[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"tool-thuml--Nonstationary_Transformers":3,"similar-thuml--Nonstationary_Transformers":84},{"id":4,"github_repo":5,"name":6,"description_en":7,"description_zh":8,"ai_summary_zh":8,"readme_en":9,"readme_zh":10,"quickstart_zh":11,"use_case_zh":12,"hero_image_url":13,"owner_login":14,"owner_name":15,"owner_avatar_url":16,"owner_bio":17,"owner_company":18,"owner_location":18,"owner_email":19,"owner_twitter":18,"owner_website":20,"owner_url":21,"languages":22,"stars":31,"forks":32,"last_commit_at":33,"license":34,"difficulty_score":35,"env_os":36,"env_gpu":36,"env_ram":36,"env_deps":37,"category_tags":42,"github_topics":44,"view_count":35,"oss_zip_url":18,"oss_zip_packed_at":18,"status":49,"created_at":50,"updated_at":51,"faqs":52,"releases":83},6896,"thuml\u002FNonstationary_Transformers","Nonstationary_Transformers","Code release for \"Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting\" (NeurIPS 2022), https:\u002F\u002Farxiv.org\u002Fabs\u002F2205.14415","Nonstationary_Transformers 是专为时间序列预测设计的开源深度学习框架，源自 NeurIPS 2022 的研究成果。它主要解决了传统 Transformer 模型在处理“非平稳”时间序列数据（即统计特性随时间变化的数据，如股票价格、气象记录）时表现不佳的难题。\n\n该工具的核心亮点在于提出了两项创新技术：“序列平稳化”与“去平稳注意力机制”。前者通过统一输入数据的统计分布来提升模型的可预测性，并在输出时还原真实统计特征；后者则致力于从平稳化后的数据中恢复内在的非平稳信息，从而捕捉更精准的时间依赖关系。实验表明，将该框架应用于 Transformer、Informer、Autoformer 等主流模型后，其预测性能平均提升了近 50%，在多个基准数据集上达到了业界领先水平。\n\nNonstationary_Transformers 非常适合从事时间序列分析的研究人员、算法工程师以及需要处理复杂时序数据的开发者使用。项目代码结构清晰，提供了完整的训练脚本和超参数配置，支持多种经典数据集，便于用户快速复现结果或将该框架集成到现有的注意力机制模型中，以显著提升预测精度。","# Non-stationary Transformers\n\nThis is the codebase for the paper:\n[Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting](https:\u002F\u002Farxiv.org\u002Fabs\u002F2205.14415), NeurIPS 2022. [[Slides]](https:\u002F\u002Fcloud.tsinghua.edu.cn\u002Ff\u002F8d6ce7b18d3c468190e7\u002F), [[Poster]](https:\u002F\u002Fcloud.tsinghua.edu.cn\u002Ff\u002F6eea66909aa7465ca9a4\u002F).\n\n:triangular_flag_on_post: **News** (2023.02) Non-stationary Transformer has been included in [[Time-Series-Library]](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library), which covers long- and short-term forecasting, imputation, anomaly detection, and classification.\n\n## Discussions\n\nThere are already several discussions about our paper, we appreciate a lot for their valuable comments and efforts: [[Official]](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FLkpkTiNBVBYA-FqzAdy4dw), [[OpenReview]](https:\u002F\u002Fopenreview.net\u002Fforum?id=ucNDIDRNjjv), [[Zhihu]](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F535931701).\n\n## Architecture\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_b38fc0a7a52d.png)\n\n### Series Stationarization\n\nSeries Stationarization unifies the statistics of each input and converts the output with restored statistics for better predictability. \n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_bdb7dfe9236c.png)\n\n### De-stationary Attention\n\nDe-stationary Attention is devised to recover the intrinsic non-stationary information into temporal dependencies by approximating distinguishable attentions learned from unstationarized series. \n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_836ffd8a69fe.png)\n\n\n## Showcases\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_01e0ad453f3e.png)\n\n## Preparation\n\n1. Install Python 3.7 and neccessary dependencies.