[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-ragulpr--wtte-rnn":3,"tool-ragulpr--wtte-rnn":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",144730,2,"2026-04-07T23:26:32",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107888,"2026-04-06T11:32:50",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":10,"last_commit_at":59,"category_tags":60,"status":17},4487,"LLMs-from-scratch","rasbt\u002FLLMs-from-scratch","LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目，旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型（LLM）。它不仅是同名技术著作的官方代码库，更提供了一套完整的实践方案，涵盖模型开发、预训练及微调的全过程。\n\n该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型，却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码，用户能够透彻掌握 Transformer 架构、注意力机制等关键原理，从而真正理解大模型是如何“思考”的。此外，项目还包含了加载大型预训练权重进行微调的代码，帮助用户将理论知识延伸至实际应用。\n\nLLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API，而是渴望探究模型构建细节的技术人员而言，这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计：将复杂的系统工程拆解为清晰的步骤，配合详细的图表与示例，让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础，还是为未来研发更大规模的模型做准备",90106,"2026-04-06T11:19:32",[35,15,13,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":75,"owner_location":75,"owner_email":75,"owner_twitter":75,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":90,"difficulty_score":32,"env_os":91,"env_gpu":91,"env_ram":91,"env_deps":92,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":108,"updated_at":109,"faqs":110,"releases":139},5504,"ragulpr\u002Fwtte-rnn","wtte-rnn","WTTE-RNN a framework for churn and time to event prediction","wtte-rnn 是一个专为“预测事件何时发生”而设计的机器学习框架，特别擅长处理用户流失预测、设备故障预警或地震监测等场景。在传统方法中，如果事件尚未发生，数据往往被视为不完整（即“截尾数据”），导致模型难以训练。wtte-rnn 巧妙地解决了这一难题：它不直接猜测具体时间，而是利用循环神经网络（RNN）输出韦伯分布的参数，从而描绘出事件发生时间的概率分布。\n\n这种方法的核心亮点在于其独特的损失函数，能够合理利用包含“未发生事件”的截尾数据进行训练，避免了传统方案中常见的生硬技巧。此外，模型输出的参数还能直观地反映预测的“紧迫程度”与“确信度”，为结果分析提供了丰富的可视化维度。\n\nwtte-rnn 非常适合从事时间序列分析的数据科学家、算法工程师以及相关领域的研究人员使用。如果你正面临需要基于历史序列数据来预估下一次事件发生时间的挑战，尤其是数据中存在大量未完成观测的情况，这个框架将提供一个数学基础扎实且优雅的解决方案。","# WTTE-RNN\n\n[![Build Status](https:\u002F\u002Ftravis-ci.org\u002Fragulpr\u002Fwtte-rnn.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fragulpr\u002Fwtte-rnn)\n\nWeibull Time To Event Recurrent Neural Network\n\nA less hacky machine-learning framework for churn- and time to event prediction.\nForecasting problems as diverse as server monitoring to earthquake- and\nchurn-prediction can be posed as the problem of predicting the time to an event.\nWTTE-RNN is an algorithm and a philosophy about how this should be done.