\n    data_config=data_config,\n    model_config=model_config,\n    optimizer_config=optimizer_config,\n    trainer_config=trainer_config,\n)\ntabular_model.fit(train=train, validation=val)\nresult = tabular_model.evaluate(test)\npred_df = tabular_model.predict(test)\ntabular_model.save_model(\"examples\u002Fbasic\")\nloaded_model = TabularModel.load_model(\"examples\u002Fbasic\")\n```\n\n## Blogs\n\n- [PyTorch Tabular – A Framework for Deep Learning for Tabular Data](https:\u002F\u002Fdeep-and-shallow.com\u002F2021\u002F01\u002F27\u002Fpytorch-tabular-a-framework-for-deep-learning-for-tabular-data\u002F)\n- [Neural Oblivious Decision Ensembles(NODE) – A State-of-the-Art Deep Learning Algorithm for Tabular Data](https:\u002F\u002Fdeep-and-shallow.com\u002F2021\u002F02\u002F25\u002Fneural-oblivious-decision-ensemblesnode-a-state-of-the-art-deep-learning-algorithm-for-tabular-data\u002F)\n- [Mixture Density Networks: Probabilistic Regression for Uncertainty Estimation](https:\u002F\u002Fdeep-and-shallow.com\u002F2021\u002F03\u002F20\u002Fmixture-density-networks-probabilistic-regression-for-uncertainty-estimation\u002F)\n\n## Future Roadmap(Contributions are Welcome)\n\n1. Integrate Optuna Hyperparameter Tuning\n1. Migrate Datamodule to Polars or NVTabular for faster data loading and to handle larger than RAM datasets.\n1. Add GaussRank as Feature Transformation\n1. Have a scikit-learn compatible API\n1. Enable support for multi-label classification\n1. Keep adding more architectures\n\n## Contributors\n\n\u003C!-- readme: contributors -start -->\n\u003Ctable>\n\t\u003Ctbody>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmanujosephv\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_df22a794364b.png\" width=\"100;\" alt=\"manujosephv\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Manu Joseph\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBorda\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_c27145679a18.png\" width=\"100;\" alt=\"Borda\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Jirka Borovec\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwsad1\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_32bc366fd647.png\" width=\"100;\" alt=\"wsad1\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Jinu Sunil\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FProgramadorArtificial\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_b9f7faeacff3.png\" width=\"100;\" alt=\"ProgramadorArtificial\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Programador Artificial\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsorenmacbeth\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_8330c18cf45d.png\" width=\"100;\" alt=\"sorenmacbeth\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Soren Macbeth\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FArozHada\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_513def7e2d78.png\" width=\"100;\" alt=\"ArozHada\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Aroj Hada\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffonnesbeck\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_087ac713b0e5.png\" width=\"100;\" alt=\"fonnesbeck\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Chris Fonnesbeck\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsnehilchatterjee\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_2d4e4f2a7a78.png\" width=\"100;\" alt=\"snehilchatterjee\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Snehil Chatterjee\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjxtrbtk\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_a9ee1e6d7df3.png\" width=\"100;\" alt=\"jxtrbtk\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Null\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhisharsinha\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_666e3faa3122.png\" width=\"100;\" alt=\"abhisharsinha\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Abhishar Sinha\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fndrsfel\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_3a8cf0da2c25.png\" width=\"100;\" alt=\"ndrsfel\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Andreas\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcharitarthchugh\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_0bc782e310e4.png\" width=\"100;\" alt=\"charitarthchugh\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Charitarth