[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-yandex-research--rtdl":3,"tool-yandex-research--rtdl":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",140436,2,"2026-04-05T23:32:43",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":76,"owner_avatar_url":77,"owner_bio":78,"owner_company":79,"owner_location":79,"owner_email":79,"owner_twitter":80,"owner_website":81,"owner_url":82,"languages":83,"stars":92,"forks":93,"last_commit_at":94,"license":95,"difficulty_score":23,"env_os":78,"env_gpu":96,"env_ram":96,"env_deps":97,"category_tags":100,"github_topics":101,"view_count":23,"oss_zip_url":79,"oss_zip_packed_at":79,"status":16,"created_at":113,"updated_at":114,"faqs":115,"releases":116},4110,"yandex-research\u002Frtdl","rtdl","Research on Tabular Deep Learning: Papers & Packages","rtdl 是一个专注于表格数据深度学习的研究资源库，汇集了该领域的前沿论文与配套代码包。在机器学习实践中，表格数据（如 Excel 或数据库记录）的处理长期依赖传统模型，而深度学习方法的效果往往不稳定。rtdl 旨在解决这一痛点，通过系统性地复现、评估和改进各类神经网络架构，帮助社区厘清哪些技术真正有效，从而填补理论研究与实际应用之间的空白。\n\n该项目非常适合人工智能研究人员、数据科学家以及希望将深度学习应用于结构化数据的开发者使用。其独特亮点在于不仅提供学术文献，还维护了高质量的开源实现，涵盖了从基础的 MLP、ResNet 到先进的 FT-Transformer、TabM（参数高效集成）及 TabDDPM（扩散模型生成表格数据）等多种模型。值得注意的是，原有的统一 Python 包已升级为多个功能更专一、修正了数值特征嵌入等关键问题的独立子包（如 rtdl_revisiting_models），确保用户能获取更稳定、高效的代码支持。无论是想要复现最新科研成果，还是寻找工业级基线模型，rtdl 都是探索表格数据深度学习不可或缺的指南。","# RTDL (Research on Tabular Deep Learning)\n\nRTDL (**R**esearch on **T**abular **D**eep **L**earning) is a collection of papers and packages\non deep learning for tabular data.\n\n:bell: *To follow announcements on new projects, subscribe to releases in this GitHub repository:\n\"Watch -> Custom -> Releases\".*\n\n> [!NOTE]\n> The list of projects below is up-to-date, but the `rtdl` Python package is deprecated.\n> If you used the \u003Ccode>rtdl\u003C\u002Fcode> package, please, read the details.\n>\n> \u003Cdetails>\n>\n> 1. First, to clarify, this repository is **NOT** deprecated,\n>    only the package `rtdl` is deprecated: it is replaced with other packages.\n> 2. If you used the latest `rtdl==0.0.13` installed from PyPI (not from GitHub!)\n>    as `pip install rtdl`, then the same models\n>    (MLP, ResNet, FT-Transformer) can be found in the `rtdl_revisiting_models` package,\n>    though API is slightly different.\n> 3. :exclamation: **If you used the unfinished code from the main branch, it is highly**\n>    **recommended to switch to the new packages.** In particular,\n>    the unfinished implementation of embeddings for continuous features\n>    contained many unresolved issues (the `rtdl_num_embeddings` package, in turn,\n>    is more efficient and correct).