determined

一键拉起分布式训练，自动调参省心省力

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署基础设施 🍴 复刻 374 🐛 待处理 108 👀 关注 74

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 3246

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源平台，Apache-2.0 许可证，可免费自托管使用，无付费版本。

项目预览

项目数据

分类基础设施

开发团队determined-ai

官网地址https://determined.ai

GitHubhttps://github.com/determined-ai/determined

定价模式🏷️完全免费

价格说明开源平台，Apache-2.0 许可证，可免费自托管使用，无付费版本。

访问状态🔧 仅开源项目，无在线服务，需自行部署

是否开源是

开源协议Apache-2.0

主要语言Go

技术栈/模型data-science,deep-learning,distributed-training,hyperparameter-optimization,hyperparameter-search,hyperparameter-tuning,keras,kubernetes,machine-learning,ml-infrastructure,ml-platform,mlops,pytorch,tensorflow

GitHub 星标★ 3246

上线时间2020-04-07 00:00:00

代码更新2025-03-20

仓库体积202.9 MB

本站数据更新2026-11-10

维护状态低维护

收录时间2026-08-09

浏览次数3

项目介绍

Determined 是一个开源机器学习平台，旨在简化分布式训练、超参数调优、实验追踪和资源管理。它支持 PyTorch 和 TensorFlow，提供统一的 API 和 CLI，让用户无需深入底层分布式系统细节即可轻松扩展训练任务。平台内置了先进的超参数搜索算法（如贝叶斯优化），自动记录实验元数据和指标，并提供 Web UI 进行可视化对比。同时，它具备集群资源调度能力，可动态分配 GPU 等资源，提高利用率。对于团队协作，Determined 支持实验共享和权限管理，帮助组织更高效地迭代模型。

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 2026-08-09 · 当前星标 ★ 3246

技术标签

data-science deep-learning distributed-training hyperparameter-optimization hyperparameter-tuning

使用教程

ℹ 本教程由 AI 依据该项目 README 整理，个别步骤可能需要按你的环境微调。

难度：入门约 10 分钟部署方式：命令行工具 5 步

环境要求

可运行 pip 的 Python 环境（README 未指定具体版本）
本地部署：一台可运行 Determined 集群的机器（on-prem）
云端部署：AWS 或 GCP 账号（README 提供对应部署指南链接）
其他受支持环境：Kubernetes、Slurm/PBS

安装与启动步骤

1安装 Determined CLI

使用 pip 安装 determined 包，安装后即可使用 det 命令行工具，这是本地和云端部署的统一入口。
```
pip install determined
```
2启动本地集群

用 det deploy 在本地拉起一个 Determined 集群，之后才能提交实验；集群参数 README 未展开，详见 on-prem 部署指南。
```
det deploy local cluster-up
```
3改造训练代码

把已有的 PyTorch/TensorFlow 代码整理成类式 API（如 PyTorchTrial）或只用需要的函数（Core API），使其兼容 Determined。
4提交训练实验

用 YAML 文件描述分布式训练、超参数搜索等配置，然后通过 det experiment create 把代码目录和配置一起提交。
```
det experiment create gpt.yaml .
```
5部署到云端(可选)

如需使用云端 GPU，可通过 det deploy 在 AWS 或 GCP 上部署集群，具体参数见对应云厂商部署指南。
```
det deploy aws up
```

关键配置

配置项	必填	说明	示例
`resources`	否	实验 YAML 中用于配置资源的字段，README 中该示例被截断，完整写法见官方文档	`resources:`

如何确认成功

README 未给出验证命令；本地集群启动后可用 det CLI 继续提交实验来确认集群可用。

常见问题

Q：Determined 支持哪些深度学习框架？

A：兼容 PyTorch 和 TensorFlow，可用 PyTorchTrial 类式 API 或 Core API（det.core.init）接入现有代码。

Q：如何把已有训练代码接入？

A：两种方式：一是整理成 PyTorchTrial 等类式 API；二是只调用需要的函数，通过 Core API 的 det.core.init() 初始化。

Q：只能在本地跑吗？

A：不是。除本地（on-prem）外，还支持 AWS、GCP、Kubernetes 以及 Slurm/PBS，分别有对应的集群部署指南。

Q：超参数调优和分布式训练怎么配置？

A：通过 YAML 文件统一配置，从分布式训练到超参数调优都由该配置文件描述。

注意事项

README 未给出 Python 版本、端口号、镜像名等细节，完整安装请查阅对应环境的集群部署指南（Local/AWS/GCP/K8s/Slurm-PBS）。
det deploy 除本地外还支持云端，云上部署前需准备好相应云账号与权限。
项目主要组件为 Python 库、命令行工具（CLI）和 Web UI，实验对比与可视化在 Web UI 中完成。