TorchCP

给深度学习预测加上可证明的可靠性边界，一行代码搞定不确定性量化。

TorchCP 是一个基于 PyTorch 的保形预测（Conformal Prediction）研究工具箱，专为深度学习模型设计。它解决了深度学习模型在输出预测时缺乏严格不确定性量化保证的问题，为研究者提供了一套统一、易用的接口来实现各类保形预测方法。核心能力包括：支持多种主流保形预测算法（如 Split CP、CV+、Jackknife+ 等）、提供与 PyTorch 模型无缝集成的 API、内置常见回归和分类任务的评估指标与可视化工具。工具箱强调模块化设计，用户可灵活组合预测器、校准器和评分函数，快速复现论文结果或验证新方法。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 479

维护状态维护中

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队ml-stat-Sustech

所属国家

官网地址

GitHubhttps://github.com/ml-stat-Sustech/TorchCP

定价模式free

价格说明开源项目，LGPL-3.0许可，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议LGPL-3.0

主要语言Python

技术栈/模型classification,conformal-prediction,graph,large-language-models,regression,uncertainty-quantification

GitHub 星标★ 479

30天Star增速

HF 下载量

上线时间2023-12-06 00:00:00

最近更新2026-09-21 00:00:00

维护状态维护中

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数4

使用教程

核心亮点

模块化设计，预测器/校准器/评分函数可自由组合，实验配置灵活
内置多种经典保形算法（Split CP、CV+、Jackknife+），开箱即用
与 PyTorch 原生集成，无需改造现有模型即可接入

不足之处

早期项目，文档和示例相对有限
目前主要支持回归和分类任务，对结构化输出覆盖不足

适用场景

学术研究中对比不同保形预测方法的实证效果
工业场景下为深度学习模型输出附加可靠性区间，辅助风险决策
教学场景中演示不确定性量化原理与算法实现

替代项目

MAPIE、crepes、nonconformist

项目介绍

TorchCP 是模型训练领域的开源项目，由 ml-stat-Sustech 开发，2023 年首次发布。

它收录于模型训练分类，该分类目前共有 518 个项目，GitHub 星标数为 479。

项目仍在小幅维护中，最近一次代码更新于 2026-09-21。LGPL-3.0许可，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究中对比不同保形预测方法的实证效果。同类可对比的替代方案包括 MAPIE、crepes、nonconformist。

上一篇：Finetuning-Suite

下一篇：BlaGPT