torch_frame.nn

torch_frame.nn.encoder 

`FeatureEncoder`	特征编码器的基类，将输入的`torch_frame.TensorFrame`转换为`(x, col_names)`，其中`x`是形状为`[batch_size, num_cols, channels]`的列式PyTorch张量，`col_names`是列的名称。
`StypeWiseFeatureEncoder`	特征编码器，将每个stype张量转换为嵌入并执行最终的连接。
`StypeEncoder`	stype编码器的基类。
`EmbeddingEncoder`	基于嵌入查找的分类特征编码器。
`MultiCategoricalEmbeddingEncoder`	基于嵌入查找的多分类特征编码器。
`LinearEncoder`	基于线性函数的数值特征编码器。
`LinearBucketEncoder`	一个数值转换器，将张量转换为分段线性表示，然后进行线性变换。
`LinearPeriodicEncoder`	一个周期性编码器，利用正弦函数将输入张量转换为三维张量。
`ExcelFormerEncoder`	一个基于注意力的编码器，将输入的数字特征转换为三维张量。
`LinearEmbeddingEncoder`	基于线性函数的预计算嵌入特征编码器。
`LinearModelEncoder`	基于线性函数的编码器，具有指定模型输出嵌入特征。
`StackEncoder`	简单地将形状为`[batch_size, num_cols]`的输入数值特征堆叠成`[batch_size, num_cols, out_channels]`。
`TimestampEncoder`	用于时间戳类型的TimestampEncoder。

`CyclicEncoding`	对包含0到1之间值的输入数据进行循环编码。
`PositionalEncoding`	位置编码在"Attention Is All You Need"论文中引入。

`TableConv`	用于表卷积的基类，该卷积按列转换输入的pytorch张量。
`FTTransformerConvs`	在"重新审视用于表格数据的深度学习模型"论文中的FT-Transformer骨干网络。
`TromptConv`	在"Trompt: Towards a Better Deep Neural Network for Tabular Data"论文中介绍的Trompt单元。
`ExcelFormerConv`	在"ExcelFormer: A Neural Network Surpassing GBDTs on Tabular Data"论文中介绍的ExcelFormer层。
`TabTransformerConv`	TabTransformer层在"TabTransformer: 使用上下文嵌入的表格数据建模"论文中引入。

解码器的基类，将输入的列式PyTorch张量转换为应用预测头的输出张量。

`Trompt`	在"Trompt: Towards a Better Deep Neural Network for Tabular Data"论文中介绍的Trompt模型。
`FTTransformer`	FT-Transformer模型在"重新审视用于表格数据的深度学习模型"论文中提出。
`ExcelFormer`	在"ExcelFormer: A Neural Network Surpassing GBDTs on Tabular Data"论文中介绍的ExcelFormer模型。
`TabNet`	TabNet模型在"TabNet: Attentive Interpretable Tabular Learning"论文中提出。
`ResNet`	ResNet模型在"重新审视用于表格数据的深度学习模型"论文中介绍。
`TabTransformer`	Tab-Transformer模型在"TabTransformer: Tabular Data Modeling Using Contextual Embeddings"论文中介绍。
`MLP`	轻量级MLP模型，它对列嵌入进行均值池化并应用MLP。