Chugh\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FEeyoreLee\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_26861e344d6b.png\" width=\"100;\" alt=\"EeyoreLee\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Earlee\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJulianRein\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_c8b4d88134a8.png\" width=\"100;\" alt=\"JulianRein\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Null\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkrshrimali\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_389f671b1d8f.png\" width=\"100;\" alt=\"krshrimali\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Kushashwa Ravi Shrimali\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FActis92\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_2d99a00387e5.png\" width=\"100;\" alt=\"Actis92\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Luca Actis Grosso\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsgbaird\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_e1539671cf1e.png\" width=\"100;\" alt=\"sgbaird\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Sterling G. Baird\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffuryhawk\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_deee1e4707a7.png\" width=\"100;\" alt=\"furyhawk\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Teck Meng\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyinyunie\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_6143a5c655ad.png\" width=\"100;\" alt=\"yinyunie\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Yinyu Nie\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FYonyBresler\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_b7aa81579322.png\" width=\"100;\" alt=\"YonyBresler\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>YonyBresler\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHernandoR\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_e5af6b87a0a6.png\" width=\"100;\" alt=\"HernandoR\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Liu Zhen\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fenifeder\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_3fe82617b99b.png\" width=\"100;\" alt=\"enifeder\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>enifeder\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftaimo3810\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_346af7bc29a4.png\" width=\"100;\" alt=\"taimo3810\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>taimo\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\u003Ctbody>\n\u003C\u002Ftable>\n\u003C!-- readme: contributors -end -->\n\n## Citation\n\nIf you use PyTorch Tabular for a scientific publication, we would appreciate citations to the published software and the following paper:\n\n- [arxiv Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2104.13638)\n\n```\n@misc{joseph2021pytorch,\n      title={PyTorch Tabular: A Framework for Deep Learning with Tabular Data},\n      author={Manu Joseph},\n      year={2021},\n      eprint={2104.13638},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG}\n}\n```\n\n- Zenodo Software Citation\n\n```\n@software{manu_joseph_2023_7554473,\n  author       = {Manu Joseph and\n                  Jinu Sunil and\n                  Jiri Borovec and\n                  Chris Fonnesbeck and\n                  jxtrbtk and\n                  Andreas and\n                  JulianRein and\n                  Kushashwa Ravi Shrimali and\n                  Luca Actis Grosso and\n                  Sterling G. Baird and\n                  Yinyu Nie},\n  title        = {manujosephv\u002Fpytorch\\_tabular: v1.0.1},\n  month        = jan,\n  year         = 2023,\n  publisher    = {Zenodo},\n  version      = {v1.0.1},\n  doi          = {10.5281\u002Fzenodo.7554473},\n  url          = {https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.7554473}\n}\n```\n","![PyTorch Tabular](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_19084d8d722e.png)\n\n_PyTorch Tabular_ 为表格型数据的深度学习架构提供了一个统一的接口。它提供了高层次的 API，并使用 [PyTorch Lightning](https:\u002F\u002Fpytorch-lightning.readthedocs.io\u002F) 在 GPU 或 CPU 上进行训练扩展，同时支持自动日志记录。