ludwig

Q: 安装 ludwig 时提示缺少可选依赖怎么办？

按需安装附加依赖：pip install ＂ludwig[full]＂ 安装全部依赖，或 pip install ＂ludwig[llm]＂ 仅安装 LLM 微调依赖。

写个 YAML 就能训练大模型，告别繁琐代码

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 1213 🐛 待处理 2 👀 关注 182

访问官网 ↗ GitHub ↗

GitHub 星标 ★ 11791

维护状态较活跃

是否开源开源

定价模式 🏷️完全免费开源框架，Apache-2.0许可证，完全免费，可自行部署使用。

项目预览

项目数据

分类开源模型

开发团队ludwig-ai

官网地址http://ludwig.ai

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

定价模式🏷️完全免费

价格说明开源框架，Apache-2.0许可证，完全免费，可自行部署使用。

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computer-vision,data-centric,data-science,deep,deep-learning,deeplearning,fine-tuning,learning,llama,llama2,llm,llm-training,machine-learning,machinelearning,mistral,ml,natural-language,natural-language-processing,neural-network,pytorch

GitHub 星标★ 11791

上线时间2018-12-27 00:00:00

代码更新2026-11-02

仓库体积34.9 MB

本站数据更新2026-11-09

维护状态较活跃

收录时间2026-08-09

浏览次数5

项目介绍

Ludwig 是一个基于 Python 的低代码机器学习框架，旨在让开发者无需编写大量底层代码即可构建、训练和部署定制化的大语言模型、神经网络及其他 AI 模型。它通过声明式配置文件（YAML）定义模型架构、输入输出特征、训练参数和预处理逻辑，将复杂的建模流程封装为标准化组件，显著降低 AI 开发门槛。Ludwig 支持文本、图像、表格、序列等多模态数据，内置丰富的预训练模型和自动化超参搜索、模型调优、可视化实验追踪等功能，同时提供 Ray 分布式训练能力，可无缝扩展至大规模集群。其核心价值在于：让非深度学习专家也能快速搭建生产级模型，同时为专家提供灵活的定制接口，兼顾易用性与扩展性。

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 ★ 11791

技术标签

computer-vision data-science deep-learning deeplearning fine-tuning

使用教程

难度：入门约 10 分钟部署方式：库/依赖 6 步

环境要求

Python 3.12 及以上版本
已安装 pip 包管理工具
LLM 微调需安装 ludwig[llm] 附加依赖
如需全部功能需安装 ludwig[full] 附加依赖

安装与启动步骤

1确认 Python 版本

Ludwig 要求 Python 3.12 或更高版本，先确认本机 Python 版本满足要求。
```
python --version
```
2安装核心包

安装 Ludwig 核心功能，包含基础训练与推理能力，适合入门使用。
```
pip install ludwig
```
3安装全部依赖

如需使用 LLM 微调、图像等多模态全部功能，安装 full 附加依赖。
```
pip install "ludwig[full]"
```
4仅安装 LLM 依赖

若只做 LLM 微调，安装 llm 附加依赖可减少不必要的包。
```
pip install "ludwig[llm]"
```
5编写 YAML 配置

创建 model.yaml，声明模型类型、基座模型、LoRA 适配器与训练轮数等。
6启动训练

用 ludwig train 指定配置文件与数据集启动训练，把 my_data.csv 换成你的数据路径。
```
ludwig train --config model.yaml --dataset my_data.csv
```

关键配置

配置项	必填	说明	示例
`model_type`	是	声明模型类型，llm 表示大语言模型微调任务	`llm`
`base_model`	是	指定要微调的基座模型名称或路径	`meta-llama/Llama-3.1-8B`
`adapter.type`	否	适配器类型，lora 表示使用 LoRA 低秩微调	`lora`
`trainer.type`	是	训练器类型，finetune 表示微调训练	`finetune`
`trainer.epochs`	否	训练轮数，控制模型遍历数据集的次数	`3`
`output_features`	是	定义输出特征及其数据类型	`name: response, type: text`