【亲测免费】 PyTorch Tabular技术文档

PyTorch Tabular是一款旨在简化深度学习在表格数据应用的库，它设计时考虑到了易用性、可定制性和部署的便捷性。本文档将引导您了解如何安装该库、使用其功能、掌握API详情以及进行项目搭建。

安装指南

基础安装

确保您的系统已预先安装了正确版本的PyTorch。访问PyTorch官方网站选择适合您设备的CUDA版本完成安装。之后，通过以下命令安装PyTorch Tabular的核心功能：

pip install -U "pytorch_tabular"

对于完整体验（包含Weights&Biases和Plotly等额外依赖），执行：

pip install -U "pytorch_tabular[extra]"

源码安装

如果您想要从源代码编译安装，首先通过Git克隆仓库：

git clone git://github.com/manujosephv/pytorch_tabular

进入项目目录并安装（推荐加上[extra]以获得全部依赖）：

cd pytorch_tabular && pip install .[extra]

项目使用说明

PyTorch Tabular简化了深度学习模型的构建过程，特别适用于表格型数据。下面是快速使用示例，展示如何配置和训练一个分类模型：

首先，导入必要的模块，并定义数据配置、优化器配置、训练配置以及模型配置：

from pytorch_tabular import TabularModel
from pytorch_tabular.models import CategoryEmbeddingModelConfig
from pytorch_tabular.config import (
    DataConfig,
    OptimizerConfig,
    TrainerConfig,
)

# 配置数据、模型、训练参数等
data_config = DataConfig(target=["目标列名"], continuous_cols, categorical_cols)
optimizer_config = OptimizerConfig()
trainer_config = TrainerConfig(auto_lr_find=True, batch_size=1024, max_epochs=100)
model_config = CategoryEmbeddingModelConfig(task="classification", layers="1024-512-512", activation="LeakyReLU")

# 初始化并训练模型
tabular_model = TabularModel(
    data_config, model_config, optimizer_config, trainer_config
)
tabular_model.fit(train_data, validation_data)
predictions = tabular_model.predict(test_data)

请注意替换持续特征列名、类别特征列名和目标列名为实际数据集中的对应列名。

项目API使用文档

PyTorch Tabular提供了丰富的API来支持不同的需求，例如：

• TabularModel: 主接口，用于创建、训练和预测。

  TabularModel(
      data_config, 
      model_config, 
      optimizer_config=None, 
      trainer_config=None, 
      experiment_config=None
  )
  

  其中，data_config指定数据结构，model_config定义网络架构，而optimizer_config和trainer_config分别控制优化器设置和训练流程。

• DataConfig: 用来定义输入数据的结构，包括连续列和类别列。

• ModelConfig: 根据不同任务（如分类、回归）设定模型配置，可以定制网络层数、激活函数等。

项目特点和模型

此库支持多种深度学习模型，包括但不限于：

• FeedForward Network with Category Embedding
• Neural Oblivious Decision Ensembles (NODE)
• TabNet
• Mixture Density Networks
• AutoInt
• TabTransformer
• FT Transformer
• Gated Adaptive Network for Deep Automated Learning of Features (GANDALF)
• Deep Abstract Networks (DANETs)
• 还有支持半监督学习的Denoising AutoEncoder。

每个模型都有其特定的应用场景和优势，用户可根据实际需求选择合适的模型配置。

以上是PyTorch Tabular的基础使用和技术概览，更多详细信息和高级教程，请查阅官方文档。