\n\n|  | **[文档](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002F)** · **[教程](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002Ftutorials\u002F01-Approaching%20Any%20Tabular%20Problem%20with%20PyTorch%20Tabular\u002F)** · **[发布说明](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002Fhistory\u002F)** |\n|---|---|\n| **开源** | [![MIT](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Flicense\u002Fpytorch-tabular\u002Fpytorch_tabular)](https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fblob\u002Fmaster\u002FLICENSE) [![GC.OS 赞助](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FGC.OS-Sponsored%20Project-orange.svg?style=flat&colorA=0eac92&colorB=2077b4)](https:\u002F\u002Fgc-os-ai.github.io\u002F) [![欢迎贡献](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-brightgreen.svg?style=flat-square)](https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fissues) |\n| **教程** | [![在 Colab 中打开](https:\u002F\u002Fcolab.research.google.com\u002Fassets\u002Fcolab-badge.svg)](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Fmanujosephv\u002Fpytorch_tabular\u002Fblob\u002Fmain\u002Fdocs\u002Ftutorials\u002F01-Basic_Usage.ipynb) |\n| **社区** | [![!Discord](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?logo=discord&label=discord&message=chat&color=lightgreen)](https:\u002F\u002Fdiscord.com\u002Finvite\u002F54ACzaFsn7) [![!LinkedIn](https:\u002F\u002Fimg.shields.io\u002Fstatic\u002Fv1?logo=linkedin&label=LinkedIn&message=news&color=lightblue)](https:\u002F\u002Fwww.linkedin.com\u002Fcompany\u002Fgerman-center-for-open-source-ai\u002F) |\n| **CI\u002FCD** | [![GitHub Actions](https:\u002F\u002Fimg.shields.io\u002Fgithub\u002Factions\u002Fworkflow\u002Fstatus\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Freleasing.yml?logo=github)](https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Factions\u002Fworkflows\u002Freleasing.yml) [![Read the Docs](https:\u002F\u002Fimg.shields.io\u002Freadthedocs\u002Fpytorch-tabular?logo=readthedocs)](https:\u002F\u002Fpytorch-tabular.readthedocs.io) |\n| **代码** | [![!PyPI](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fv\u002Fpytorch-tabular?color=orange)](https:\u002F\u002Fpypi.org\u002Fproject\u002Fpytorch-tabular\u002F) [![!Conda](https:\u002F\u002Fimg.shields.io\u002Fconda\u002Fvn\u002Fconda-forge\u002Fpytorch-tabular)](https:\u002F\u002Fanaconda.org\u002Fconda-forge\u002Fpytorch-tabular) [![!Python 版本](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fpyversions\u002Fpytorch-tabular)](https:\u002F\u002Fwww.python.org\u002F) [![!Black](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcode%20style-black-000000.svg)](https:\u002F\u002Fgithub.com\u002Fpsf\u002Fblack) |\n| **下载量** | ![PyPI - 下载量](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdw\u002Fpytorch-tabular) ![PyPI - 下载量](https:\u002F\u002Fimg.shields.io\u002Fpypi\u002Fdm\u002Fpytorch-tabular) [![下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_353245237971.png))](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fpytorch-tabular) |\n| **引用** | [![DOI](https:\u002F\u002Fzenodo.org\u002Fbadge\u002F321584367.svg)](https:\u002F\u002Fzenodo.org\u002Fbadge\u002Flatestdoi\u002F321584367) |\n\nPyTorch Tabular 的目标是让基于表格数据的深度学习既简单又易于应用于实际场景和研究领域。该库的设计核心原则包括：\n\n- 低门槛的易用性\n- 易于自定义\n- 可扩展且更易部署\n\n它建立在诸如 **PyTorch**（显而易见）和 **PyTorch Lightning** 等优秀框架的基础之上。\n\n## 目录\n\n- [安装](#installation)\n- [文档](#documentation)\n- [可用模型](#available-models)\n- [使用方法](#usage)\n- [博客](#blogs)\n- [引用](#citation)\n\n## 安装\n\n尽管安装过程中会包含 PyTorch，但最佳且推荐的方式是先从 [这里](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 安装 PyTorch，并根据你的机器选择合适的 CUDA 版本。\n\n一旦你已经安装了 PyTorch，只需运行以下命令即可安装包含额外依赖项（Weights & Biases 和 Plotly）的完整库：\n\n```bash\npip install -U “pytorch_tabular[extra]”\n```\n\n如果你只需要最基本的组件，则可以运行：\n\n```bash\npip install -U “pytorch_tabular”\n```\n\nPyTorch Tabular 的源代码可以从 `Github 仓库` 下载。\n\n你可以直接克隆公共仓库：\n\n```bash\ngit clone git:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\n```\n\n获取源代码后，可以通过以下命令进行安装：\n\n```bash\ncd pytorch_tabular && pip install .[extra]\n```\n\n## 文档\n\n如需完整的文档及教程，请访问 [ReadTheDocs](https:\u002F\u002Fpytorch-tabular.readthedocs.io\u002Fen\u002Flatest\u002F)。\n\n## 可用模型\n\n- 带类别嵌入的前馈网络是一个简单的前馈网络，但为分类列添加了嵌入层。\n- [用于表格数据深度学习的神经无意识决策集成](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.06312) 是一种在 ICLR 2020 上提出的模型，据作者称，在许多数据集上击败了经过良好调优的梯度提升模型。\n- [TabNet：可解释的表格数据注意力学习](https:\u002F\u002Farxiv.org\u002Fabs\u002F1908.07442) 是谷歌研究院推出的另一种模型，它在决策过程的多个步骤中使用稀疏注意力机制来建模输出。\n- [混合密度网络](https:\u002F\u002Fpublications.aston.ac.uk\u002Fid\u002Feprint\u002F373\u002F1\u002FNCRG_94_004.pdf) 是一种回归模型，它使用高斯成分来近似目标函数，并直接提供概率预测。\n- [AutoInt：通过自注意力神经网络自动学习特征交互](https:\u002F\u002Farxiv.org\u002Fabs\u002F1810.11921) 是一种尝试以自动化方式学习特征之间的交互作用，从而创建更好的表示，并在下游任务中使用该表示的模型。\n- [TabTransformer](https:\u002F\u002Farxiv.org\u002Fabs\u002F2012.06678) 是 Transformer 模型在表格数据上的改编版本，能够为分类特征生成上下文表示。\n- 来自 [重新审视表格数据的深度学习模型](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.11959) 的 FT Transformer。\n- [门控加法树集成](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.08548v3) 是一种新颖、高性能、参数和计算效率高的深度学习架构，专为表格数据设计。GATE 使用受 GRU 启发的门控机制作为特征表示学习单元，并内置特征选择机制。我们将其与一组可微分的非线性决策树结合，并通过简单的自注意力机制对它们进行重新加权，以预测所需的输出。\n- [用于深度自动化特征学习的门控自适应网络（GANDALF）](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.08548) 是 GATE 的精简版，比 GATE 更高效且性能更佳。