\n\n* [blog post](https:\u002F\u002Fragulpr.github.io\u002F2016\u002F12\u002F22\u002FWTTE-RNN-Hackless-churn-modeling\u002F)\n* [master thesis](https:\u002F\u002Fragulpr.github.io\u002Fassets\u002Fdraft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf)\n* Quick visual intro to the [model](https:\u002F\u002Fimgur.com\u002Fa\u002FHX4KQ)\n* Jupyter notebooks: [basics](examples\u002Fkeras\u002Fsimple_example.ipynb), [more](https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn-examples)\n* Gianmario Spacagna's [implementation](https:\u002F\u002Fgithub.com\u002Fgm-spacagna\u002Fdeep-ttf\u002F) for Time-To-Failure.\n* Korean [README](.\u002FREADME.ko.md)\n\n# Installation\n\n## Python\n\nCheck out [README for Python package](python\u002FREADME.md).\n\nIf this seems like overkill, the basic implementation can be found inlined as a\n[jupyter notebook](examples\u002Fkeras\u002Fstandalone_simple_example.ipynb)\n\n\n# Ideas and Basics\n\nYou have data consisting of many time-series of events and want to use historic data\nto predict the time to the next event (TTE). If you haven't observed the last event\nyet we've only observed a minimum bound of the TTE to train on. This results in\nwhat's called *censored data* (in red):\n\n![Censored data](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_7ee26144cb73.gif)\n\nInstead of predicting the TTE itself the trick is to let your machine learning model\noutput the *parameters of a distribution*. This could be anything but we like the\n*Weibull distribution* because it's\n[awesome](https:\u002F\u002Fragulpr.github.io\u002F2016\u002F12\u002F22\u002FWTTE-RNN-Hackless-churn-modeling\u002F#embrace-the-Weibull-euphoria).\nThe machine learning algorithm could be anything gradient-based but we like RNNs\nbecause they are [awesome](http:\u002F\u002Fkarpathy.github.io\u002F2015\u002F05\u002F21\u002Frnn-effectiveness\u002F)\ntoo.\n\n![example WTTE-RNN architecture](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_a556c33d3ae3.png)\n\nThe next step is to train the algo of choice with a special log-loss that can work\nwith censored data. The intuition behind it is that we want to assign high\nprobability at the *next* event or low probability where there *wasn't* any events\n(for censored data):\n\n![WTTE-RNN prediction over a timeline](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_f7b2bcd9cd52.gif)\n\nWhat we get is a pretty neat prediction about the *distribution of the TTE* in each\nstep (here for a single event):\n\n![WTTE-RNN prediction](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_2e18e3b5089f.png)\n\nA neat sideresult is that the predicted params is a 2-d embedding that can be used to\nvisualize and group predictions about *how soon* (alpha) and *how sure* (beta). Here\nby stacking timelines of predicted alpha (left) and beta (right):\n\n![WTTE-RNN alphabeta.