常见问题

接下来是什么？

这是跟踪需要修复/添加的重要事项的中心位置：

  • GPU 支持（需要注意的是，使用 TensorFlow 后端的 Keras 将自动在 GPU 上运行；auto_encoder_example.py 在 RTX 2060 GPU 上大约需要 96.95 秒）。

  • 安装效率提升，例如使用 docker

  • 添加与 Gitter 的联系渠道

  • 支持更多语言，请参见 管理翻译。

  • 修复了启用 numba 的函数可能被排除在代码覆盖范围之外的错误

  • 决定哪个 Python 解释器应该由 readthedocs 使用。3.X 调用 Python 3.7，目前不支持 TF。

如果有需要，请随时打开问题报告。请参阅 问题。

如何贡献

欢迎您为这个激动人心的项目做出贡献：

  • 请首先检查问题列表中的“寻求帮助”标签，并评论您感兴趣的问题。我们将把该问题分配给您。

  • Fork 主分支并添加你的改进/修改/修复。

  • 创建一个拉取请求到 开发分支 并遵循拉取请求模板 PR 模板

  • 自动测试将被触发。请确保所有测试都通过。请确保所有新增模块都附带适当的测试函数。

为了确保代码具有相同的风格和标准，请参考 abod.py、hbos.py 或 feature_bagging.py 作为示例。

您也可以通过提交问题或发送电子邮件至 zhaoy@cmu.edu 来分享您的想法 :)

纳入标准

类似于 scikit-learn，我们主要考虑纳入成熟的算法。一个经验法则是自发表以来至少两年，50+ 引用，并且具有实用性。

然而，我们鼓励新模型的作者分享并将其实现添加到 PyOD 中，以提升机器学习的可访问性和可重复性。此例外仅适用于您能够承诺至少两年内维护您的模型。