GANDALF 将 GFLU 作为主要的学习单元，并在此过程中引入了一些加速措施。由于需要调整的超参数非常少，因此它成为一款易于使用和调优的模型。\n- [DANETs：用于表格数据分类和回归的深度抽象网络](https:\u002F\u002Farxiv.org\u002Fpdf\u002F2112.02962v4.pdf) 是一种新颖且灵活的神经组件，称为抽象层（AbstLay），它能够显式地将相关输入特征分组，并生成更高层次的语义抽象特征。利用这些抽象层构建了一个特殊的基块，并通过堆叠此类基块，构建了一类用于表格数据分类和回归的深度抽象网络（DANets）。\n\n**半监督学习**\n\n- [去噪自编码器](https:\u002F\u002Fwww.kaggle.com\u002Fcode\u002Fspringmanndaniel\u002F1st-place-turn-your-data-into-daeta) 是一种自编码器，能够学习鲁棒的特征表示，以补偿数据集中存在的任何噪声。\n\n## 实现自定义模型\n要实现新模型，请参阅[如何实现新模型教程](https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fblob\u002Fmain\u002Fdocs\u002Ftutorials\u002F04-Implementing%20New%20Architectures.ipynb)。该教程涵盖了基础及高级架构。\n\n## 使用方法\n\n```python\nfrom pytorch_tabular import TabularModel\nfrom pytorch_tabular.models import CategoryEmbeddingModelConfig\nfrom pytorch_tabular.config import (\n    DataConfig,\n    OptimizerConfig,\n    TrainerConfig,\n    ExperimentConfig,\n)\n\ndata_config = DataConfig(\n    target=[\n        \"target\"\n    ],  # 目标变量应始终为列表。\n    continuous_cols=num_col_names,\n    categorical_cols=cat_col_names,\n)\ntrainer_config = TrainerConfig(\n    auto_lr_find=True,  # 运行 LRFinder 自动推导学习率\n    batch_size=1024,\n    max_epochs=100，\n)\noptimizer_config = OptimizerConfig()\n\nmodel_config = CategoryEmbeddingModelConfig(\n    task=\"classification\",\n    layers=\"1024-512-512\",  # 每层的节点数\n    activation=\"LeakyReLU\",  # 层间激活函数\n    learning_rate=1e-3，\n)\n\ntabular_model = TabularModel(\n    data_config=data_config，\n    model_config=model_config，\n    optimizer_config=optimizer_config，\n    trainer_config=trainer_config，\n)\ntabular_model.fit(train=train, validation=val)\nresult = tabular_model.evaluate(test)\npred_df = tabular_model.predict(test)\ntabular_model.save_model(\"examples\u002Fbasic\")\nloaded_model = TabularModel.load_model(\"examples\u002Fbasic\")\n```\n\n## 博客文章\n\n- [PyTorch Tabular——面向表格数据的深度学习框架](https:\u002F\u002Fdeep-and-shallow.com\u002F2021\u002F01\u002F27\u002Fpytorch-tabular-a-framework-for-deep-learning-for-tabular-data\u002F)\n- [神经无意识决策集成（NODE）——面向表格数据的最先进深度学习算法](https:\u002F\u002Fdeep-and-shallow.com\u002F2021\u002F02\u002F25\u002Fneural-oblivious-decision-ensemblesnode-a-state-of-the-art-deep-learning-algorithm-for-tabular-data\u002F)\n- [混合密度网络：用于不确定性估计的概率回归](https:\u002F\u002Fdeep-and-shallow.com\u002F2021\u002F03\u002F20\u002Fmixture-density-networks-probabilistic-regression-for-uncertainty-estimation\u002F)\n\n## 未来路线图（欢迎贡献）\n\n1. 集成 Optuna 超参数调优\n1. 将数据模块迁移到 Polars 或 NVTabular，以加快数据加载速度并处理超出内存容量的数据集。\n1. 添加 GaussRank 作为特征转换方法\n1. 提供与 scikit-learn 兼容的 API\n1. 支持多标签分类\n1. 继续增加更多架构\n\n## 贡献者\n\n\u003C!-- 自述文件：贡献者 - 开始 -->\n\u003Ctable>\n\t\u003Ctbody>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fmanujosephv\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_df22a794364b.png\" width=\"100;\" alt=\"manujosephv\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>马努·约瑟夫\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FBorda\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_c27145679a18.png\" width=\"100;\" alt=\"Borda\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>吉尔卡·博罗韦茨\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fwsad1\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_32bc366fd647.png\" width=\"100;\" alt=\"wsad1\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>吉努·苏尼尔\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FProgramadorArtificial\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_b9f7faeacff3.png\" width=\"100;\" alt=\"ProgramadorArtificial\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>人工智能程序员\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsorenmacbeth\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_8330c18cf45d.png\" width=\"100;\" alt=\"sorenmacbeth\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>索伦·麦克白\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FArozHada\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_513def7e2d78.png\" width=\"100;\" alt=\"ArozHada\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>阿罗杰·哈达\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffonnesbeck\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_087ac713b0e5.png\" width=\"100;\" alt=\"fonnesbeck\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>克里斯·福内斯贝克\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsnehilchatterjee\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_2d4e4f2a7a78.png\" width=\"100;\" alt=\"snehilchatterjee\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>斯内希尔·查特吉\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