catalyst

让深度学习实验跑得更快、更规范，专注模型创新

Catalyst 是一个面向深度学习研究与开发的 Python 框架，旨在加速从实验设计到模型部署的全流程。它解决了深度学习项目中代码重复、实验管理混乱、复现困难等痛点，提供了一套统一且高度模块化的 API，覆盖数据加载、模型构建、训练循环、验证评估、可视化及分布式训练等环节。其核心能力包括：基于 Runner 的灵活训练/推理抽象，支持自定义阶段（Stage）和回调（Callback）机制，便于插入日志、早停、学习率调度等逻辑；内置丰富的计算机视觉任务（如图像分类、分割、检测）的预配置模型和指标；无缝集成 PyTorch 生态，支持混合精度、多 GPU 及 TPU 训练；提供实验配置管理（基于 YAML/ConfigParser）和指标可视化（TensorBoard/Weights & Biases），帮助研究者高效追踪和比较实验结果。Catalyst 通过减少样板代码和标准化流程，让研究者能更专注于模型创新，尤其适合需要快速迭代和复现的学术研究与工业应用。

开源 free 模型训练

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 3385

维护状态维护中

是否开源是

定价模式 free

项目数据

分类模型训练

开发团队catalyst-team

所属国家

官网地址https://catalyst-team.com

GitHubhttps://github.com/catalyst-team/catalyst

定价模式free

价格说明开源项目，Apache-2.0许可证，完全免费，可自行部署使用。

访问状态

是否开源是

开源协议Apache-2.0

主要语言Python

技术栈/模型computer-vision,deep-learning,distributed-computing,image-classification,image-processing,image-segmentation,information-retrieval,infrastructure,machine-learning,metric-learning,natural-language-processing,object-detection,python,pytorch,recommender-system,reinforcement-learning,reproducibility,research,text-classification,text-segmentation

GitHub 星标★ 3385

30天Star增速

HF 下载量

上线时间2018-08-20 00:00:00

最近更新2026-09-19 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2026-08-10

浏览次数6

使用教程

难度：入门约 10 分钟部署方式：库/依赖 5 步

环境要求

Python 3.7 及以上版本
PyTorch 1.4 及以上版本
已安装可用的 pip
操作系统建议为 Ubuntu 16.04/18.04/20.04、macOS 10.15、Windows 10 或 WSL（官方测试环境）

安装与启动步骤

1确认环境版本

先确认本机 Python 版本满足 3.7+，并已安装 PyTorch 1.4+，Catalyst 依赖 PyTorch 运行。
```
python --version
```
2安装 Catalyst

使用 pip 从 PyPI 安装最新版 Catalyst，-U 表示升级到最新版本。
```
pip install -U catalyst
```
3按需装扩展模块

做机器学习相关任务装 catalyst[ml]，做计算机视觉任务装 catalyst[cv]，会额外拉取依赖。
```
pip install catalyst[ml]
```
4安装 master 版本

需要仓库最新开发代码时，直接从 GitHub master 分支安装并升级。
```
pip install git+https://github.com/catalyst-team/catalyst@master --upgrade
```
5验证安装

导入 catalyst 查看版本号，无报错说明安装成功，可继续跑 README 中的示例脚本。
```
python -c "import catalyst; print(catalyst.__version__)"
```

如何确认成功

执行 python -c "import catalyst" 无报错即安装成功，随后可运行 README 的 MNIST 示例训练脚本。

常见问题

Q：安装 Catalyst 需要什么运行环境？

A：需要 Python 3.7+ 和 PyTorch 1.4+，官方在 Ubuntu 16.04/18.04/20.04、macOS 10.15、Windows 10 与 WSL 上测试通过。

Q：需要额外功能依赖怎么办？

A：按任务类型安装扩展包：pip install catalyst[ml] 安装机器学习相关依赖，pip install catalyst[cv] 安装计算机视觉相关依赖。

Q：如何安装最新的开发版本？

A：执行 pip install git+https://github.com/catalyst-team/catalyst@master --upgrade，直接从 GitHub 的 master 分支安装。

Q：安装后怎么快速上手？

A：参照 README 的 Getting started 示例，用 catalyst.dl 的 SupervisedRunner 配合 PyTorch 的 DataLoader 编写训练循环。

注意事项

README 节选中的训练示例代码被截断，实际使用时请以仓库 README 的完整示例为准。
建议在虚拟环境（venv/conda）中安装，避免与已有 PyTorch 环境产生依赖冲突。
catalyst[ml] 与 catalyst[cv] 会额外安装依赖，按实际任务需要选择其一或都不装。

核心亮点

高度模块化的 Runner 和 Callback 系统，可灵活定制训练流程，减少样板代码
内置丰富 CV 任务（分类/分割/检测）的预配置模型和指标，开箱即用
无缝支持混合精度、多 GPU/TPU 分布式训练，提升实验效率

不足之处

文档和社区活跃度相比 PyTorch Lightning 等竞品稍弱，新手上手成本略高
项目更新节奏放缓，部分功能依赖较旧版本的 PyTorch

适用场景

学术研究中的快速实验原型和对比验证
工业级 CV 模型的训练与部署流水线搭建
需要统一管理多个实验配置和指标的团队协作

替代项目

PyTorch Lightning、Ignite、fastai

项目介绍

catalyst 是模型训练领域的开源项目，由 catalyst-team 开发，2018 年首次发布。

在全站 13,090 个收录项目中，它的 GitHub 星标数（3,385）位列前 30%，在模型训练分类的 522 个项目里位列前 13%。

项目仍在小幅维护中，最近一次代码更新于 2026-09-19。Apache-2.0许可证，完全免费，可自行部署使用。

它主要面向的使用场景是：学术研究中的快速实验原型和对比验证。同类可对比的替代方案包括 PyTorch Lightning、Ignite、fastai。

上一篇：autogluon

下一篇：pruna