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_3e9f5c0f68cd.png)\n\n\n## Warnings\n\nThere's alot of mathematical theory basically justifying us to use this nice loss\nfunction in certain situations:\n\n![loss-equation](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_7fa40406932e.png)\n\nSo for censored data it only rewards *pushing the distribution up*, beyond the point\nof censoring. To get this to work you need the censoring mechanism to be independent\nfrom your feature data. If your features contains information about the point of\ncensoring your algorithm will learn to cheat by predicting far away based on\nprobability of censoring instead of tte. A type of overfitting\u002Fartifact learning.\nGlobal features can have this effect if not properly treated.\n\n\n# Status and Roadmap\n\nThe project is under development.  The goal is to create a forkable and easily\ndeployable model framework.  WTTE is the algorithm but the whole project aims to be more. It's a visual philosophy and an opinionated idea about how churn-monitoring and reporting can be made beautiful and easy. \n\nPull-requests, recommendations, comments and contributions very welcome.\n\n## What's in the repository\n\n* Transformations\n  - Data pipeline transformations (`pandas.DataFrame` of expected format to numpy)\n  - Time to event and censoring indicator calculations\n* Weibull functions (cdf, pdf, quantile, mean etc)\n* Objective functions:\n  - Tensorflow\n  - Keras (Tensorflow + Theano)\n* Keras helpers\n  - Weibull output layers\n  - Loss functions\n  - Callbacks\n* ~~ Lots of example-implementations ~~\n    - [Basic notebook](examples\u002Fkeras\u002Fsimple_example.ipynb) will be kept here but to save space and encourage viz check out [the examples-repo](https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn-examples) or fork your notebooks there\n\n# Licensing\n\n* MIT license\n\n## Citation\n\n```\n@MastersThesis{martinsson:Thesis:2016,\n    author = {Egil Martinsson},\n    title  = {{WTTE-RNN : Weibull Time To Event Recurrent Neural Network}},\n    school = {Chalmers University Of Technology},\n    year   = {2016},\n}\n```\n\n## Contributing\nContributions\u002FPR\u002FComments etc are very welcome! Post an issue if you have any questions and feel free to reach out to egil.martinsson[at]gmail.com.\n\n### Contributors (by order of commit)\n\n* Egil Martinsson\n* Dayne Batten (made the first keras-implementation)\n* Clay Kim\n* Jannik Hoffjann\n* Daniel Klevebring\n* Jeongkyu Shin \n* Joongi Kim \n* Jonghyun Park","# WTTE-RNN\n\n[![构建状态](https:\u002F\u002Ftravis-ci.org\u002Fragulpr\u002Fwtte-rnn.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Fragulpr\u002Fwtte-rnn)\n\n威布尔时间至事件循环神经网络\n\n一种更优雅的机器学习框架，用于流失率和时间至事件预测。