fjxtrbtk\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_a9ee1e6d7df3.png\" width=\"100;\" alt=\"jxtrbtk\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Null\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fabhisharsinha\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_666e3faa3122.png\" width=\"100;\" alt=\"abhisharsinha\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>阿比沙尔·辛哈\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fndrsfel\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_3a8cf0da2c25.png\" width=\"100;\" alt=\"ndrsfel\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>安德烈亚斯\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fcharitarthchugh\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_0bc782e310e4.png\" width=\"100;\" alt=\"charitarthchugh\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>查里塔斯·丘格\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FEeyoreLee\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_26861e344d6b.png\" width=\"100;\" alt=\"EeyoreLee\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>厄利\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FJulianRein\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_c8b4d88134a8.png\" width=\"100;\" alt=\"JulianRein\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>Null\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fkrshrimali\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_389f671b1d8f.png\" width=\"100;\" alt=\"krshrimali\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>库沙什瓦·拉维·施里马利\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FActis92\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_2d99a00387e5.png\" width=\"100;\" alt=\"Actis92\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>卢卡·阿克蒂斯·格罗索\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fsgbaird\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_e1539671cf1e.png\" width=\"100;\" alt=\"sgbaird\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>斯特林·G·贝尔德\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ffuryhawk\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_deee1e4707a7.png\" width=\"100;\" alt=\"furyhawk\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>德克·孟\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\t\u003Ctr>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fyinyunie\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_6143a5c655ad.png\" width=\"100;\" alt=\"yinyunie\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>阴云妮\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FYonyBresler\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_b7aa81579322.png\" width=\"100;\" alt=\"YonyBresler\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>约尼·布雷斯勒\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002FHernandoR\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_e5af6b87a0a6.png\" width=\"100;\" alt=\"HernandoR\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>刘振\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Fenifeder\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_3fe82617b99b.png\" width=\"100;\" alt=\"enifeder\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>enifeder\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n            \u003Ctd align=\"center\">\n                \u003Ca href=\"https:\u002F\u002Fgithub.com\u002Ftaimo3810\">\n                    \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_readme_346af7bc29a4.png\" width=\"100;\" alt=\"taimo3810\"\u002F>\n                    \u003Cbr \u002F>\n                    \u003Csub>\u003Cb>泰莫\u003C\u002Fb>\u003C\u002Fsub>\n                \u003C\u002Fa>\n            \u003C\u002Ftd>\n\t\t\u003C\u002Ftr>\n\t\u003Ctbody>\n\u003C\u002Ftable>\n\u003C!-- 自述文件：贡献者 - 结束 -->\n\n## 引用\n\n如果您在科学出版物中使用 PyTorch Tabular，我们非常感谢您引用已发布的软件以及以下论文：\n\n- [arXiv 论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2104.13638)\n\n```\n@misc{joseph2021pytorch,\n      title={PyTorch Tabular：用于表格数据深度学习的框架},\n      author={Manu Joseph},\n      year={2021},\n      eprint={2104.13638},\n      archivePrefix={arXiv},\n      primaryClass={cs.LG}\n}\n```\n\n- Zenodo 软件引用\n\n```\n@software{manu_joseph_2023_7554473,\n  author       = {Manu Joseph、Jinu Sunil、Jiri Borovec、Chris Fonnesbeck、jxtrbtk、Andreas、JulianRein、Kushashwa Ravi Shrimali、Luca Actis Grosso、Sterling G. Baird、Yinyu Nie},\n  title        = {manujosephv\u002Fpytorch_tabular：v1.0.1},\n  month        = 一月,\n  year         = 2023,\n  publisher    = {Zenodo},\n  version      = {v1.0.1},\n  doi          = {10.5281\u002Fzenodo.7554473},\n  url          = {https:\u002F\u002Fdoi.org\u002F10.5281\u002Fzenodo.7554473}\n}\n```","# PyTorch Tabular 快速上手指南\n\nPyTorch Tabular 是一个用于表格数据深度学习的统一接口库。