\n>\n> \u003C\u002Fdetails>\n\n# Papers\n\n(2024) TabM: Advancing Tabular Deep Learning with Parameter-Efficient Ensembling\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.24210)\n  [Code](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabm)\n  [Usage](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabm#using-tabm-in-practice)\n\n(2024) TabReD: Analyzing Pitfalls and Filling the Gaps in Tabular Deep Learning Benchmarks\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.19380)\n  [Code](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabred)\n\n(2023) TabR: Tabular Deep Learning Meets Nearest Neighbors\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.14338)\n  [Code](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabular-dl-tabr)\n\n(2022) TabDDPM: Modelling Tabular Data with Diffusion Models\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.15421)\n  [Code](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftab-ddpm)\n\n(2022) Revisiting Pretraining Objectives for Tabular Deep Learning\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.03208)\n  [Code](https:\u002F\u002Fgithub.com\u002Fpuhsu\u002Ftabular-dl-pretrain-objectives)\n\n(2022) On Embeddings for Numerical Features in Tabular Deep Learning\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.05556)\n  [Code](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-num-embeddings)\n  [Package (rtdl_num_embeddings)](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-num-embeddings\u002Ftree\u002Fmain\u002Fpackage\u002FREADME.md)\n\n(2021) Revisiting Deep Learning Models for Tabular Data\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.11959)\n  [Code](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-revisiting-models)\n  [Package (rtdl_revisiting_models)](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-revisiting-models\u002Ftree\u002Fmain\u002Fpackage\u002FREADME.md)\n\n(2019) Neural Oblivious Decision Ensembles for Deep Learning on Tabular Data\n\u003Cbr> [Paper](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.06312)\n  [Code](https:\u002F\u002Fgithub.com\u002FQwicen\u002Fnode)\n","# RTDL（表格深度学习研究）\n\nRTDL（**R**esearch on **T**abular **D**eep **L**earning）是一系列关于表格数据深度学习的论文和软件包集合。\n\n:bell: *如需关注新项目的公告，请订阅此 GitHub 仓库的发布通知：“Watch -> Custom -> Releases”。*\n\n> [!NOTE]\n> 下面的项目列表是最新的，但 `rtdl` Python 包已弃用。\n> 如果您曾使用过 `rtdl` 包，请阅读详细说明。\n>\n> \u003Cdetails>\n>\n> 1. 首先需要澄清的是，本仓库并未弃用，\n>    只有 `rtdl` 包已被弃用：它已被其他包所取代。\n> 2. 如果您是从 PyPI 安装的最新版本 `rtdl==0.0.13`（而非从 GitHub！）\n>    使用命令 `pip install rtdl` 进行安装，那么相同的模型\n>    （MLP、ResNet、FT-Transformer）可以在 `rtdl_revisiting_models` 包中找到，\n>    虽然 API 略有不同。\n> 3. :exclamation: **如果您使用的是主分支中的未完成代码，强烈建议您切换到新的包。** 特别是，\n>    用于连续特征的嵌入实现尚不完善，\n>    存在许多未解决的问题（而 `rtdl_num_embeddings` 包则更加高效且正确）。\n>\n> \u003C\u002Fdetails>\n\n# 论文\n\n(2024) TabM：通过参数高效的集成方法推进表格深度学习\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2410.24210)\n  [代码](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabm)\n  [使用指南](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabm#using-tabm-in-practice)\n\n(2024) TabReD：分析表格深度学习基准中的陷阱并填补空白\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2406.19380)\n  [代码](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabred)\n\n(2023) TabR：表格深度学习与最近邻方法的结合\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2307.14338)\n  [代码](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabular-dl-tabr)\n\n(2022) TabDDPM：使用扩散模型建模表格数据\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2209.15421)\n  [代码](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftab-ddpm)\n\n(2022) 重新审视表格深度学习的预训练目标\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2207.03208)\n  [代码](https:\u002F\u002Fgithub.com\u002Fpuhsu\u002Ftabular-dl-pretrain-objectives)\n\n(2022) 关于表格深度学习中数值特征的嵌入方法\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.05556)\n  [代码](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-num-embeddings)\n  [软件包（rtdl_num_embeddings）](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-num-embeddings\u002Ftree\u002Fmain\u002Fpackage\u002FREADME.md)\n\n(2021) 重新审视用于表格数据的深度学习模型\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F2106.11959)\n  [代码](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-revisiting-models)\n  [软件包（rtdl_revisiting_models）](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl-revisiting-models\u002Ftree\u002Fmain\u002Fpackage\u002FREADME.md)\n\n(2019) 用于表格数据深度学习的神经无意识决策集成\n\u003Cbr> [论文](https:\u002F\u002Farxiv.org\u002Fabs\u002F1909.06312)\n  [代码](https:\u002F\u002Fgithub.com\u002FQwicen\u002Fnode)","# RTDL 快速上手指南\n\nRTDL (Research on Tabular Deep Learning) 是一个专注于表格数据深度学习的开源项目集合，汇集了多篇顶会论文及其对应的代码实现。**注意：原有的 `rtdl` Python 包已弃用，请根据需求安装以下新的独立包。**\n\n## 环境准备\n\n- **操作系统**：Linux, macOS, Windows\n- **Python 版本**：建议 Python 3.8 或更高版本\n- **前置依赖**：\n  - PyTorch (推荐最新稳定版)\n  - NumPy\n  - Pandas\n  - Scikit-learn\n\n确保已安装基础深度学习环境：\n```bash\npip install torch numpy pandas scikit-learn\n```\n\n## 安装步骤\n\n由于原 `rtdl` 包已废弃，请根据你的研究或应用需求选择安装对应的子项目包。推荐使用国内镜像源加速安装。\n\n### 1. 安装经典模型复现包 (MLP, ResNet, FT-Transformer)\n对应论文：*Revisiting Deep Learning Models for Tabular Data (2021)*\n```bash\npip install rtdl-revisiting-models -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 2. 安装数值特征嵌入包 (Numerical Embeddings)\n对应论文：*On Embeddings for Numerical Features in Tabular Deep Learning (2022)*\n此包修复了旧版中连续特征嵌入的实现问题，效率更高。\n```bash\npip install rtdl-num-embeddings -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n### 3. 安装其他前沿模型\n如需使用 TabM, TabR, TabDDPM 等较新模型，建议直接克隆对应仓库使用（因部分尚未发布为独立 PyPI 包）：\n\n**TabM (2024):**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabm.git\ncd tabm\npip install -e .\n```\n\n**TabR (2023):**\n```bash\ngit clone https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Ftabular-dl-tabr.git\ncd tabular-dl-tabr\npip install -e .\n```\n\n## 基本使用\n\n以下以 `rtdl-revisiting-models` 包中的 **FT-Transformer** 为例，展示最基础的构建与使用前向传播流程。\n\n### 代码示例\n\n```python\nimport torch\nimport torch.nn as nn\nfrom rtdl_revisiting_models import FTTransformer\n\n# 1. 定义超参数\nnum_classes = 2  # 分类任务类别数\nd_in = 10        # 输入特征维度\nd_out = 64       # 隐藏层维度\nn_layers = 3     # Transformer 层数\n\n# 2. 初始化模型\n# 注意：具体参数名称可能随版本微调，请参考各包文档\nmodel = FTTransformer(\n    n_numerical_features=d_in,\n    d_model=d_out,\n    n_layers=n_layers,\n    head_config={'n_layers': 2, 'd_out': num_classes}\n)\n\n# 3. 准备模拟数据 (Batch Size: 4, Features: 10)\nX_num = torch.randn(4, d_in) \n\n# 4. 