从服务器监控到地震预测、流失率预测等多样化的预测问题，都可以被建模为预测某个事件发生的时间。WTTE-RNN 既是一种算法，也是一种关于如何进行此类预测的理念。\n\n* [博客文章](https:\u002F\u002Fragulpr.github.io\u002F2016\u002F12\u002F22\u002FWTTE-RNN-Hackless-churn-modeling\u002F)\n* [硕士论文](https:\u002F\u002Fragulpr.github.io\u002Fassets\u002Fdraft_master_thesis_martinsson_egil_wtte_rnn_2016.pdf)\n* 模型的快速可视化介绍：[模型](https:\u002F\u002Fimgur.com\u002Fa\u002FHX4KQ)\n* Jupyter 笔记本：[基础](examples\u002Fkeras\u002Fsimple_example.ipynb)、[进阶](https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn-examples)\n* Gianmario Spacagna 的 [实现](https:\u002F\u002Fgithub.com\u002Fgm-spacagna\u002Fdeep-ttf\u002F) 用于故障前时间预测。\n* 韩语 [README](.\u002FREADME.ko.md)\n\n# 安装\n\n## Python\n\n请参阅 [Python 包的 README](python\u002FREADME.md)。\n\n如果觉得过于复杂，也可以在 [Jupyter 笔记本](examples\u002Fkeras\u002Fstandalone_simple_example.ipynb) 中找到基本实现。\n\n# 思想与基础\n\n你有一组由多个事件时间序列组成的数据，并希望利用历史数据来预测下一个事件发生的时间（TTE）。如果最后一个事件尚未发生，那么我们只能观测到 TTE 的下限作为训练依据。这就产生了所谓的 *删失数据*（红色部分）：\n\n![删失数据](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_7ee26144cb73.gif)\n\n与其直接预测 TTE，不如让机器学习模型输出 *分布的参数*。这些参数可以是任意形式，但我们倾向于使用 *威布尔分布*，因为它非常强大（[参见文章](https:\u002F\u002Fragulpr.github.io\u002F2016\u002F12\u002F22\u002FWTTE-RNN-Hackless-churn-modeling\u002F#embrace-the-Weibull-euphoria)）。用于训练的算法可以是任何基于梯度的方法，而我们特别喜欢 RNN，因为它们也非常强大（[参见文章](http:\u002F\u002Fkarpathy.github.io\u002F2015\u002F05\u002F21\u002Frnn-effectiveness\u002F)）。\n\n![WTTE-RNN 架构示例](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_a556c33d3ae3.png)\n\n下一步是使用一种能够处理删失数据的特殊对数损失函数来训练所选算法。其背后的直觉是：对于未删失的事件，我们希望模型为其分配较高的概率；而对于已删失的数据，则应分配较低的概率：\n\n![WTTE-RNN 在时间轴上的预测](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_f7b2bcd9cd52.gif)\n\n最终得到的是每一步关于 *TTE 分布* 的清晰预测（这里以单个事件为例）：\n\n![WTTE-RNN 预测](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_2e18e3b5089f.png)\n\n一个有趣的副产品是，预测出的参数实际上是一个二维嵌入，可用于可视化和分组预测结果，分别表示“多久会发生”（alpha）和“有多确定”（beta）。以下是按时间轴堆叠的 alpha（左）和 beta（右）预测结果：\n\n![WTTE-RNN alphabeta.png](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_3e9f5c0f68cd.png)\n\n\n## 警告\n\n有许多数学理论证明了在特定情况下使用这种损失函数的合理性：\n\n![损失函数公式](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_readme_7fa40406932e.png)\n\n因此，对于删失数据，该损失函数只会奖励那些将分布“推高”到超过删失点的行为。要使这一方法奏效，删失机制必须独立于你的特征数据。如果特征中包含了有关删失点的信息，算法可能会通过根据删失概率而非实际 TTE 来预测较远的时间，从而产生一种过拟合或伪相关现象。全局特征如果没有得到妥善处理，就可能产生这种影响。\n\n\n# 状态与路线图\n\n该项目仍在开发中。我们的目标是创建一个可复用且易于部署的模型框架。WTTE 是核心算法，但整个项目旨在提供更多价值——它不仅是一种算法，更是一种视觉化哲学和关于如何让流失率监测与报告变得美观易懂的观点。\n\n欢迎 Pull 请求、建议、评论和贡献。