\n```\npip install -r requirements.txt\n```\n2. All the six benchmark datasets can be obtained from [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CC4ZrUD4EKncndzgy5PSTzOPSqcuyqqj\u002Fview?usp=sharing) or [Tsinghua Cloud](https:\u002F\u002Fcloud.tsinghua.edu.cn\u002Ff\u002Fb8f4a78a39874ac9893e\u002F?dl=1).\n\n## Training scripts\n\n### Non-stationary Transformer\n\nWe provide the Non-stationary Transformer experiment scripts and hyperparameters of all benchmark dataset under the folder `.\u002Fscripts`.\n\n```bash\n# Transformer with our framework\nbash .\u002Fscripts\u002FECL_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FTraffic_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FWeather_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FILI_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FExchange_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FETT_script\u002Fns_Transformer.sh\n```\n\n```bash\n# Transformer baseline\nbash .\u002Fscripts\u002FECL_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FTraffic_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FWeather_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FILI_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FExchange_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FETT_script\u002FTransformer.sh\n```\n\n### Non-stationary framework to promote other Attention-based models \n\nWe also provide the scripts for other Attention-based models (Informer, Autoformer), for example:\n\n```bash\n# Informer promoted by our Non-stationary framework\nbash .\u002Fscripts\u002FExchange_script\u002FInformer.sh\nbash .\u002Fscripts\u002FExchange_script\u002Fns_Informer.sh\n\n# Autoformer promoted by our Non-stationary framework\nbash .\u002Fscripts\u002FWeather_script\u002FAutoformer.sh\nbash .\u002Fscripts\u002FWeather_script\u002Fns_Autoformer.sh\n```\n\n## Experiment Results\n\n### Main Results\n\nFor multivariate forecasting results, the vanilla Transformer equipped with our framework consistently achieves state-of-the-art performance in all six benchmarks and prediction lengths.\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_28a59d009b17.png)\n\n### Model Promotion\n\nBy applying our framework to six mainstream Attention-based models. Our method consistently improves the forecasting ability. Overall, it achieves averaged **49.43%** promotion on Transformer, **47.34%** on Informer, **46.89%** on Reformer, **10.57%** on Autoformer, **5.17%** on ETSformer and **4.51%** on FEDformer, making each of them surpass previous state-of-the-art.\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_0fb55ed189ff.png)\n\n## Future Work\n\nWe will keep equip the following models with our proposed Non-stationary Transformers framework:\n\n- [x] Transformer\n- [x] iTransformer\n- [x] Informer\n- [x] Autoformer\n- [x] FEDformer\n- [x] Crossformer\n- [x] Reformer\n- [x] ......