katib

在K8s上自动调参，让模型优化省心省力

Katib 是一个基于 Kubernetes 的自动化机器学习（AutoML）平台，旨在解决在云原生环境中进行超参数调优、神经网络架构搜索（NAS）和早停（Early Stopping）的复杂性问题。它通过 Kubernetes 自定义资源（CRD）将实验、试验和调优任务声明式地管理起来，支持多种主流调参算法（如随机搜索、贝叶斯优化、TPE、CMA-ES 等），并集成了 PyTorch、TensorFlow、MXNet 等训练框架。Katib 提供统一的 API 和 UI 界面，让数据科学家无需关心底层资源调度，即可在 Kubernetes 集群上大规模并行运行调优任务，显著提升模型开发效率。其核心能力包括：超参数调优、架构搜索、多框架支持、分布式训练集成以及可扩展的算法插件机制。

开源 free 开源模型

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 1705

维护状态活跃

是否开源是

定价模式 free

项目数据

分类开源模型

开发团队kubeflow

所属国家

官网地址https://www.kubeflow.org/docs/components/katib

GitHubhttps://github.com/kubeflow/katib

定价模式free

价格说明开源项目，Apache-2.0 许可证，可免费使用和部署。

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ai,automl,huggingface,hyperparameter-tuning,jax,kubeflow,kubernetes,llm,machine-learning,mlops,neural-architecture-search,pytorch,scikit-learn,tensorflow

GitHub 星标★ 1705

30天Star增速

HF 下载量

上线时间2018-04-03 00:00:00

最近更新2026-09-23 00:00:00

维护状态活跃

中文支持

访问方式

移动端支持

综合评分

收录时间2026-08-09

浏览次数3

使用教程

难度：进阶约 15 分钟部署方式：本地安装 4 步

环境要求

一个可用的 Kubernetes 集群，并已配置 kubectl 可访问该集群
本地已安装 kubectl 命令行工具（README 的安装命令均通过 kubectl 执行）
如需使用 SDK 创建调优任务，需要 Python 环境与 pip

安装与启动步骤

1安装控制平面

在能访问 Kubernetes 集群的终端执行，安装最新稳定版 Katib 控制平面与 CRD。
```
kubectl apply -k "github.com/kubeflow/katib.git/manifests/v1beta1/installs/katib-standalone?ref=v0.17.0"
```
2安装开发版控制平面

可选：若想体验最新改动，把 ref 换成 master；与稳定版二选一即可。
```
kubectl apply -k "github.com/kubeflow/katib.git/manifests/v1beta1/installs/katib-standalone?ref=master"
```
3安装 Python SDK

供数据科学家用 Python 简化超参调优任务的创建，安装最新稳定版 SDK。
```
pip install -U kubeflow-katib
```
4查看并运行示例

仓库 examples/v1beta1 目录提供完整的 Experiment 示例列表，可按需参考。

如何确认成功

按 README 指引参照官方 getting started 指南，用 Python SDK 创建并运行你的第一个超参调优 Experiment，能正常提交即表示安装可用。

常见问题

Q：安装 Katib 需要什么前提？

A：需要一个 Kubernetes 集群并能正常使用 kubectl，控制平面通过 kubectl apply -k 直接部署到集群中。

Q：稳定版和 master 版怎么选？

A：ref=v0.17.0 是 README 给出的最新稳定版，ref=master 是最新开发改动，生产环境建议用稳定版。

Q：不想写 YAML 怎么办？

A：可以安装 kubeflow-katib Python SDK，用 Python 代码创建超参调优任务，具体见官方 getting started 指南。

Q：哪里能找到可直接运行的示例？

A：README 指出仓库 examples/v1beta1 目录包含完整的 Katib Experiment 示例列表。

注意事项

控制平面安装命令中 ?ref= 决定版本，建议固定到稳定 release 标签而非 master。
README 未给出 Python 最低版本要求，安装 SDK 前请自行确认 pip 环境可用。
更详细的安装与使用步骤请查阅 README 中链接的 Kubeflow Katib 官方文档。

核心亮点

原生集成Kubernetes，利用CRD声明式管理实验，易于扩展和自动化
支持多种调参算法（贝叶斯、TPE、CMA-ES等），满足不同场景需求
与主流训练框架（PyTorch、TensorFlow）无缝集成，上手成本低

不足之处

文档和社区活跃度相对较低，新用户学习资源有限
对非Kubernetes用户不友好，部署门槛较高

适用场景

在Kubernetes集群上运行大规模超参数调优任务
需要自动化神经网络架构搜索（NAS）的深度学习项目
希望将AutoML能力集成到现有MLOps流水线的团队

替代项目

Kubeflow、Optuna、Ray Tune

项目介绍

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

在全站 13,014 个收录项目中，它的 GitHub 星标数（1,705）位列前 30%，在模型训练分类中处于中上游。

项目目前处于活跃维护状态，最近一次代码更新于 2026-09-23。Apache-2.0 许可证，可免费使用和部署。

它主要面向的使用场景是：在Kubernetes集群上运行大规模超参数调优任务。同类可对比的替代方案包括 Kubeflow、Optuna、Ray Tune。

上一篇：PRIME

下一篇：Jackrong-llm-finetuning-guide