项目预览
项目数据
项目介绍
Star 增长趋势
本站每日记录该项目 GitHub 星标变化，观测越久曲线越完整
数据来源：GitHub API 逐日快照 · 收录于 2026-09-08 · 当前星标 ★ 804
技术标签
使用教程
环境要求
- Python 3.9+
- 16G 内存（本地训练建议 32G）
安装与启动步骤
-
1装 SDK
合成数据工具包，本地模式自带生成模型。
pip install -U 'mostlyai[local]' -
2有 GPU 用 GPU 版
本地 GPU 模式速度快很多。
pip install -U 'mostlyai[local-gpu]' -
3CPU 环境锁 torch
CPU 机器要装 cpu 版 torch，否则拖几个 G 的 cuda 包。
pip install -U torch==2.13.0+cpu 'mostlyai[local]' --extra-index-url https://download.pytorch.org/whl/cpu -
4生成一份合成表
读入真实表的结构，按列类型生成。
from mostlyai import MostlyAI m = MostlyAI()
如何确认成功
生成的合成表列名与类型和原表一致，且不含原始行。
注意事项
- 本地模式不上传数据，合规场景更友好。
- 合成质量看列间相关性，别只看单列分布。
- 要连数据库就装 local,postgres 这一组额外依赖。
核心亮点
- 内置差分隐私机制，从源头保护数据隐私，避免真实数据泄露风险
- 支持条件生成和多表关联，能按业务场景定制合成数据，灵活度高
- 提供数据质量评估工具，帮助用户验证合成数据与真实数据的相似度
不足之处
- 文档和社区生态尚不完善，用户上手可能缺少参考案例
- 生成复杂高维数据的性能和精度有待验证
适用场景
- 在遵守 GDPR 等法规前提下，向第三方共享数据用于研究或合作
- 扩充训练数据集，提升机器学习模型的泛化能力
- 为开发测试环境生成模拟数据，避免使用生产环境敏感数据
替代项目
Synthetic Data Vault (SDV)、YData Synthetic、Gretel.ai
同类项目推荐
mirdata
开源
统一加载校验MIR数据集，省去重复解析代码
Python library for working with Music Information Retrieval datasets
LabelFast
开源
中文文本自动预标注，简单样本秒变训练数据
中文世界的NLP自动标注开源工具，简单样本，交给LabelFast。
DataArc-SynData-Toolkit
开源
按规则批量造合成数据，替代敏感真实数据
Synthetic Data Generation Platform By DataArcTech
DeepEcho
开源
用深度学习生成逼真的时间序列数据，解决数据稀缺问题。
Synthetic Data Generation for mixed-type, multivariate time series.
Chatbot-Training-Corpus
开源
拿来即用的中英文聊天语料，快速启动你的对话模型训练
总结了一些可以用作聊天机器人训练实作的文字语聊，包含中英文不同语言
free-llm-api-hub
开源
免费大模型 API 清单，条条有出处、持续验真
A continuously-verified dataset of free-tier & trial-credit LLM APIs for developers.···
awesome-industrial-datasets
开源
工业AI找数据，一页清单直接定位可用数据集
A curated collection of public industrial datasets.
AGIQA-3k-Database
开源
给AI生成图像质量打分，建立评估基准
[IEEE TCSVT2023] A Fine-grained Subjective Perception & Alignment Database for AI Ge···
OakInk2
开源
做双手操作AI？用OakInk2数据集训练更逼真的手物交互模型。
[CVPR 2024] OakInk2: A Dataset of Bimanual Hands-Object Manipulation in Complex Task···