TabPFN

环境要求

• Python 3.10+（兼容 3.10、3.11、3.12、3.13、3.14）
• 已安装 pip，可正常访问 PyPI 下载依赖
• 推荐使用 GPU：约 8GB 显存可用，部分大数据集需 16GB；CPU 仅适合中等规模数据
• 首次使用需要联网下载模型权重，并在浏览器中登录 PriorLabs 接受许可条款
• 如需指定模型版本，需准备 PriorLabs 账号令牌（无头/CI 环境）

安装与启动步骤

1. 1安装 TabPFN

   用 pip 直接安装官方包，会自动带上依赖。建议在独立虚拟环境中执行，避免与已有科学计算包冲突。

   pip install tabpfn

   复制

2. 2按硬件装 PyTorch

   AMD GPU 需先装 ROCm 版 PyTorch 再装 TabPFN；纯 CPU 环境先装 CPU 版 PyTorch 可节省磁盘空间（PyTorch 安装命令见官网）。

   pip install torch --index-url https://download.pytorch.org/whl/rocm7.2
   pip install tabpfn

   复制

3. 3首次运行完成授权

   第一次调用模型会自动打开浏览器，登录 PriorLabs 并接受许可，令牌会缓存到本地，只需做一次。无图形界面的服务器请改用环境变量方式。

4. 4运行分类或回归

   几行代码即可训练与预测，默认使用 TabPFN-3 模型，首次拟合时会自动下载模型权重。想用旧版可指定 ModelVersion.V2_6。

   from tabpfn import TabPFNClassifier, TabPFNRegressor
   
   clf = TabPFNClassifier()
   clf.fit(X_train, y_train)
   predictions = clf.predict(X_test)
   
   reg = TabPFNRegressor()
   reg.fit(X_train, y_train)
   predictions = reg.predict(X_test)

   复制

5. 5离线下载全部模型

   在 TabPFN 仓库目录下执行，会下载分类器、回归器及所有集成变体到系统默认缓存目录，便于之后断网使用。

   python scripts/download_all_models.py

   复制

关键配置

如何确认成功

在 Python 中执行 fit 与 predict 不报错并返回预测结果；首次运行会下载模型权重，浏览器授权完成后即表示可用。

常见问题

注意事项

• 不要对输入数据做标准化缩放或独热编码，TabPFN 内置了数据预处理。
• 务必使用批量预测：每次 predict 都会重算训练集，逐条预测会慢近百倍；测试集很大时按每块 1000 样本切分。
• TabPFN 在 CPU 上执行较慢，有条件优先用 GPU。
• macOS（Apple Silicon）自动包含 GPU 支持，建议使用 PyTorch 2.13 或更新版本以获得最佳性能。