katib

在K8s上自动调参，让模型优化省心省力

开源 🏷️完全免费 🔧 仅开源项目，无在线服务，需自行部署开源模型 🍴 复刻 551 🐛 待处理 122 👀 关注 52

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 1707

维护状态活跃

是否开源开源

定价模式 🏷️完全免费开源项目，Apache-2.0 许可证，可免费使用和部署。

项目预览

项目数据

分类开源模型

开发团队kubeflow

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

GitHubhttps://github.com/kubeflow/katib

定价模式🏷️完全免费

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🔧 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★ 1707

上线时间2018-04-03 00:00:00

代码更新2026-11-09

仓库体积93.0 MB

本站数据更新2026-11-09

维护状态活跃

收录时间2026-08-09

浏览次数4

项目介绍

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。

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 ★ 1707

技术标签

ai automl huggingface hyperparameter-tuning jax

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：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。