English · 简体中文
:fire: FLAML 全面支持 [Microsoft Fabric Data Science](https://learn.microsoft.com/zh-cn/fabric/data-science/automated-machine-learning-fabric) 中的 AutoML 与超参数调优。此外，得益于 Microsoft Fabric 产品团队的贡献，我们引入了对 Python 3.11+ 的支持、一系列全新的算法评估器（Estimators），并深度集成了 MLflow。 :fire: **重要提醒**：[AutoGen](https://microsoft.github.io/autogen/) 已迁移至专属的[独立 GitHub 仓库](https://github.com/microsoft/autogen)。FLAML 代码库中已不再内置 `autogen` 模块——请直接使用 AutoGen 独立包。 ## 什么是 FLAML FLAML 是一个轻量级 Python 算法库，专注于机器学习（ML）与人工智能操作（AI Operations）的高效自动化。它能够自动化编排基于大语言模型、经典机器学习模型等工作流，并极致优化其性能表现。 - **经济高效的自动化与调优**：FLAML 支持在严格的计算资源与时间约束下，对 ML/AI 工作流自动化完成模型选择与超参数优化。 - **低算力开销的常见任务求解**：对于分类和回归等常见机器学习任务，它能够在极低算力开销下迅速针对用户提供的数据找到高质量模型。它易于定制或扩展，用户可以在平滑的自由度区间内随心设定所需的自定义程度。 - **快速经济的通用自动化调优**：支持各类复杂场景下的自动调优（例如：基座大模型的推理超参数、MLOps/LMOps 工作流配置、流水线、数学与统计模型、特定算法、计算实验参数、底层软件系统配置等），能够从容应对具有异构评估开销（Heterogeneous Evaluation Cost）、复杂约束条件、先验引导以及早停机制的超大规模搜索空间。 FLAML 凝聚了微软研究院（Microsoft Research）以及宾夕法尼亚州立大学、斯蒂文斯理工学院、华盛顿大学和滑铁卢大学等合作科研机构的[系列前沿学术研究成果](https://microsoft.github.io/FLAML/docs/Research/)。 此外，FLAML 在微软官方跨平台开源机器学习框架 [ML.NET](http://dot.net/ml) 中提供了成熟的 .NET 原生实现。 ## 安装指南 FLAML 最新版本要求 **Python >= 3.10 且 < 3.14**。虽然其他 Python 版本可能支持核心组件运行，但无法保证全部模型的完整兼容性。可通过 `pip` 直接安装： ```bash pip install flaml ``` 默认情况下仅安装最基础的轻量依赖。您可以根据所需的功能按需安装扩展选项。例如，若需使用 [`automl`](https://microsoft.github.io/FLAML/docs/Use-Cases/Task-Oriented-AutoML) 模块所需的全部依赖，请执行： ```bash pip install "flaml[automl]" ``` 查阅更多安装选项请见[安装文档 (Installation)](https://microsoft.github.io/FLAML/docs/Installation)。各类[示例 Notebook](https://github.com/microsoft/FLAML/tree/main/notebook) 可能需要安装对应的特定扩展组件。 ## 快速上手 - **三行代码即可运行**：作为 [scikit-learn 风格评估器](https://microsoft.github.io/FLAML/docs/Use-Cases/Task-Oriented-AutoML) 体验高效、经济的 AutoML 引擎： ```python from flaml import AutoML automl = AutoML() automl.fit(X_train, y_train, task="classification") ``` - **限定基学习器**：将 FLAML 作为 XGBoost、LightGBM、随机森林（Random Forest）等模型的极速调参工具，或配合[自定义评估器](https://microsoft.github.io/FLAML/docs/Use-Cases/Task-Oriented-AutoML#estimator-and-search-space)使用： ```python automl.fit(X_train, y_train, task="classification", estimator_list=["lgbm"]) ``` - **通用自定义函数调优**：针对任意[用户自定义函数 (UDF)](https://microsoft.github.io/FLAML/docs/Use-Cases/Tune-User-Defined-Function) 运行通用超参数调优： ```python from flaml import tune tune.run( evaluation_function, config={...}, low_cost_partial_config={...}, time_budget_s=3600 ) ``` - [零样本 AutoML (Zero-shot AutoML)](https://microsoft.github.io/FLAML/docs/Use-Cases/Zero-Shot-AutoML) 允许直接沿用 lightgbm、xgboost 等现有原生训练 API，同时享受 AutoML 在各具体任务上自动精选的高性能超参数配置： ```python from flaml.default import LGBMRegressor # 像平时使用 lightgbm.LGBMRegressor 一样直接使用 LGBMRegressor estimator = LGBMRegressor() # 超参数将根据输入的训练数据特征自动进行最优配置 estimator.fit(X_train, y_train) ``` ## 文档指引 查阅 FLAML 的详尽官方文档请前往 [此处官方站点](https://microsoft.github.io/FLAML/)。 此外，您还可以了解： - 围绕 FLAML 的[学术论文 (Research)](https://microsoft.github.io/FLAML/docs/Research) 与[技术博客 (Blogposts)](https://microsoft.github.io/FLAML/blog)。 - 加入官方 [Discord 交流社区](https://discord.gg/Cppx2vSPVP)。 - 查阅[开发者贡献指南 (Contributing Guide)](https://microsoft.github.io/FLAML/docs/Contribute)。 - ML.NET 相关文档与教程：[Model Builder 模型生成器](https://learn.microsoft.com/zh-cn/dotnet/machine-learning/tutorials/predict-prices-with-model-builder)、[ML.NET CLI 命令行](https://learn.microsoft.com/zh-cn/dotnet/machine-learning/tutorials/sentiment-analysis-cli) 以及 [AutoML API 接口指南](https://learn.microsoft.com/zh-cn/dotnet/machine-learning/how-to-guides/how-to-use-the-automl-api)。 ## 参与贡献 本项目非常欢迎开源社区的贡献与建议。绝大多数贡献都需要您签署贡献者许可协议（CLA），声明您有权且确实授予我们使用您贡献内容的权利。详情请访问：