它基于 PyTorch Lightning 构建，提供了高层 API，支持在 GPU 或 CPU 上扩展训练，并具备自动日志记录功能，旨在让表格数据的深度学习变得简单、易用且易于部署。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS, 或 Windows\n*   **Python 版本**：3.8 及以上\n*   **前置依赖**：\n    *   **PyTorch**：强烈建议先单独安装适合您机器 CUDA 版本的 PyTorch。\n    *   **PyTorch Lightning**：将随库自动安装或需预先安装。\n\n> **提示**：国内用户访问 PyTorch 官网可能较慢，建议使用清华或中科大镜像源安装 PyTorch。\n> 例如使用 pip 安装（CPU 版本示例）：\n> `pip install torch torchvision torchaudio --index-url https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n> 请访问 [PyTorch 官网](https:\u002F\u002Fpytorch.org\u002Fget-started\u002Flocally\u002F) 获取适合您显卡驱动的具体安装命令。\n\n## 安装步骤\n\n安装 PyTorch Tabular 有两种方式，根据您的需求选择：\n\n### 1. 安装基础版（仅核心功能）\n如果您只需要最核心的深度学习功能：\n```bash\npip install -U \"pytorch_tabular\"\n```\n\n### 2. 安装完整版（推荐）\n包含额外依赖（如 Weights & Biases 用于实验追踪，Plotly 用于可视化），适合大多数开发场景：\n```bash\npip install -U \"pytorch_tabular[extra]\"\n```\n\n> **国内加速提示**：如果 pip 下载速度慢，可添加清华镜像源参数：\n> `pip install -U \"pytorch_tabular[extra]\" -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple`\n\n### 3. 从源码安装（可选）\n如果您需要最新开发版或贡献代码：\n```bash\ngit clone git:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\ncd pytorch_tabular && pip install .[extra]\n```\n\n## 基本使用\n\n以下是使用 PyTorch Tabular 进行分类任务的最简示例。该流程涵盖了配置定义、模型初始化、训练、评估及预测。\n\n```python\nfrom pytorch_tabular import TabularModel\nfrom pytorch_tabular.models import CategoryEmbeddingModelConfig\nfrom pytorch_tabular.config import (\n    DataConfig,\n    OptimizerConfig,\n    TrainerConfig,\n    ExperimentConfig,\n)\n\n# 1. 配置数据\n# target 必须是列表格式\ndata_config = DataConfig(\n    target=[\"target\"],  \n    continuous_cols=num_col_names,  # 替换为您的数值列名列表\n    categorical_cols=cat_col_names, # 替换为您的类别列名列表\n)\n\n# 2. 配置训练器\ntrainer_config = TrainerConfig(\n    auto_lr_find=True,  # 自动寻找最佳学习率\n    batch_size=1024,\n    max_epochs=100,\n)\n\n# 3. 配置优化器\noptimizer_config = OptimizerConfig()\n\n# 4. 配置模型\n# 这里使用的是带类别嵌入的前馈神经网络\nmodel_config = CategoryEmbeddingModelConfig(\n    task=\"classification\",\n    layers=\"1024-512-512\",  # 每层的节点数\n    activation=\"LeakyReLU\", # 激活函数\n    learning_rate=1e-3,\n)\n\n# 5. 初始化模型\ntabular_model = TabularModel(\n    data_config=data_config,\n    model_config=model_config,\n    optimizer_config=optimizer_config,\n    trainer_config=trainer_config,\n)\n\n# 6. 训练模型\n# train 和 val 应为 Pandas DataFrame\ntabular_model.fit(train=train, validation=val)\n\n# 7. 评估模型\nresult = tabular_model.evaluate(test)\n\n# 8. 进行预测\npred_df = tabular_model.predict(test)\n\n# 9. 保存与加载模型\ntabular_model.save_model(\"examples\u002Fbasic\")\nloaded_model = TabularModel.load_model(\"examples\u002Fbasic\")\n```\n\n### 核心步骤说明：\n1.  **配置化设计**：通过 `DataConfig`, `TrainerConfig`, `OptimizerConfig`, `ModelConfig` 分别管理数据、训练、优化器和模型结构，逻辑清晰。\n2.  **自动化特性**：设置 `auto_lr_find=True` 可自动推导最佳学习率，减少调参工作量。\n3.  **统一接口**：无论底层更换何种架构（如 TabNet, NODE, Transformer 等），调用 `fit`, `evaluate`, `predict` 的方式保持一致。","某金融科技公司数据团队正致力于构建信用卡欺诈检测系统，需要在包含数百万条交易记录的表格数据上快速验证多种深度学习模型以提升识别准确率。\n\n### 没有 pytorch_tabular 时\n- **重复造轮子成本高**：每次尝试新架构（如 TabNet 或 Node）都需手动重写数据加载、预处理及训练循环代码，开发周期长达数周。\n- **GPU 加速配置复杂**：原生 PyTorch 实现多 GPU 分布式训练需编写大量样板代码，调试困难且容易出错。\n- **实验追踪混乱**：缺乏统一的日志接口，难以系统化对比不同模型的损失曲线与评估指标，导致最优模型选择依赖直觉。\n- **部署门槛高**：训练好的模型往往耦合了特定的数据处理逻辑，迁移到生产环境时需要大量重构工作。\n\n### 使用 pytorch_tabular 后\n- **统一接口极速建模**：通过高层 API 仅需几行代码即可切换并训练 TabNet、FT-Transformer 等主流表格深度学习模型，验证周期缩短至几天。\n- **自动扩展算力**：基于 PyTorch Lightning 底层支持，自动启用多 GPU 加速训练，无需额外编写并行逻辑即可充分利用硬件资源。\n- **内置自动化日志**：集成 Weights & Biases 等工具，自动记录并可视化所有实验指标，团队可清晰量化各模型性能差异。\n- **标准化交付流程**：提供一致的模型保存与推理接口，训练产物可直接封装部署，大幅降低从研发到上线的运维阻力。\n\npytorch_tabular 通过标准化深度学习流程，让数据科学家能专注于算法策略而非工程细节，显著提升了表格数据场景下的模型迭代效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fpytorch-tabular_pytorch_tabular_f115ff92.png","pytorch-tabular","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fpytorch-tabular_b587260f.png",null,"https:\u002F\u002Fgithub.com\u002Fpytorch-tabular",[77,81],{"name":78,"color":79,"percentage":80},"Python","#3572A5",99.7,{"name":82,"color":83,"percentage":84},"Makefile","#427819",0.3,1655,177,"2026-04-17T14:18:47","MIT","未说明","非必需（支持 CPU 或 GPU）。若使用 GPU，需根据机器配置选择对应的 CUDA 版本（具体版本需参考 PyTorch 官方安装指南），无特定显存大小要求。",{"notes":92,"python":93,"dependencies":94},"建议先单独安装与本地环境匹配的 PyTorch 版本（含正确的 CUDA 支持），然后再安装本库。提供 'bare essentials'（基础版）和 'extra'（含可视化及日志工具）两种安装选项。支持多种表格深度学习模型（如 TabNet, NODE, FT Transformer 等）。","3.8+",[95,96,97,98],"pytorch","pytorch-lightning","weights-biases (可选)","plotly (可选)",[16,14],[101,102,95,96,103,104],"tabular-data","deep-learning","hacktoberfest","machine-learning","2026-03-27T02:49:30.150509","2026-04-20T07:06:03.799813",[108,113,118,123],{"id":109,"question_zh":110,"answer_zh":111,"source_url":112},44251,"如何在 Conda 环境中安装此包？","该包现已在 conda-forge 上可用。