\n\n## 仓库内容\n\n* 数据转换\n  - 数据管道转换（将符合预期格式的 `pandas.DataFrame` 转换为 numpy）\n  - 时间至事件及删失标志的计算\n* 威布尔函数（CDF、PDF、分位数、均值等）\n* 目标函数：\n  - TensorFlow\n  - Keras（TensorFlow + Theano）\n* Keras 辅助工具\n  - 威布尔输出层\n  - 损失函数\n  - 回调函数\n* ~~ 大量示例实现 ~~\n    - [基础笔记本](examples\u002Fkeras\u002Fsimple_example.ipynb) 将保留在这里，但为了节省空间并鼓励可视化，请访问 [示例仓库](https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn-examples)，或在此基础上 fork 您自己的笔记本。\n\n# 许可证\n\n* MIT 许可证\n\n## 引用\n\n```\n@MastersThesis{martinsson:Thesis:2016,\n    author = {Egil Martinsson},\n    title  = {{WTTE-RNN : Weibull Time To Event Recurrent Neural Network}},\n    school = {查尔姆斯理工大学},\n    year   = {2016},\n}\n```\n\n## 贡献\n\n欢迎任何形式的贡献、PR 或评论！如有疑问，请提交 issue；也欢迎随时联系 egil.martinsson[at]gmail.com。\n\n### 贡献者（按提交顺序）\n\n* Egil Martinsson\n* Dayne Batten（完成了首个 Keras 实现）\n* Clay Kim\n* Jannik Hoffjann\n* Daniel Klevebring\n* Jeongkyu Shin \n* Joongi Kim \n* Jonghyun Park","# WTTE-RNN 快速上手指南\n\nWTTE-RNN (Weibull Time To Event Recurrent Neural Network) 是一个用于预测“事件发生时间”（Time-To-Event, TTE）的机器学习框架，特别适用于客户流失预测、服务器监控及故障预警等场景。它通过让模型输出韦伯分布（Weibull Distribution）的参数，优雅地处理了**删失数据**（Censored Data，即尚未观察到事件发生的数据）。\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**: 推荐 Python 3.6+\n*   **核心依赖**:\n    *   `TensorFlow` (后端引擎)\n    *   `Keras` (模型构建接口)\n    *   `NumPy`, `Pandas`, `Matplotlib` (数据处理与可视化)\n*   **知识储备**: 了解基本的循环神经网络 (RNN\u002FLSTM) 概念及生存分析基础更佳。\n\n> **提示**: 建议使用虚拟环境（如 `venv` 或 `conda`）隔离依赖。\n\n## 安装步骤\n\n### 方式一：安装 Python 包（推荐）\n\n该项目提供了独立的 Python 包。您可以直接通过 pip 安装：\n\n```bash\npip install wtte-rnn\n```\n\n如果下载速度较慢，可以使用国内镜像源加速：\n\n```bash\npip install wtte-rnn -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 方式二：源码安装（获取最新特性）\n\n如果您需要最新的开发版本或想贡献代码，可以克隆仓库并安装：\n\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn.git\ncd wtte-rnn\u002Fpython\npip install -e .\n```\n\n### 方式三：零依赖快速体验（Jupyter Notebook）\n\n如果您不想配置完整环境，只想快速理解原理，可以直接运行项目提供的独立 Notebook 示例（需本地安装 Jupyter 和 Keras\u002FTensorFlow）：\n\n```bash\n# 克隆示例仓库\ngit clone https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn-examples.git\n# 启动 Jupyter\njupyter notebook wtte-rnn-examples\u002Fexamples\u002Fkeras\u002Fstandalone_simple_example.ipynb\n```\n\n## 基本使用\n\nWTTE-RNN 的核心思想是将传统的回归问题转化为预测韦伯分布的两个参数：**Alpha (α)** 决定事件发生的快慢，**Beta (β)** 决定预测的确定性。\n\n以下是一个基于 Keras 的最简使用流程：\n\n### 1. 数据准备\n\n您需要将时间序列数据转换为模型可接受的格式，关键是要计算出每个样本的 `time_to_event` (TTE) 和 `is_censored` (是否删失) 标签。\n\n```python\nimport numpy as np\nimport pandas as pd\n\n# 假设您有一个包含时间步长和事件标记的 DataFrame\n# X: 输入特征 (samples, time_steps, features)\n# y_tte: 距离下一个事件的时间\n# y_event: 事件是否发生 (1=发生，0=未发生\u002F删失)\n\n# 示例：构造简单的虚拟数据\nn_samples = 1000\ntime_steps = 20\nfeatures = 5\n\nX = np.random.rand(n_samples, time_steps, features)\n# 模拟 TTE 和 删失标记 (实际使用中需根据业务逻辑计算)\ny_tte = np.random.exponential(scale=5.0, size=(n_samples,))\ny_event = np.random.binomial(1, 0.7, size=(n_samples,)) \n```\n\n### 2. 