从HuggingFace加载TabFM模型PyTorch版分类与回归任务完整指南【免费下载链接】tabfm-1.0.0-pytorch项目地址: https://ai.gitcode.com/hf_mirrors/google/tabfm-1.0.0-pytorchTabFM是由Google Research开发的零样本表格基础模型支持结构化/表格数据的分类和回归任务无需微调或超参数搜索只需将训练示例作为上下文传递即可在单次前向传播中进行预测。本文将详细介绍如何从HuggingFace加载TabFM PyTorch模型并应用于分类和回归任务。快速安装TabFM要开始使用TabFM模型首先需要安装TabFM库。打开终端执行以下命令pip install tabfm[pytorch]加载TabFM分类模型TabFM提供了专门的分类模型接口适用于二分类和多分类任务最多支持10个类别。以下是加载分类模型并进行预测的完整步骤from tabfm import TabFMClassifier, tabfm_v1_0_0_pytorch as tabfm_v1_0_0 # 加载预训练的分类模型 model tabfm_v1_0_0.load(model_typeclassification) clf TabFMClassifier(modelmodel) # 使用训练数据拟合模型零样本模式无需训练 clf.fit(X_train, y_train) # 对测试数据进行预测获取概率值 probs clf.predict_proba(X_test)模型的分类配置文件位于classification/config.json其中包含了模型的关键参数如嵌入维度256、最大类别数10、列注意力块3个等。加载TabFM回归模型对于连续目标变量的预测任务可以使用TabFM的回归模型接口。加载和使用回归模型的步骤与分类模型类似from tabfm import TabFMRegressor, tabfm_v1_0_0_pytorch as tabfm_v1_0_0 # 加载预训练的回归模型 model tabfm_v1_0_0.load(model_typeregression) reg TabFMRegressor(modelmodel) # 使用训练数据拟合模型零样本模式无需训练 reg.fit(X_train, y_train) # 对测试数据进行预测获取回归结果 preds reg.predict(X_test)回归模型的配置文件位于regression/config.json与分类模型共享大部分架构参数但针对连续值预测进行了优化。通过HuggingFace Hub API直接加载除了使用TabFM库提供的加载函数外还可以通过HuggingFace Hub API直接加载模型。这种方式可以更灵活地指定模型路径和子文件夹from tabfm.src.pytorch.model import TabFM # 加载分类模型 clf_model TabFM.from_pretrained(google/tabfm-1.0.0-pytorch, subfolderclassification) # 加载回归模型 reg_model TabFM.from_pretrained(google/tabfm-1.0.0-pytorch, subfolderregression)如果需要从本地仓库加载模型可以先克隆仓库git clone https://gitcode.com/hf_mirrors/google/tabfm-1.0.0-pytorch然后使用本地路径加载模型clf_model TabFM.from_pretrained(./tabfm-1.0.0-pytorch, subfolderclassification)TabFM模型架构解析TabFM采用交替的行注意力和列注意力机制以捕获特征交互和行级模式列注意力Set Transformer使用傅里叶特征和每组线性投影嵌入每个单元格然后通过诱导自注意力跨行聚合。行压缩CLS令牌通过带有旋转位置嵌入RoPE的行级注意力将每行总结为密集向量。ICL Transformer24块因果Transformer对压缩的行向量进行操作将训练行视为上下文并输出测试行的预测。模型的关键超参数如下参数数值嵌入维度256列注意力块34个头256个诱导点行注意力块38个头8个CLS令牌ICL Transformer块248个头前馈因子4最大类别数10激活函数SwiGLU傅里叶特征32个频率TabFM的适用场景与限制适用场景包含数值和/或分类列的表格数据二分类和多分类最多10个类别连续目标的回归零样本推理无需特定于数据集的训练或超参数调整与DataFramespandas或numpy数组一起使用不适用场景图像、音频、视频或原始文本超过10个输出类别模型硬限制需要特定任务微调的任务非表格结构化数据图形、序列商业用途请参见许可证性能表现TabFM在TabArena上对51个数据集38个分类13个回归进行了评估。在零样本模式下单次前向传播无超参数搜索TabFM优于经过大量调优的监督基线包括梯度提升树。TabFMClassifier.ensemble()预设特征交叉、SVD特征、NNLS混合可进一步提高性能。许可证信息本仓库中的模型权重以TabFM非商业许可证v1.0发布 - 详见LICENSE。源代码通过google-research/tabfm以Apache 2.0许可证授权。引用如果您在研究中使用了TabFM模型请引用以下文献article{tabfm2026, title {TabFM: A Zero-Shot Foundation Model for Tabular Data}, author {Google Research}, year {2026}, url {https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/} }通过本文的指南您应该能够轻松地从HuggingFace加载TabFM PyTorch模型并将其应用于各种表格数据的分类和回归任务。TabFM的零样本特性使其成为快速原型开发和探索性数据分析的理想选择。【免费下载链接】tabfm-1.0.0-pytorch项目地址: https://ai.gitcode.com/hf_mirrors/google/tabfm-1.0.0-pytorch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 
长河君 · 2026/11/3 18:27:56 · 阅读 1.2k 从HuggingFace加载TabFM模型：PyTorch版分类与回归任务完整指南
