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 2026-08-10 · 当前星标 ★ 10822
使用教程
环境要求
- Python 3.10 - 3.13
- 操作系统：Linux、MacOS 或 Windows
- 可用的 pip 包管理环境
- 本地已有或自行准备的训练/测试数据文件（如 train.csv、test.csv），且训练文件中包含目标列
安装与启动步骤
-
1检查 Python 版本
先确认本机 Python 版本处于 README 声明的 3.10 - 3.13 区间，版本不符需先切换环境。
python --version -
2安装 AutoGluon
用 pip 一行安装完整版 AutoGluon。README 说明 GPU 支持、Conda 安装与可选依赖需查阅官方安装指南。
pip install autogluon -
3准备数据文件
准备 train.csv 与 test.csv，放在运行脚本的同目录；train.csv 中必须含目标列（示例中列名为 class）。
-
4运行三行代码训练
按 README Quickstart 写入脚本并执行：拟合训练集、再对测试集做预测。label 换成你数据中真实的标签列名。
python quickstart.py
关键配置
| 配置项 | 必填 | 说明 | 示例 |
|---|---|---|---|
label | 是 | 目标列名，必须与 train.csv 中实际列名一致 | class |
presets | 否 | 拟合预设参数，示例使用 best | best |
train.csv | 是 | fit 使用的训练数据路径 | train.csv |
test.csv | 是 | predict 使用的待预测数据路径 | test.csv |
如何确认成功
脚本无报错执行完毕，predictor.predict("test.csv") 正常返回对测试集的预测结果即可。
常见问题
Q：安装时提示 Python 版本不支持怎么办？
A：README 明确 AutoGluon 仅支持 Python 3.10 - 3.13，请切换到该区间内的解释器后再执行 pip install autogluon。
Q：如何在 GPU 上安装，或改用 Conda 安装？
A：README 未给出具体命令，只提供了官方 Installation Guide 链接，GPU 支持、Conda 安装与可选依赖请按该指南操作。
Q：如何把 AutoGluon 部署到云端或容器？
A：README 列出 AutoGluon Cloud、深度学习容器、官方 Docker 镜像与 SageMaker Autopilot 入口，但未给出具体命令，需按对应链接指引操作。
Q：运行时提示找不到 label 列？
A：Quickstart 中的 class 只是示例，需把 label 改成 train.csv 里真实存在的目标列名。
注意事项
- README 中的三行代码针对表格任务，时间序列和多模态任务请参考对应 Quickstart 链接。
- README 未给出 Docker 运行命令、端口或镜像标签，如需容器部署请查阅官方文档后再操作。
- 示例中的 train.csv、test.csv 为相对路径，运行脚本时需保证工作目录与数据文件一致。
核心亮点
- 自动进行数据清洗、特征工程和模型集成，新手也能获得顶尖精度
- 支持表格、图像、文本和时间序列多模态任务，覆盖广泛
- 训练过程高度自动化，无需手动调参，显著降低使用门槛
不足之处
- 自动搜索和集成过程计算开销大，训练速度较慢
- 高度自动化导致对底层模型的定制灵活性不足
适用场景
- 数据科学竞赛中快速构建高精度基线模型
- 企业业务预测和分类任务，缺乏专业ML团队时使用
- 多模态数据（图像+文本）的自动化建模场景
替代项目
H2O AutoML、TPOT、AutoKeras
上一篇：hud-python
下一篇：catalyst
同类项目推荐
benderopt
开源
无梯度也能调参，黑盒优化一键搞定
Black-box optimization library
Dreambooth-Stable-Diffusion
开源
用几张照片，训练专属 Stable Diffusion 模型，生成你的定制图像。
Implementation of Dreambooth (https://arxiv.org/abs/2208.12242) by way of Textual In···
MoE-plus-plus
开源
零计算专家，让MoE模型更快更省，性能不减
[ICLR 2025] MoE++: Accelerating Mixture-of-Experts Methods with Zero-Computation Exp···
LRV-Instruction
开源
减少多模态模型胡说八道，让AI描述更靠谱
[ICLR'24] Mitigating Hallucination in Large Multi-Modal Models via Robust Instructio···
JacobiForcing
开源
让模型生成快数倍，质量不打折的并行解码新方案
[ICML 2026] Jacobi Forcing: Fast and Accurate Diffusion-style Decoding
XTTSv2-Finetuning-for-New-Langua···
开源
给XTTS v2添加新语言，微调后即可合成和克隆声音
DPO-Shift
开源
修正 DPO 分布偏移，让模型对齐更稳更准
DPO-Shift: Shifting the Distribution of Direct Preference Optimization
CDM
开源
少步扩散蒸馏，让图像生成快如闪电
[NeurIPS 2026] Continuous-Time Distribution Matching for Few-Step Diffusion Distilla···
FeynRL
开源
换目标、换采样，后训练实验一套框架跑通
Post-training framework for large models, from new objectives to new rollout systems···