\n\nNote: Series Stationarization as an architecture-free module has been widely applied for addressing non-stationarity in time series. Please refer to [time-series-library](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library\u002Ftree\u002Fmain\u002Fmodels) for the implementationdetails.\n\n## Citation\n\nIf you find this repo useful, please cite our paper. \n\n```\n@article{liu2022non,\n  title={Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting},\n  author={Liu, Yong and Wu, Haixu and Wang, Jianmin and Long, Mingsheng},\n  booktitle={Advances in Neural Information Processing Systems},\n  year={2022}\n}\n```\n\n## Contact\n\nIf you have any questions or want to use the code, please contact liuyong21@mails.tsinghua.edu.cn.\n\n\n## Acknowledgement\n\nThis repo is built on the [Autoformer repo](https:\u002F\u002Fgithub.com\u002Fthuml\u002FAutoformer), we appreciate the authors a lot for their valuable code and efforts.\n","# 非平稳Transformer\n\n这是论文的代码库：\n[非平稳Transformer：探索时间序列预测中的平稳性](https:\u002F\u002Farxiv.org\u002Fabs\u002F2205.14415)，NeurIPS 2022。[[幻灯片]](https:\u002F\u002Fcloud.tsinghua.edu.cn\u002Ff\u002F8d6ce7b18d3c468190e7\u002F)，[[海报]](https:\u002F\u002Fcloud.tsinghua.edu.cn\u002Ff\u002F6eea66909aa7465ca9a4\u002F)。\n\n:triangular_flag_on_post: **新闻**（2023年2月）非平稳Transformer已被纳入[[时间序列库]](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library)，该库涵盖了长短期预测、插补、异常检测和分类任务。\n\n## 讨论\n\n关于我们的论文已经有几篇讨论，我们非常感谢他们宝贵的评论和努力：[[官方]](https:\u002F\u002Fmp.weixin.qq.com\u002Fs\u002FLkpkTiNBVBYA-FqzAdy4dw)、[[OpenReview]](https:\u002F\u002Fopenreview.net\u002Fforum?id=ucNDIDRNjjv)、[[知乎]](https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F535931701)。\n\n## 架构\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_b38fc0a7a52d.png)\n\n### 系列平稳化\n\n系列平稳化统一了每个输入的统计特性，并将输出转换回原始统计特性，以提高预测性能。\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_bdb7dfe9236c.png)\n\n### 去平稳注意力机制\n\n去平稳注意力机制旨在通过近似从非平稳序列中学习到的可区分注意力，将内在的非平稳信息恢复到时间依赖关系中。\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_836ffd8a69fe.png)\n\n\n## 展示案例\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_01e0ad453f3e.png)\n\n## 准备工作\n\n1. 安装Python 3.7及必要的依赖包。\n```\npip install -r requirements.txt\n```\n2. 所有六个基准数据集均可从[Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CC4ZrUD4EKncndzgy5PSTzOPSqcuyqqj\u002Fview?usp=sharing)或[清华云](https:\u002F\u002Fcloud.tsinghua.edu.cn\u002Ff\u002Fb8f4a78a39874ac9893e\u002F?dl=1)获取。\n\n## 训练脚本\n\n### 非平稳Transformer\n\n我们在`.\u002Fscripts`文件夹下提供了所有基准数据集的非平稳Transformer实验脚本及超参数。\n\n```bash\n# 使用我们框架的Transformer\nbash .\u002Fscripts\u002FECL_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FTraffic_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FWeather_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FILI_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FExchange_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FETT_script\u002Fns_Transformer.sh\n```\n\n```bash\n# Transformer基线\nbash .\u002Fscripts\u002FECL_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FTraffic_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FWeather_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FILI_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FExchange_script\u002FTransformer.sh\nbash .