TANGO

不写代码，自动生成并运维目标导向的神经网络。

TANGO 是一个面向目标感知的无代码神经网络生成与运维框架。它旨在降低深度学习模型开发的门槛，让非专家用户也能通过可视化或声明式配置，快速生成针对特定任务（如分类、回归等）的神经网络架构，并支持模型的训练、部署和监控等全生命周期管理。TANGO 解决了传统模型开发中代码编写复杂、调参困难、部署繁琐等问题，核心能力包括自动化网络结构搜索、目标导向的模型优化、以及无代码的操作界面。它适合快速原型验证、自动化机器学习流程构建以及需要频繁迭代模型的场景。

开源 free 基础设施

访问官网 ↗ GitHub ↗ 文档 ↗

GitHub 星标 ★ 156

维护状态低维护

是否开源是

定价模式 free

项目数据

分类基础设施

开发团队ML-TANGO

所属国家

官网地址

GitHubhttps://github.com/ML-TANGO/TANGO

定价模式free

价格说明开源框架，本地部署，完全免费

访问状态

是否开源是

开源协议NOASSERTION

主要语言Python

技术栈/模型auto,containers,docker,docker-compose,framework,mlops,msa,nas,tango

GitHub 星标★ 156

30天Star增速

HF 下载量

上线时间2022-09-06 00:00:00

最近更新2026-09-16 00:00:00

维护状态低维护

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4

使用教程

核心亮点

无代码操作，降低深度学习使用门槛，适合业务人员快速上手。
目标感知设计，能根据任务自动调整网络结构，提升模型针对性。
覆盖生成到运维全流程，支持模型部署与监控，一体化程度高。

不足之处

早期项目，星标数少，社区生态和文档可能尚不完善。
自动化能力可能受限于预设模板，复杂定制需求需深入底层。

适用场景

快速搭建图像分类或回归模型，无需编写代码。
自动化机器学习流程，用于数据科学竞赛或业务预测。
模型部署与监控场景，需要快速迭代和运维管理。

替代项目

AutoKeras、H2O AutoML、Google Cloud AutoML

项目介绍

TANGO 是开发框架领域的开源项目，由 ML-TANGO 开发，2022 年首次发布。

它收录于开发框架分类，该分类目前共有 795 个项目，GitHub 星标数为 156。

项目已超过三个月没有代码更新，维护节奏明显放缓，最近一次代码更新于 2026-09-16。本地部署，完全免费。

它主要面向的使用场景是：快速搭建图像分类或回归模型，无需编写代码。同类可对比的替代方案包括 AutoKeras、H2O AutoML、Google Cloud AutoML。

上一篇：cookiecutter-mlops-package

下一篇：claude-code-on-steroids