维护者已提交并合并了相关的 feedstock PR，用户现在可以直接通过 `conda install -c conda-forge pytorch_tabular` 进行安装。之前存在的依赖项（如 pytorch-tabnet v4）问题也已解决。","https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fissues\u002F167",{"id":114,"question_zh":115,"answer_zh":116,"source_url":117},44252,"保存自监督学习模型（SSL Tabular Model）时出现 PicklingError 错误怎么办？","这是一个已知问题，通常发生在尝试使用 `save_model` 方法保存包含特定回调或日志记录器的自监督模型时。维护者已确认该 Bug 并在 PR #333 中提交了修复方案。建议升级到包含此修复的最新版本。如果无法升级，可以尝试在保存前手动移除或序列化复杂的回调对象，或者仅保存模型权重检查点（.ckpt 文件）而非整个模型对象。","https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fissues\u002F280",{"id":119,"question_zh":120,"answer_zh":121,"source_url":122},44253,"为什么 model.evaluate() 输出的指标值与手动计算的结果不一致？","这是当前实现的一个限制。在配置分类指标（如 F1-score）时，用户在 `metrics_params` 中设置的 'average' 参数（例如 'binary', 'macro'）会被代码忽略。底层实现强制将指标设置为 'multiclass' 模式，导致二分类任务的评估结果不准确。解决方法是：不要完全依赖 `model.evaluate()` 的输出，而是使用 `model.predict()` 获取预测结果后，利用 `torchmetrics` 或 `sklearn` 库手动计算所需的特定指标（如 BinaryF1Score），以获得正确的数值。","https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fissues\u002F577",{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},44254,"运行时遇到 'GPU not finding' 或 'MisconfigurationException' 错误如何解决？","该错误通常发生在系统未检测到 GPU 但配置中请求了 GPU 时。维护者已在新版本中将默认的 GPU 设置调整为 `None`，以便自动检测可用设备。如果遇到此问题，请确保升级到最新版本。此外，可以在初始化 Trainer 或模型时显式指定 `accelerator='cpu'` 强制使用 CPU，或者检查环境变量和 PyTorch Lightning 的配置，确保 `gpus` 参数未被错误地硬编码为 `[0]` 而在无 GPU 机器上运行。","https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fissues\u002F1",[129,134,139,144,149,154,159],{"id":130,"version":131,"summary_zh":132,"released_at":133},351838,"v1.2.0","## 1.2.0 (2026-01-26)\n\n* 兼容 Python 最高至 3.14 版本，停止对 Python 3.8 和 3.9 的支持\n* 兼容更新的 `lightning` 版本 - @phoeenniixx 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F625 中贡献\n* 支持模型堆叠 - @taimo3810 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F520 中贡献\n* 支持多 GPU 训练 - @sorenmacbeth 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F517 中贡献\n\n### 功能增强\n\n* [ENH] 针对 MDN Head 滥用的保护机制 - @manujosephv 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F448 中贡献\n* [ENH] 移除 SSL 模型中使用缺失和未知类别时的限制 - @sorenmacbeth 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F470 中贡献\n* [ENH] 添加多目标分类功能 - @YonyBresler 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F441 中贡献\n* [ENH] 实现特征\u002F调优器的多模型支持 - @ProgramadorArtificial 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F461 中贡献\n* [ENH] 在 DataConfig 中添加 dataloader_kwargs 支持 - @snehilchatterjee 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F492 中贡献\n* [ENH] 增加更具信息量的 str 和 repr 方法 - @manujosephv 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F507 中贡献\n* [ENH] 启用多 GPU 训练支持 - @sorenmacbeth 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F517 中贡献\n* [ENH] 添加内置的模型堆叠支持 - @taimo3810 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F520 中贡献\n* [ENH] 将 MPS 设备上的张量数据类型设置为 `np.float32` - @sorenmacbeth 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F540 中贡献\n* [ENH] 调整优化器学习率调度器的时间间隔 - @sorenmacbeth 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F545 中贡献\n* [ENH] 为估算器特定测试添加条件性测试跳过 - @fkiraly 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F607 中贡献\n* [ENH] 确保与 `lightning > 2.6` 及更高版本的兼容性 - @phoeenniixx 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F625 中贡献\n\n### 文档更新\n\n* [DOC] 创建 FUNDING.yml 文件 - @manujosephv 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F376 中贡献\n* [DOC] 修复 experiment_tracking.md 中 log_target 的语法错误 - @furyhawk 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F382 中贡献\n* [DOC] 修正文档结构并更改默认变量 - @ProgramadorArtificial 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F394 中贡献\n* [DOC] 更新贡献者 README 文件中的 GitHub Actions 配置 - @github-actions[bot] 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F390 中贡献\n* [DOC] 更新 README.md 文件 - @HernandoR 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F410 中贡献\n* [DOC] 优化代码风格检查工具的使用 - @Borda 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F431 中贡献\n* [DOC] 修复 metrics_prob_input 中的拼写错误 - @abhisharsinha 在 https:\u002F\u002Fgithub.com\u002Fpytorch-tabular\u002Fpytorch_tabular\u002Fpull\u002F455 中贡献\n* [DOC] README - 汇总重要链接","2026-01-26T21:47:34",{"id":135,"version":136,"summary_zh":137,"released_at":138},351839,"v1.1.1","### **版本说明**\n\n---\n\n#### **新功能**\n\n- **支持多模型调优**：新增了使用调优器功能对多个模型进行调优的支持，提升了超参数优化的灵活性。  \n  [提交：560dec6]\n\n- **多目标分类**：引入了多目标分类功能，扩展了库对更复杂用例的支持。  \n  [提交：25691f5]\n\n- **`DataConfig` 中的 `dataloader_kwargs`**：在 `DataConfig` 模块中增加了自定义 `dataloader_kwargs` 的支持，以提升数据加载的灵活性。  \n  [提交：caa3ea1]\n\n---\n\n#### **改进**\n\n- **改进的 `str` 和 `repr` 方法**：为对象添加了更具信息量的 `str` 和 `repr` 方法，以增强调试和可读性。  \n  [提交：495803c]\n\n- **修复 `Categorical` 数据类型相关问题**：解决了 `Categorical` 数据类型处理中的问题，确保模型训练和预测更加顺畅。  \n  [提交：cf1454a]\n\n- **移除对缺失值和未知值的限制**：增强了框架对缺失值和未知值的处理能力，使其更加健壮。  \n  [提交：fc6060e]\n\n- **防止 MDN Head 的误用**：增加了保护机制，以避免在模型中不当使用 MDN Head。  \n  [提交：cc3504a]\n\n---\n\n#### **Bug 修复**\n\n- 修复了 SSL 微调中的一个 bug，以确保模型微调过程中的安全性。  \n  [提交：3d978f9]\n\n- 修复了自定义损失函数保存和加载中的错误，以提高实验的可重复性和可靠性。  \n  [提交：3f0a15c]\n\n- 解决了交叉验证中的一个 bug，确保评估指标的准确性。  \n  [提交：0d088fc]\n\n- 修复了 Tab Transformer 和 FT Transformer 模型中 `nn.activation` 的 KeyError 问题。  \n  [提交：11adefa]\n\n---\n\n#### **其他改进**\n\n- 多次更新和优化了 pre-commit 配置，用于代码检查和格式化。  \n  [提交：f354b9c、75b21c4、a890dda]\n\n- 对 CI 流程进行了多项改进，包括升级 `gh-action-pypi-publish` 的依赖项以及缓存更新。  \n  [提交：cb78a6e、e49a999、da20ed3]\n\n- 修复了文档和代码中的拼写错误及一些小问题，以提高清晰度和可维护性。  \n  [提交：7285787、6586705]\n\n如需了解更多详细信息，请参阅库的 GitHub 仓库中的相应提交记录。\n\n#### **新贡献者**\n\n---\n\n* @furyhawk 在 https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fpull\u002F382 中做出了首次贡献\n* @HernandoR 在 https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fpull\u002F410 中做出了首次贡献\n* @charitarthchugh 在 https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fpull\u002F420 中做出了首次贡献\n* @abhisharsinha 在 https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fpull\u002F455 中做出了首次贡献\n* @YonyBresler 在 https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fpull\u002F441 中做出了首次贡献\n* @snehilchatterjee 在 https:\u002F\u002Fgithub.com\u002Fmanujosephv\u002Fpytorch_tabular\u002Fpull\u002F492 中做出了首次贡献\n\n**Ful","2024-11-29T01:07:50",{"id":140,"version":141,"summary_zh":142,"released_at":143},351840,"v1.1.0","### 新功能与改进\n- **新增 DANet 模型**：为表格数据添加了新的 DANet 模型。\n- **可解释性**：集成了 Captum 以支持模型可解释性分析。\n- **超参数调优器**：新增网格搜索和随机搜索功能，用于遍历超参数并返回最佳模型。\n- **模型 sweep**：新增便捷的“模型 sweep”方法，可使用给定数据对一组模型进行快速评估。\n- **文档优化**：改进了文档，使其更加易用且信息丰富。\n- **依赖项更新**：更新了多项依赖项，以提升兼容性和安全性。\n- **优雅的内存不足处理**：为表格模型增加了优雅的内存不足处理机制。\n- **GhostBatchNorm**：将 GhostBatchNorm 添加到库中。\n\n### 已弃用内容\n- **弃用处理**：妥善处理了已弃用的内容，并相应更新了库。\n- **移除 entmax 依赖**：移除了对 entmax 的依赖。\n\n### 基础设施与 CI\u002FCD\n- **持续集成**：通过新增操作和标签优化了 CI 流程。\n- **依赖管理**：更新了依赖项，并重构了依赖关系文件。\n\n### API 变更\n- [重大变更] **SSL API 变更**：针对 SSL API 的变更进行了适配，并同步更新了文档和教程。\n- **模型变更**：在表格模型中新增了 `is_fitted` 标记及其他相关标记。\n- **自定义优化器**：允许在模型配置中指定自定义优化器。\n\n### 贡献者\n- 感谢所有为本次发布贡献力量的贡献者！（[贡献者列表](链接_to_Contributors)）\n\n### 升级说明\n- 请务必查阅更新后的文档，了解可能存在的重大变更或新增功能。\n- 如果您正在使用 SSL，请检查更新后的 API 和文档。","2024-01-15T12:17:19",{"id":145,"version":146,"summary_zh":147,"released_at":148},351841,"v1.0.2","### 新特性：\n\n- 新增特征重要性功能：库中现已在 TabularModel 和 BaseModel 中添加新方法，用于启用特征重要性。目前，FTTransformer 和 GATE 模型已支持特征重要性功能。[提交：dc2a49e]\n### 功能增强：\n\n- 在 GATE 模型中启用了另外两个参数。[提交：3680413]\n- 在库的配置中新增了 metric_prob_input 参数。此次更新使得用户能够更好地控制模型中的评估指标。[提交：0612db5]\n- 对 GATE 模型进行了小幅优化，包括调整默认参数以提升性能。[提交：c30a6c3]\n- 修复了一些小 bug，并进行了多项改进，包括在配置中增加加速器选项以及优化进度条显示。[提交：f932230、bdd9adb、f932230]\n### 依赖项更新：\n\n- 更新了相关依赖项，包括 docformatter、pyupgrade 和 ruff-pre-commit。[提交：4aae9a8、b3df4ce、bdd9adb、55e800c、c6c4679、c01154b、107cd2f]\n### 文档更新：\n\n- 更新了库的 README.md 文件。[提交：db8f3b2、cab6bf1、669faec、1e6c400、3097799、7fabf6b]\n### 其他改进：\n\n- 进行了多项代码优化、Bug 修复以及 CI 流程的改进。[提交：5637020、e5171bf、812b40f]\n\n如需了解更多详细信息，请参阅库的 GitHub 仓库中的相应提交记录。","2023-06-01T06:16:39",{"id":150,"version":151,"summary_zh":152,"released_at":153},351842,"v1.0.1","- 新增一项任务——自监督学习（SSL），并为其提供了独立的训练 API。\n- 新增了一种 SOTA 模型——门控加法树集成模型（GATE）。\n- 新增了一个 SSL 模型——去噪自编码器。\n- 增加了大量新教程，并更新了全部文档。\n- 改进了代码文档和类型提示。\n- 将模型拆分为独立的嵌入层、主干网络和输出头。\n- 重构了所有模型，将主干网络提取为原生 PyTorch 模块（nn.Module）。\n- 将常用模块（如层、激活函数等）统一归入一个公共模块中。\n- 完全重写了混合密度网络（MDN）（重大变更）。现在 MDN 是一个可与任何模型配合使用的输出头。\n- 开放了用于训练模型的底层 API。\n- 实现了数据模块的保存与加载功能。\n- 添加了 `trainer_kwargs` 参数，用于传递 PyTorch Lightning 支持的所有训练器参数。\n- 增加了早停和模型检查点的相关参数，以便使用 PyTorch Lightning 中的所有相关配置。\n- 在预测方法中支持使用 GPU 进行推理。\n- 新增了 `reset_model` 方法，用于将模型权重重置为随机值。\n- 增加了许多保存和加载功能，包括 ONNX 格式（实验性）。\n- 新增了随机种子参数。\n- 全面切换至 Rich 进度条，取代 tqdm。\n- 修复了类别平衡及 mu 值传播的问题，并将其默认值设置为 1.0。\n- 添加了 PyTorch Profiler，用于调试性能问题。\n- 修复了 FTTransformer 和 TabTransformer 中的若干 bug。\n- 更新了混合密度网络，修复了 lambda_pi 相关的 bug。\n- 多项 CI\u002FCD 流程改进，包括与 GitHub Actions 的全面集成。\n- 升级了所有依赖项，包括 PyTorch Lightning 和 pandas 至最新版本，并引入 Dependabot 来持续管理依赖更新。\n- 引入 pre-commit 工具，以确保代码质量和规范一致性。","2023-01-20T12:52:22",{"id":155,"version":156,"summary_zh":157,"released_at":158},351843,"v0.7.0","- 新增了几款 SOTA 模型——TabTransformer 和 FTTransformer\n- 改进了模型的保存和加载功能\n- 通过解冻部分依赖项，降低了安装限制。","2021-09-01T12:15:17",{"id":160,"version":161,"summary_zh":162,"released_at":163},351844,"v0.5.0","首个 Alpha 版本","2021-05-02T07:38:34"]