前向传播\nlogits = model(X_num)\n\nprint(f\"输出形状：{logits.shape}\") \n# 预期输出：torch.Size([4, 2])\n```\n\n### 使用说明\n- **数据预处理**：该系列模型通常假设数值特征已经过标准化处理。\n- **类别特征**：若包含类别特征，需先进行索引编码（Index Encoding），并传入相应的 `n_categorical_features` 和 `cat_idx` 参数（视具体模型实现而定）。\n- **训练循环**：模型返回的是 logits，分类任务请配合 `CrossEntropyLoss` 使用，回归任务请配合 `MSELoss` 使用。","某金融风控团队正在构建基于用户交易流水的信用评分模型，面对海量数值型特征（如转账频率、平均余额等），传统机器学习方法遭遇瓶颈。\n\n### 没有 rtdl 时\n- **特征处理粗糙**：开发人员只能手动对连续数值进行分箱或标准化，难以捕捉复杂的非线性分布，导致大量信息丢失。\n- **模型选型盲目**：团队在 MLP、ResNet 等多种深度学习架构间反复试错，缺乏针对表格数据优化的现成基准，研发周期长达数周。\n- **性能提升受限**：直接套用通用 NLP 或 CV 领域的 Transformer 结构，忽略了数值特征嵌入的特殊性，模型准确率甚至不如传统的 XGBoost。\n- **复现成本高昂**：想要尝试最新的 TabR 或 TabM 等前沿算法，需从零阅读论文并重写代码，极易因细节疏忽导致结果不可复现。\n\n### 使用 rtdl 后\n- **嵌入方案专业**：直接调用 `rtdl_num_embeddings` 包中经过验证的数值特征嵌入技术，自动学习最优离散化表示，显著保留数据细节。\n- **架构快速落地**：通过 `rtdl_revisiting_models` 一键加载专为表格数据设计的 ResNet 或 FT-Transformer 模型，将原型开发时间从数周缩短至几天。\n- **精度突破瓶颈**：应用最新的 TabM 参数高效集成策略，在相同数据量下将预测 AUC 提升了 1.5%，成功超越传统梯度提升树基线。\n- **前沿技术无缝衔接**：依托社区维护的最新论文代码库（如 TabDDPM），团队能低成本验证扩散模型生成合成数据的效果，快速跟进学术进展。\n\nrtdl 将前沿的表格深度学习研究成果转化为标准化的工程组件，让团队能专注于业务逻辑而非重复造轮子。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fyandex-research_rtdl_8c3cab2a.png","yandex-research","Yandex Research","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fyandex-research_2132bbf2.png","",null,"YandexResearch","research.yandex.com","https:\u002F\u002Fgithub.com\u002Fyandex-research",[84,88],{"name":85,"color":86,"percentage":87},"Python","#3572A5",99.3,{"name":89,"color":90,"percentage":91},"Makefile","#427819",0.7,1116,122,"2026-03-29T15:05:59","Apache-2.0","未说明",{"notes":98,"python":96,"dependencies":99},"原始的 'rtdl' Python 包已弃用。若曾使用该包，请迁移至新的独立包：基础模型（MLP, ResNet, FT-Transformer）请使用 'rtdl_revisiting_models'；数值特征嵌入请使用 'rtdl_num_embeddings'。其他最新研究项目（如 TabM, TabReD, TabR 等）需分别访问其独立的 GitHub 仓库获取代码和安装说明。",[],[15,14,13,54,51],[102,103,104,105,106,107,108,109,110,111,112],"python","machine-learning","deep-learning","pytorch","research","ai","artificial-intelligence","tabular","neural-network","papers","tabular-data","2026-03-27T02:49:30.150509","2026-04-06T09:25:56.046615",[],[117,122,127,132,137,142,147,152,157,162,167,172],{"id":118,"version":119,"summary_zh":120,"released_at":121},109247,"tabm-and-tabred","两篇新论文已在 [README](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl\u002Fblob\u002Fmain\u002FREADME.md) 中公布并添加到列表中：\n\n- （2024）TabM：通过参数高效的集成方法推进表格型深度学习\n- （2024）TabReD：分析表格型深度学习基准中的陷阱并填补空白","2024-11-12T20:20:46",{"id":123,"version":124,"summary_zh":125,"released_at":126},109248,"tabr-tabddpm","列表中新增了两篇论文：\n- TabR：释放检索增强型表格深度学习的潜力\n- TabDDPM：使用扩散模型建模表格数据\n\n附注：此外，还补充了一篇此前遗漏的论文：用于表格数据深度学习的神经无记忆决策集成","2023-09-03T10:42:46",{"id":128,"version":129,"summary_zh":130,"released_at":131},109249,"v0.0.13","这是一次技术性发布，API 没有变化。此外，请查看我们新发表的论文——《关于表格型深度学习中数值特征的嵌入》（[arXiv:2203.05556](https:\u002F\u002Farxiv.org\u002Fabs\u002F2203.05556)）。\n\n### 变更\n- 修复了少量文档内容\n- 将论文中的实现代码移至独立的仓库","2022-03-16T16:41:29",{"id":133,"version":134,"summary_zh":135,"released_at":136},109250,"v0.0.12","这是一次技术性更新，为发布我们的新论文《关于表格型深度学习中数值特征的嵌入》所必需。