LimiX

环境要求

• Linux 环境并安装 Docker（构建时使用 --network=host）
• NVIDIA GPU 及可用的 CUDA 12.2 运行环境（基础镜像 nvidia/cuda:12.2.0-base-ubuntu22.04）
• Python 环境，用于执行推理配置生成与参数搜索脚本
• 安装 optuna 依赖（README 明确要求）
• 准备训练集 X_train/y_train 与测试集 X_test/y_test 数据
• 模型权重路径 model_path 需自行准备好（README 未给出下载方式）

安装与启动步骤

1. 1获取 Dockerfile

   从项目的 GitHub 仓库获取 Dockerfile，README 提供的是仓库内 Dockerfile 的下载链接，克隆仓库即可拿到该文件。

   git clone https://github.com/limix-ldm/LimiX.git
   cd LimiX

   复制

2. 2构建推理镜像

   在 Dockerfile 所在目录执行构建，使用 host 网络并指定 CUDA 12.2 基础镜像，生成 limix/infe:v1 镜像。

   docker build --network=host -t limix/infe:v1 --build-arg FROM_IMAGES=nvidia/cuda:12.2.0-base-ubuntu22.04 -f Dockerfile .

   复制

3. 3安装 optuna

   README 要求先确保依赖已安装，参数搜索依赖 optuna，在可用 Python 环境中安装。

   pip install optuna

   复制

4. 4生成推理配置

   调用 generate_inference_config() 生成推理配置文件，后续搜索和推理都基于该配置。

   python -c "from limix import generate_inference_config; generate_inference_config()"

   复制

5. 5运行检索参数搜索

   用 RetrievalSearchHyperparameters 传入数据与模型路径，配合默认分类配置文件启动 Optuna 搜索，返回 config 与 result。

   python -c "from limix import RetrievalSearchHyperparameters\nsearchInference = RetrievalSearchHyperparameters(dict(device_id=0, model_path='model_path'), X_train, y_train, X_test, y_test)\nconfig, result = searchInference.search(n_trials=10, metric='AUC', inference_config='config/cls_default_retrieval.json', task_type='cls')"

   复制

关键配置

如何确认成功

镜像构建完成可用 docker images 看到 limix/infe:v1；执行搜索脚本能返回 config 和 result 即运行正常。

常见问题

注意事项

• README 未提供模型权重下载地址，需自行准备 model_path 对应的权重文件。
• 镜像构建耗时较长，建议先确认 Docker 可用磁盘空间与 CUDA 环境。
• 小模型 LimiX-2M 相比 LimiX-16M 显存占用更低、推理更快，且检索机制已增强，算力有限可优先选择。
• 参数搜索的 n_trials 越大耗时越长，建议先用较小值验证流程。