构建模型\n\n使用 `wtte-rnn` 提供的自定义输出层和损失函数构建 Keras 模型。\n\n```python\nfrom keras.models import Sequential\nfrom keras.layers import LSTM, Dense\nfrom wtte.rnn import WeibullOutputLayer\nfrom wtte.loss import weibull_loglikelihood_loss\n\n# 构建 RNN 模型\nmodel = Sequential()\nmodel.add(LSTM(32, input_shape=(time_steps, features), return_sequences=True))\nmodel.add(LSTM(16))\n\n# 添加专用的韦伯分布输出层 (输出 alpha 和 beta)\nmodel.add(WeibullOutputLayer())\n\n# 编译模型，使用专用的对数似然损失函数以处理删失数据\nmodel.compile(optimizer='adam', loss=weibull_loglikelihood_loss)\n\nmodel.summary()\n```\n\n### 3. 训练模型\n\n直接使用准备好的数据进行训练。损失函数会自动处理删失样本，最大化观测事件的概率或最小化未观测事件区域的概率密度。\n\n```python\n# 注意：y 需要组合成模型期望的格式 [y_tte, y_event]\ny_train = np.stack([y_tte, y_event], axis=-1)\n\nhistory = model.fit(\n    X, \n    y_train, \n    batch_size=32, \n    epochs=10, \n    validation_split=0.2,\n    verbose=1\n)\n```\n\n### 4. 预测与解读\n\n模型预测出的结果是韦伯分布的参数。您可以利用这些参数计算任意时间点的风险率、生存概率或期望剩余时间。\n\n```python\nfrom wtte import utils as wtte_utils\n\n# 获取预测参数 (alpha, beta)\npredictions = model.predict(X)\nalpha_pred = predictions[:, 0]\nbeta_pred = predictions[:, 1]\n\n# 计算期望发生时间 (Mean Time To Event)\nexpected_tte = wtte_utils.weibull_mean(alpha_pred, beta_pred)\n\nprint(f\"预测的平均事件发生时间：{expected_tte[:5]}\")\n```\n\n通过以上步骤，您即可利用 WTTE-RNN 构建一个能够处理复杂时间序列和删失数据的强大预测模型。更多高级用法（如可视化 Alpha\u002FBeta 嵌入、自定义回调等）请参考官方示例仓库。","某大型电信运营商的数据科学团队正利用历史用户行为日志，构建预测客户流失时间的模型以优化挽留策略。\n\n### 没有 wtte-rnn 时\n- **数据利用率低**：传统回归模型无法有效处理“右删失数据”（即截至分析时仍未流失的用户），导致大量宝贵的在网用户数据被直接丢弃或错误标记。\n- **预测维度单一**：模型仅能输出一个确定的流失时间点，无法量化预测的不确定性，难以区分“即将确定流失”与“可能长期留存”的用户群。\n- **时序特征捕捉弱**：使用静态特征建模，忽略了用户行为随时间演变的动态模式，导致对突发性流失风险的响应滞后。\n- **业务行动盲目**：由于缺乏概率分布支持，营销团队只能对所有高分用户无差别投放资源，造成预算浪费且转化率低下。\n\n### 使用 wtte-rnn 后\n- **全量数据赋能**：wtte-rnn 专为删失数据设计的韦布尔损失函数，让模型能同时学习已流失和未流失用户的特征，显著提升了训练数据的完整性。\n- **双参数精准画像**：模型输出韦布尔分布的两个参数（$\\alpha$和$\\beta$），分别代表“预计流失时间”和“置信度”，帮助团队识别出高风险且高确定性的目标用户。\n- **动态时序感知**：基于 RNN 架构，wtte-rnn 自动捕捉用户最近几个月的行为序列变化，对异常活跃度的下降做出敏锐的时间级预测。\n- **策略分级落地**：运营团队依据预测分布制定分级干预方案，对“短期高确信”用户立即介入，对“长期不确定”用户进行低成本培育，大幅提升 ROI。\n\nwtte-rnn 通过将流失预测从单一的点估计升级为带置信度的概率分布预测，彻底解决了删失数据难题，让客户挽留策略更加精准且可解释。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fragulpr_wtte-rnn_7ee26144.gif","ragulpr","Egil Martinsson","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fragulpr_43fc3d36.png",null,"ragulpr.github.io","https:\u002F\u002Fgithub.com\u002Fragulpr",[79,83],{"name":80,"color":81,"percentage":82},"Python","#3572A5",100,{"name":84,"color":85,"percentage":86},"Shell","#89e051",0,780,189,"2026-04-05T13:27:34","MIT","未说明",{"notes":93,"python":91,"dependencies":94},"该工具是一个用于预测事件发生时间（Time-To-Event）的机器学习框架，核心算法为结合 Weibull 分布的循环神经网络（RNN）。README 中未提供具体的版本号和硬件要求，但指出支持 TensorFlow 和 Theano 后端的 Keras。