与先前版本（v0.0.10）相比，该版本并未给 `rtdl` 库带来任何功能上的变化。","2022-03-10T21:36:38",{"id":138,"version":139,"summary_zh":140,"released_at":141},109251,"v0.0.10","### 新功能\n- `rtdl.data.get_category_sizes`\n\n### 项目\n- 文档中进行了一些调整，以反映仓库的新结构。","2022-02-28T16:23:21",{"id":143,"version":144,"summary_zh":145,"released_at":146},109252,"v0.0.9","这是在重磅的 0.0.8 版本发布之后的一个热修复版本（有关 0.0.8 的详细信息，请参阅[发行说明](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl\u002Freleases\u002Ftag\u002Fv0.0.8)）：\n- 撤销 0.0.8 中意外引入的、导致兼容性破坏的 NumericalFeatureTokenizer 更改\n- 对文档进行了一些细微的优化","2021-11-07T15:04:02",{"id":148,"version":149,"summary_zh":150,"released_at":151},109253,"v0.0.8","本次发布重点在于改进文档。\n\n### 文档\n- 以下模型和类现已完成文档编写：\n    - `MLP`\n    - `ResNet`\n    - `FTTransformer`\n    - `MultiheadAttention`\n    - `NumericalFeatureTokenizer`\n    - `CategoricalFeatureTokenizer`\n    - `FeatureTokenizer`\n    - `CLSToken`\n- 使用体验得到了显著提升：\n    - 函数签名现在会高亮显示\n    - 代码块中新增了“复制”按钮\n    - 永久链接按钮（函数签名锚点）现已可见\n\n### 错误修复\n- `MultiheadAttention`：修复了当 `bias=False` 时导致的崩溃问题\n\n### 依赖项\n- numpy >= 1.18\n- torch >= 1.7\n\n### 项目\n- 为文档添加了拼写检查功能\n- Sphinx 更新至 4.2.0\n- flit 更新至 3.4.0","2021-11-06T22:47:37",{"id":153,"version":154,"summary_zh":155,"released_at":156},109254,"v0.0.7","### API 变更\n- 移除 `FlatEmbedding`\n\n### 项目\n- 从 PyPI 包中移除 `bin`、`lib` 和 `output` 目录","2021-10-10T11:31:10",{"id":158,"version":159,"summary_zh":160,"released_at":161},109255,"v0.0.6","# v0.0.6\n\n### 新特性\n- `CLSToken`（旧名称：“AppendCLSToken”）：新增 `expand` 方法，便于批量构建 [CLS] 标记。\n\n### 错误修复\n- `FTTransformer`：`make_baseline` 方法现在能够正确地实例化对象。\n\n### API 变更\n- `FTTransformer`：将 `ffn_d_intermidiate` 参数重命名为更为通用的 `ffn_d_hidden`。\n- `FTTransformer`：将 `normalization` 参数拆分为三个参数：`attention_normalization`、`ffn_normalization` 和 `head_normalization`。\n- `ResNet`：将 `d_intermidiate` 参数重命名为更为通用的 `d_hidden`。\n- `AppendCLSToken`：更名为 `CLSToken`。\n\n### 文档改进\n- `CLSToken`\n- `MLP.make_baseline`\n\n### 项目\n- 添加使用 CUDA 的测试。\n- 从仓库中移除 `.vscode` 目录。","2021-08-26T17:07:52",{"id":163,"version":164,"summary_zh":165,"released_at":166},109256,"v0.0.5","API 变更：\n- `MLP.make_baseline` 现在更加易用，只需传入一个 `d_layers` 参数，而不再需要分别传入四个参数（`d_first`、`d_intermidiate`、`d_last` 和 `n_blocks`）。","2021-07-20T21:27:45",{"id":168,"version":169,"summary_zh":170,"released_at":171},109257,"v0.0.4","### Fixes\r\n- make `CategoricalFeatureTokenizer` compatible with `.to(device)`","2021-07-11T23:43:04",{"id":173,"version":174,"summary_zh":175,"released_at":176},109258,"v0.0.3","### API Changes\r\n- `ResNet` & `ResNet.Block`: the `d` parameter was renamed to `d_main`\r\n\r\n### Fixes\r\n- minor fix in the comments in `examples\u002Frtdl.ipynb`\r\n\r\n### Project\r\n- add [tests](https:\u002F\u002Fgithub.com\u002Fyandex-research\u002Frtdl\u002Fblob\u002Fmain\u002Frtdl\u002Ftests\u002Ftest_vs_paper.py) that validate that the models in `rtdl` are literally the same as in the implementation of the paper","2021-07-02T14:20:52"]