从HuggingFace加载TabFM模型PyTorch版分类与回归任务完整指南【免费下载链接】tabfm-1.0.0-pytorch项目地址: https://ai.gitcode.com/hf_mirrors/google/tabfm-1.0.0-pytorchTabFM是由Google Research开发的零样本表格基础模型支持结构化/表格数据的分类和回归任务无需微调或超参数搜索只需将训练示例作为上下文传递即可在单次前向传播中进行预测。本文将详细介绍如何从HuggingFace加载TabFM PyTorch模型并应用于分类和回归任务。快速安装TabFM要开始使用TabFM模型首先需要安装TabFM库。打开终端执行以下命令pip install tabfm[pytorch]加载TabFM分类模型TabFM提供了专门的分类模型接口适用于二分类和多分类任务最多支持10个类别。以下是加载分类模型并进行预测的完整步骤from tabfm import TabFMClassifier, tabfm_v1_0_0_pytorch as tabfm_v1_0_0 # 加载预训练的分类模型 model tabfm_v1_0_0.load(model_typeclassification) clf TabFMClassifier(modelmodel) # 使用训练数据拟合模型零样本模式无需训练 clf.fit(X_train, y_train) # 对测试数据进行预测获取概率值 probs clf.predict_proba(X_test)模型的分类配置文件位于classification/config.json其中包含了模型的关键参数如嵌入维度256、最大类别数10、列注意力块3个等。加载TabFM回归模型对于连续目标变量的预测任务可以使用TabFM的回归模型接口。加载和使用回归模型的步骤与分类模型类似from tabfm import TabFMRegressor, tabfm_v1_0_0_pytorch as tabfm_v1_0_0 # 加载预训练的回归模型 model tabfm_v1_0_0.load(model_typeregression) reg TabFMRegressor(modelmodel) # 使用训练数据拟合模型零样本模式无需训练 reg.fit(X_train, y_train) # 对测试数据进行预测获取回归结果 preds reg.predict(X_test)回归模型的配置文件位于regression/config.json与分类模型共享大部分架构参数但针对连续值预测进行了优化。通过HuggingFace Hub API直接加载除了使用TabFM库提供的加载函数外还可以通过HuggingFace Hub API直接加载模型。这种方式可以更灵活地指定模型路径和子文件夹from tabfm.src.pytorch.model import TabFM # 加载分类模型 clf_model TabFM.from_pretrained(google/tabfm-1.0.0-pytorch, subfolderclassification) # 加载回归模型 reg_model TabFM.from_pretrained(google/tabfm-1.0.0-pytorch, subfolderregression)如果需要从本地仓库加载模型可以先克隆仓库git clone https://gitcode.com/hf_mirrors/google/tabfm-1.0.0-pytorch然后使用本地路径加载模型clf_model TabFM.from_pretrained(./tabfm-1.0.0-pytorch, subfolderclassification)TabFM模型架构解析TabFM采用交替的行注意力和列注意力机制以捕获特征交互和行级模式列注意力Set Transformer使用傅里叶特征和每组线性投影嵌入每个单元格然后通过诱导自注意力跨行聚合。行压缩CLS令牌通过带有旋转位置嵌入RoPE的行级注意力将每行总结为密集向量。ICL Transformer24块因果Transformer对压缩的行向量进行操作将训练行视为上下文并输出测试行的预测。模型的关键超参数如下参数数值嵌入维度256列注意力块34个头256个诱导点行注意力块38个头8个CLS令牌ICL Transformer块248个头前馈因子4最大类别数10激活函数SwiGLU傅里叶特征32个频率TabFM的适用场景与限制适用场景包含数值和/或分类列的表格数据二分类和多分类最多10个类别连续目标的回归零样本推理无需特定于数据集的训练或超参数调整与DataFramespandas或numpy数组一起使用不适用场景图像、音频、视频或原始文本超过10个输出类别模型硬限制需要特定任务微调的任务非表格结构化数据图形、序列商业用途请参见许可证性能表现TabFM在TabArena上对51个数据集38个分类13个回归进行了评估。在零样本模式下单次前向传播无超参数搜索TabFM优于经过大量调优的监督基线包括梯度提升树。TabFMClassifier.ensemble()预设特征交叉、SVD特征、NNLS混合可进一步提高性能。许可证信息本仓库中的模型权重以TabFM非商业许可证v1.0发布 - 详见LICENSE。源代码通过google-research/tabfm以Apache 2.0许可证授权。引用如果您在研究中使用了TabFM模型请引用以下文献article{tabfm2026, title {TabFM: A Zero-Shot Foundation Model for Tabular Data}, author {Google Research}, year {2026}, url {https://research.google/blog/introducing-tabfm-a-zero-shot-foundation-model-for-tabular-data/} }通过本文的指南您应该能够轻松地从HuggingFace加载TabFM PyTorch模型并将其应用于各种表格数据的分类和回归任务。TabFM的零样本特性使其成为快速原型开发和探索性数据分析的理想选择。【免费下载链接】tabfm-1.0.0-pytorch项目地址: https://ai.gitcode.com/hf_mirrors/google/tabfm-1.0.0-pytorch创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考