\u002Fscripts\u002FETT_script\u002FTransformer.sh\n```\n\n### 非平稳框架用于提升其他基于注意力的模型\n\n我们还提供了其他基于注意力的模型（Informer、Autoformer）的脚本，例如：\n\n```bash\n# 我们的非平稳框架提升的Informer\nbash .\u002Fscripts\u002FExchange_script\u002FInformer.sh\nbash .\u002Fscripts\u002FExchange_script\u002Fns_Informer.sh\n\n# 我们的非平稳框架提升的Autoformer\nbash .\u002Fscripts\u002FWeather_script\u002FAutoformer.sh\nbash .\u002Fscripts\u002FWeather_script\u002Fns_Autoformer.sh\n```\n\n## 实验结果\n\n### 主要结果\n\n对于多变量预测结果，配备我们框架的原始Transformer在所有六个基准和不同预测长度上均持续达到最先进水平。\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_28a59d009b17.png)\n\n### 模型提升\n\n通过将我们的框架应用于六种主流的基于注意力的模型，我们的方法始终能够提升预测能力。总体而言，它对Transformer的提升平均达到**49.43%**，对Informer为**47.34%**，对Reformer为**46.89%**，对Autoformer为**10.57%**，对ETSformer为**5.17%**，对FEDformer为**4.51%**，使每种模型都超越了之前的最先进水平。\n\n![arch](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_readme_0fb55ed189ff.png)\n\n## 未来工作\n\n我们将继续为以下模型配备我们提出的非平稳Transformer框架：\n\n- [x] Transformer\n- [x] iTransformer\n- [x] Informer\n- [x] Autoformer\n- [x] FEDformer\n- [x] Crossformer\n- [x] Reformer\n- [x] ......\n\n注：作为无架构模块的系列平稳化已被广泛应用于解决时间序列中的非平稳性问题。有关实现细节，请参阅[时间序列库](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library\u002Ftree\u002Fmain\u002Fmodels)。\n\n## 引用\n\n如果您觉得这个仓库有用，请引用我们的论文。\n\n```\n@article{liu2022non,\n  title={Non-stationary Transformers: Exploring the Stationarity in Time Series Forecasting},\n  author={Liu, Yong and Wu, Haixu and Wang, Jianmin and Long, Mingsheng},\n  booktitle={Advances in Neural Information Processing Systems},\n  year={2022}\n}\n```\n\n## 联系方式\n\n如果您有任何问题或希望使用此代码，请联系liuyong21@mails.tsinghua.edu.cn。\n\n\n## 致谢\n\n本仓库基于[Autoformer仓库](https:\u002F\u002Fgithub.com\u002Fthuml\u002FAutoformer)构建，我们非常感谢作者们提供的宝贵代码和努力。","# Non-stationary Transformers 快速上手指南\n\nNon-stationary Transformers 是 NeurIPS 2022 收录的时间序列预测模型，旨在解决时间序列中的非平稳性问题。该框架通过“序列平稳化（Series Stationarization）”和“去平稳注意力（De-stationary Attention）”机制，显著提升了 Transformer 及其变体在长短期预测任务中的表现。\n\n## 环境准备\n\n- **操作系统**：Linux \u002F macOS \u002F Windows\n- **Python 版本**：推荐 Python 3.7\n- **前置依赖**：需安装 `requirements.txt` 中列出的所有依赖包（包括 PyTorch 等深度学习框架）\n\n## 安装步骤\n\n1. 克隆仓库并进入目录：\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fthuml\u002FNonstationary_Transformers.git\ncd Nonstationary_Transformers\n```\n\n2. 安装依赖：\n```bash\npip install -r requirements.txt\n```\n> 💡 国内用户可使用清华源加速安装：\n```bash\npip install -r requirements.txt -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n3. 下载数据集：\n所有六个基准数据集可通过以下任一链接获取：\n- [Google Drive](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1CC4ZrUD4EKncndzgy5PSTzOPSqcuyqqj\u002Fview?usp=sharing)\n- [清华云盘（国内加速）](https:\u002F\u002Fcloud.tsinghua.edu.cn\u002Ff\u002Fb8f4a78a39874ac9893e\u002F?dl=1)\n\n下载后请将数据解压至项目根目录或按脚本要求配置路径。\n\n## 基本使用\n\n### 运行 Non-stationary Transformer 模型\n\n以 ECL 数据集为例，执行以下命令启动训练：\n\n```bash\nbash .\u002Fscripts\u002FECL_script\u002Fns_Transformer.sh\n```\n\n其他数据集（Traffic, Weather, ILI, Exchange, ETT）只需替换对应脚本路径：\n\n```bash\nbash .