nni

模型调参交给机器自动试，最优结果坐等出炉

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 1850 🐛 待处理 415 👀 关注 8 ⚠️ 作者已归档（停止维护）

GitHub ↗

GitHub 星标 ★ 14363

维护状态低维护

是否开源开源

定价模式 🏷️完全免费开源工具，MIT许可证，完全免费，无付费版本。

项目预览

项目数据

分类基础设施

开发团队microsoft

GitHubhttps://github.com/microsoft/nni

定价模式🏷️完全免费

价格说明开源工具，MIT许可证，完全免费，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MIT

主要语言Python

技术栈/模型automated-machine-learning,automl,bayesian-optimization,data-science,deep-learning,deep-neural-network,distributed,feature-engineering,hyperparameter-optimization,hyperparameter-tuning,machine-learning,machine-learning-algorithms,mlops,model-compression,nas,neural-architecture-search,neural-network,python,pytorch,tensorflow

GitHub 星标★ 14363

上线时间2018-06-01 00:00:00

代码更新2024-07-03

仓库体积130.0 MB

本站数据更新2026-11-09

维护状态低维护

收录时间2026-08-09

浏览次数14

项目介绍

微软开源的 AutoML 工具包，覆盖机器学习生命周期的自动化，包括特征工程、神经网络架构搜索、模型压缩与超参调优等环节。借助丰富的搜索算法与可视化面板，帮助团队在有限的算力预算下高效找到更优模型，是自动化建模的得力助手。

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 ★ 14363

技术标签

automl data-science deep-learning distributed feature-engineering

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：库/依赖 4 步

环境要求

已安装 Python 及配套的 pip（README 未指定具体版本，请以官方安装指南为准）
网络可访问 PyPI，能够执行 pip 安装
如需了解完整环境要求与源码构建方式，请参阅官方安装指南 https://nni.readthedocs.io/en/stable/installation.ht

安装与启动步骤

1确认 Python 环境

README 未指定 Python 版本，请先确认本机已装好 Python 与 pip，可执行 pip 命令。
2安装 NNI

README 给出的当前版本安装方式，直接通过 pip 从 PyPI 安装 nni 包。
```
pip install nni
```
3升级到最新版

如需把已安装的 NNI 更新到最新版本，在安装命令后追加 --upgrade 参数。
```
pip install --upgrade nni
```
4查阅文档与示例

README 指向官方文档，内含最新特性、API、示例与教程，安装后按文档继续使用。