项目包含数据管道转换、Weibull 函数计算及自定义损失函数。详细安装步骤需参考 python\u002FREADME.md 文件或查看提供的 Jupyter Notebook 示例。",[95,96,97,98,99],"tensorflow","keras","theano","pandas","numpy",[14],[102,103,95,104,96,105,106,107],"weibull","machine-learning-algorithms","rnn","neural-network","churn-prediction","failure-rate","2026-03-27T02:49:30.150509","2026-04-08T19:00:34.328652",[111,116,121,126,131,135],{"id":112,"question_zh":113,"answer_zh":114,"source_url":115},24960,"如何处理变长序列的批量训练（batch size > 1）？默认推荐 batch size=1 导致训练非常慢。","虽然早期 Keras 版本中掩码（masking）传播到自定义损失函数存在不一致性，但现在通常已修复。如果正确进行了填充和掩码，损失函数会自动忽略填充部分，此时不一定需要 sample_weights。但维护者建议：即使使用了掩码，仍推荐使用 sample_weights 来灵活控制每个样本的权重；同时确保使用一个非常大的值作为掩码值（在数据归一化后该值不会自然出现），以防止意外干扰。","https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn\u002Fissues\u002F16",{"id":117,"question_zh":118,"answer_zh":119,"source_url":120},24961,"训练 WTTE-RNN 模型时出现 NaN 损失（loss: nan），可能的原因有哪些？","出现 NaN 的主要原因包括：1) 过多的审查（censoring）导致不稳定，建议只保留事件发生频率较高的用户（例如至少提交 10 天的数据），审查比例控制在 50% 以下；2) 初始化参数 alpha 时使用了所有主体的均值，但仅在单个主体上训练，容易导致梯度爆炸；3) `shift_discrete_padded_features` 函数存在 Bug，未能正确隐藏目标变量，导致模型能完美预测从而引发梯度爆炸。请参考最新的 data_pipeline 示例笔记本进行修正。","https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn\u002Fissues\u002F7",{"id":122,"question_zh":123,"answer_zh":124,"source_url":125},24962,"WTTE-RNN 的输入数据格式应该是什么样的？如果我的事件数据时间间隔不均匀（连续时间戳），该如何处理？","WTTE-RNN 要求输入为按固定时间分辨率聚合的序列数据。对于时间间隔不均匀的事件数据，需要先进行预处理：将连续时间戳转换为固定的时间步长（如按天、小时聚合），并对缺失的时间步进行填充（通常填 0）。每个用户的序列应具有相同的时间长度或通过填充对齐。具体转换逻辑可参考项目中的 `data_pipeline` 模板，它展示了如何将原始事件日志转换为模型所需的张量格式。","https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn\u002Fissues\u002F43",{"id":127,"question_zh":128,"answer_zh":129,"source_url":130},24963,"构建流失预测模型时，训练集是否只应包含发生过目标事件（如点击取消按钮）的用户？","是的，通常建议训练集只包含至少发生过一次目标事件的用户群体。这是因为 WTTE-RNN 基于生存分析原理，需要观察到事件发生的时间点来计算损失。如果用户从未发生目标事件（完全右删失），则无法提供有效的监督信号。但在实际应用中，也可以包含未发生事件的用户作为右删失样本，只要他们的观测时间窗口足够长，模型仍能从中学习时间分布特征。","https:\u002F\u002Fgithub.com\u002Fragulpr\u002Fwtte-rnn\u002Fissues\u002F42",{"id":132,"question_zh":133,"answer_zh":134,"source_url":130},24964,"如何设置时间窗口和审查机制？例如想预测未来 14 天内会流失的用户，应该如何配置参数？","若希望预测未来 14 天内的事件，应设置 `max_time=14`（假设数据分辨率为天）。在每个序列步骤中，超过该时间窗口的未来数据会被审查（censored），即目标和相应特征被置为 0 或标记为未知。此外，若数据已是按天聚合且无缺失，可设置 `discrete_time=False` 和 `pad_between_steps=False` 以避免不必要的插值或截断。具体时间聚合行为可通过 `time_sec_interval` 参数控制。",{"id":136,"question_zh":137,"answer_zh":138,"source_url":130},24965,"`discrete_time` 参数的具体作用是什么？在什么情况下应该设置为 True 或 False？","`discrete_time=True` 用于防止不完整的时间间隔测量，它会将序列缩短以仅包含最后一个完整的时间区间（例如只保留到昨天的完整数据）。当你的数据已经是按固定分辨率（如每天）聚合好，并且没有部分间隔的问题时，可以安全地设置 `discrete_time=False`。此外，若数据已预先插值填充了空白时间点，也无需启用此选项。默认情况下，时间聚合通过求和完成，且 `drop_last_timestep=False` 时不会移除最大时间戳的步骤。",[]]