\u002Fscripts\u002FTraffic_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FWeather_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FILI_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FExchange_script\u002Fns_Transformer.sh\nbash .\u002Fscripts\u002FETT_script\u002Fns_Transformer.sh\n```\n\n### 对比基线模型（原始 Transformer）\n\n```bash\nbash .\u002Fscripts\u002FECL_script\u002FTransformer.sh\n```\n\n### 应用于其他注意力模型（如 Informer、Autoformer）\n\n本框架可无缝集成到其他基于 Attention 的模型中：\n\n```bash\n# 提升版 Informer\nbash .\u002Fscripts\u002FExchange_script\u002Fns_Informer.sh\n\n# 提升版 Autoformer\nbash .\u002Fscripts\u002FWeather_script\u002Fns_Autoformer.sh\n```\n\n> 📌 所有超参数与实验配置已预设在 `.\u002Fscripts` 文件夹下的各子目录中，可直接运行无需手动调整。\n\n---\n\n✅ 完成上述步骤后，模型将自动开始训练并输出预测结果。更多细节请参考官方论文或访问 [Time-Series-Library](https:\u002F\u002Fgithub.com\u002Fthuml\u002FTime-Series-Library) 获取扩展支持。","某大型连锁零售企业的算法团队正致力于构建未来 30 天的区域销量预测系统，以优化库存周转并应对季节性波动。\n\n### 没有 Nonstationary_Transformers 时\n- **分布漂移导致失效**：面对节假日促销或突发天气引发的数据分布剧烈变化（非平稳性），传统 Transformer 模型因假设数据统计特性恒定，预测准确率断崖式下跌。\n- **关键趋势被抹平**：原有的去噪或标准化预处理过度平滑了数据，导致模型无法捕捉销量突增或骤降等具有商业价值的内在非平稳信息。\n- **泛化能力极差**：在训练集表现良好的模型，一旦部署到统计特性不同的新季度或新门店场景中，需要频繁重新训练，维护成本高昂。\n- **基线模型瓶颈明显**：即使尝试引入 Informer 或 Autoformer 等先进架构，若未解决非平稳性问题，其长期预测误差（MSE）仍难以满足业务落地标准。\n\n### 使用 Nonstationary_Transformers 后\n- **自适应统计对齐**：利用“序列平稳化”技术，模型自动统一输入数据的统计特性并在输出端还原，使 Transformer 能稳健应对各种分布漂移场景。\n- **深层依赖精准捕获**：通过“去平稳注意力机制”，模型成功从平稳化序列中恢复并学习了原本被掩盖的非平稳时间依赖关系，精准命中销量拐点。\n- **跨场景零样本迁移**：模型在不同季节和门店间展现出极强的泛化性，无需针对每个新场景单独调参或重训，显著降低了运维压力。\n- **现有架构性能飞跃**：直接将此框架应用于现有的 Transformer 或 Informer 模型，即可实现平均近 50% 的预测精度提升，轻松超越原有最先进水平。\n\nNonstationary_Transformers 通过独创的平稳化处理与注意力恢复机制，彻底解决了时间序列预测中因数据分布动态变化导致的模型失效难题，让经典架构在复杂现实场景中焕发新生。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fthuml_Nonstationary_Transformers_01e0ad45.png","thuml","THUML @ Tsinghua University","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fthuml_2b45f3ea.png","Machine Learning Group, School of Software, Tsinghua University",null,"mingsheng@tsinghua.edu.cn","http:\u002F\u002Fise.thss.tsinghua.edu.cn\u002F~mlong","https:\u002F\u002Fgithub.com\u002Fthuml",[23,27],{"name":24,"color":25,"percentage":26},"Python","#3572A5",68.5,{"name":28,"color":29,"percentage":30},"Shell","#89e051",31.5,556,103,"2026-03-20T14:38:11","MIT",2,"未说明",{"notes":38,"python":39,"dependencies":40},"该工具基于 Autoformer 代码库构建。运行前需安装 Python 3.7 及 requirements.txt 中的依赖。实验脚本通过 bash 命令执行，暗示主要支持类 Unix 环境（如 Linux）。数据集需从 Google Drive 或清华云盘单独下载。","3.7",[41],"requirements.txt 中定义的依赖 (具体列表未在 README 中展示)",[43],"开发框架",[45,46,47,48],"deep-learning","time-series","forecasting","non-stationary","ready","2026-03-27T02:49:30.150509","2026-04-13T00:24:14.744349",[53,58,63,68,73,78],{"id":54,"question_zh":55,"answer_zh":56,"source_url":57},31070,"Dataset 中的 scale 参数是如何工作的？是否应该在模型输入前进行归一化？","Dataset 中的 scale 参数是将训练集整段序列的均值和方差用于测试集整段序列的尺度变换，这是时序预测中的标准做法（类似 CV 中使用 ImageNet 的均值方差）。这种整体尺度变换不会改变序列的平稳性。模型提出的 Series Stationarization 机制会在输入窗口内部独立进行归一化，消除窗口内的均值方差差异。如果需要在预测后获得原始数据范围的结果，可以调用 inverse_transform 方法将预测值逆归一化。所有基准对比实验均基于整体归一化后的数据计算 MSE 与 MAE。