AutoGluon 自动化机器学习安装指南：3 步跑通表格与多模态建模
【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon
AutoGluon 是面向表格、图像、文本与时间序列数据的自动化机器学习（AutoML）框架，用几行代码即可完成数据预处理、模型选择与集成训练。按本文完成环境确认与安装后，你将能独立部署 AutoGluon、验证安装结果，并为自己的数据任务选择合适的功能模块。
开始前的3项确认
| 确认项 | 要求 |
|---|---|
| 语言版本 | Python 3.10 / 3.11 / 3.12 / 3.13 |
| 操作系统 | Linux、macOS、Windows 均受支持 |
| CPU 与 GPU 差异 | CPU 版在安装命令中通过--extra-index-url指定 PyTorch CPU 索引源；GPU 版使用默认源直接安装，且需要本地驱动满足对应 PyTorch 的 CUDA 要求。macOS 暂不支持 GPU 加速，如需 GPU 请改用 Linux 或 Windows |
官方推荐通过pip或uv安装，其中uv是官方持续进行基准测试与验证的安装方式；conda 安装因依赖细节差异可能影响性能与稳定性，遇到问题时应优先回退到pip/uv方案。
安装主路径
核心命令（CPU 版）如下，GPU 环境直接去掉--extra-index-url参数即可：
pip install -U pip pip install -U setuptools wheel pip install autogluon --extra-index-url https://download.pytorch.org/whl/cpu各平台的差异点：
- macOS：安装前先用 Homebrew 执行
brew install libomp，因为依赖 LightGBM 的多线程运行需要 libomp 运行库； - Windows：建议使用 Anaconda 管理环境，在 Anaconda Prompt 中执行：
conda create -n myenv python=3.11 -y conda activate myenv随后按上方核心命令继续安装。
- Linux：按核心命令直接执行，无额外前置步骤；
- Apple Silicon（M 系列芯片）：可改用 conda 安装路径，conda-forge 会按机器能力自动选择对应版本。
装完先验证
运行以下最小示例，它会下载一个小型数据集并训练一个表格分类模型：
from autogluon.tabular import TabularDataset, TabularPredictor data = TabularDataset('https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv').head(500) predictor = TabularPredictor(label='class').fit(data, time_limit=60) print(predictor.leaderboard(silent=True))成功运行时，终端会先打印训练过程日志，最后输出一个 leaderboard 表格，列出各模型名称、得分与训练耗时，且predictor.fit结束后会在当前目录生成模型保存路径。更多示例见 examples/tabular/。
只装需要的模块
AutoGluon 按数据形态拆分为独立子模块，按需安装可以显著减少依赖数量与磁盘占用，也避免无关组件引入版本冲突。例如只需表格功能且仅使用 LightGBM 与 CatBoost 两种模型时，可执行：
pip install autogluon.tabular[lightgbm,catboost]| 模块 | 功能 | 安装命令 |
|---|---|---|
autogluon.tabular | 表格数据 AutoML（TabularPredictor） | pip install autogluon.tabular[all] |
autogluon.multimodal | 图像、文本与多模态深度学习任务 | pip install autogluon.multimodal |
autogluon.timeseries | 时间序列预测（TimeSeriesPredictor） | pip install autogluon.timeseries |
各模块的可选依赖清单见 官方模块安装文档。
常见症状速查
| 现象 | 可能原因 | 解决办法 |
|---|---|---|
| 安装时报 Python 版本不兼容 | 使用了官方支持的 3.10–3.13 之外的版本 | 新建支持范围内的虚拟环境后重装，Windows 可用 conda 指定python=3.11 |
| macOS 上 LightGBM 训练时报 libomp 相关错误 | 缺少 libomp 运行库 | 执行brew install libomp后重启终端再运行 |
| 想用 GPU 但 macOS 上无效果 | macOS 尚不支持 GPU 加速 | 改用 Linux 或 Windows 环境 |
| GPU 环境启动时报 CUDA / 驱动不匹配 | CUDA 驱动版本与所装 PyTorch 版本不兼容 | 按 官方 GPU 安装文档 核对 PyTorch 与 CUDA 的对应关系并重装 |
| 安装过程反复失败或依赖冲突 | 使用了 conda 安装且依赖解析出现差异 | 换用官方推荐的pip或uv方式重新安装 |
从安装到实践
- 官方安装总入口：docs/install.md
- 分场景分平台教程目录：docs/tutorials/
- 可运行的示例代码：examples/
- 项目概览与特性说明：README.md
下一步建议：先用time_limit参数跑通一个 60 秒的表格分类 demo，熟悉TabularPredictor的 fit / predict / leaderboard 工作流后，再按自己的数据形态切换到对应的功能模块。
【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