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FNonstationary_Transformers\u002Fissues\u002F2",{"id":59,"question_zh":60,"answer_zh":61,"source_url":62},31071,"为什么解码器（Decoder）的输入部分用零填充而不是真实值？","这是一种历史沿袭的设计，因为时间序列预测最初被视为类似 NLP 的 Seq2Seq 问题，因此保留了 Encoder-Decoder 架构作为通用框架。实际上，近期的研究（如 PatchTST, TimesNet）表明，简单的 MLP 投影器也能起到与 Transformer Decoder 相同的作用。在仅使用 Encoder 的结构中，不再需要额外的信息或过去的观测值作为提示。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FNonstationary_Transformers\u002Fissues\u002F28",{"id":64,"question_zh":65,"answer_zh":66,"source_url":67},31072,"测试时设置 drop_last=False 报错 'tuple index out of range' 如何解决？","该错误通常是因为测试集数据量不能被 batch_size 整除，导致最后一个 batch 的形状异常。解决方法是将测试时的 batch_size 设置为 1，这样可以避免形状不匹配的问题，确保所有测试数据都被处理且不报错。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FNonstationary_Transformers\u002Fissues\u002F21",{"id":69,"question_zh":70,"answer_zh":71,"source_url":72},31073,"训练过程中验证集损失（Val Loss）在第一个 epoch 最低，随后震荡并触发早停，这是正常现象吗？","这是正常现象，特别是在像 ETTh2 这样较小的数据集上。Early Stopping 机制在此起到了防止过拟合的作用。关于论文中的实验结果，它们是设定不同随机种子重复三次实验后计算的平均值，具体细节可参考论文附录 E。单次实验结果优于平均值也是可能发生的。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FNonstationary_Transformers\u002Fissues\u002F6",{"id":74,"question_zh":75,"answer_zh":76,"source_url":77},31074,"如何使用具有不同输入维度（多变量输入，单变量输出）的自定义数据集？","如果任务只关心其中一个变量的预测值（其他输入作为协变量），可以在优化损失函数时，仅计算目标变量的预测误差并进行反向传播。这意味着你需要修改损失计算部分，使其只针对特定的目标列（label）计算 Loss，而不是对所有输出维度求平均。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FNonstationary_Transformers\u002Fissues\u002F41",{"id":79,"question_zh":80,"answer_zh":81,"source_url":82},31075,"数据集中的 'OT' 列代表什么含义？","'OT' 列通常代表目标变量（Target Variable）或油温（Oil Temperature，在 ETT 数据集中）。在单变量预测（'S' 模式）实验中，模型会将 'OT' 列作为主要数据进行预测。对于更详细的解释，可以参考相关前身项目（如 Autoformer 或 Informer）的文档或 Issue 讨论。","https:\u002F\u002Fgithub.com\u002Fthuml\u002FNonstationary_Transformers\u002Fissues\u002F14",[],[85,97,105,114,122,131],{"id":86,"name":87,"github_repo":88,"description_zh":89,"stars":90,"difficulty_score":91,"last_commit_at":92,"category_tags":93,"status":49},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",[94,43,95,96],"Agent","图像","数据工具",{"id":98,"name":99,"github_repo":100,"description_zh":101,"stars":102,"difficulty_score":91,"last_commit_at":103,"category_tags":104,"status":49},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",[43,95,94],{"id":106,"name":107,"github_repo":108,"description_zh":109,"stars":110,"difficulty_score":35,"last_commit_at":111,"category_tags":112,"status":49},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",151918,"2026-04-12T11:33:05",[43,94,113],"语言模型",{"id":115,"name":116,"github_repo":117,"description_zh":118,"stars":119,"difficulty_score":35,"last_commit_at":120,"category_tags":121,"status":49},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。",108322,"2026-04-10T11:39:34",[43,95,94],{"id":123,"name":124,"github_repo":125,"description_zh":126,"stars":127,"difficulty_score":35,"last_commit_at":128,"category_tags":129,"status":49},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",[130,94,95,43],"插件",{"id":132,"name":133,"github_repo":134,"description_zh":135,"stars":136,"difficulty_score":35,"last_commit_at":137,"category_tags":138,"status":49},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",[130,43]]