[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-Azure--MachineLearningNotebooks":3,"tool-Azure--MachineLearningNotebooks":64},[4,17,27,35,43,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},3704,"NextChat","ChatGPTNextWeb\u002FNextChat","NextChat 是一款轻量且极速的 AI 助手，旨在为用户提供流畅、跨平台的大模型交互体验。它完美解决了用户在多设备间切换时难以保持对话连续性，以及面对众多 AI 模型不知如何统一管理的痛点。无论是日常办公、学习辅助还是创意激发，NextChat 都能让用户随时随地通过网页、iOS、Android、Windows、MacOS 或 Linux 端无缝接入智能服务。\n\n这款工具非常适合普通用户、学生、职场人士以及需要私有化部署的企业团队使用。对于开发者而言，它也提供了便捷的自托管方案，支持一键部署到 Vercel 或 Zeabur 等平台。\n\nNextChat 的核心亮点在于其广泛的模型兼容性，原生支持 Claude、DeepSeek、GPT-4 及 Gemini Pro 等主流大模型，让用户在一个界面即可自由切换不同 AI 能力。此外，它还率先支持 MCP（Model Context Protocol）协议，增强了上下文处理能力。针对企业用户，NextChat 提供专业版解决方案，具备品牌定制、细粒度权限控制、内部知识库整合及安全审计等功能，满足公司对数据隐私和个性化管理的高标准要求。",87618,"2026-04-05T07:20:52",[13,26],{"id":44,"name":45,"github_repo":46,"description_zh":47,"stars":48,"difficulty_score":23,"last_commit_at":49,"category_tags":50,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,51,52,53,15,54,26,13,55],"数据工具","视频","插件","其他","音频",{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,54],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":70,"readme_en":71,"readme_zh":72,"quickstart_zh":73,"use_case_zh":74,"hero_image_url":75,"owner_login":76,"owner_name":77,"owner_avatar_url":78,"owner_bio":79,"owner_company":80,"owner_location":80,"owner_email":80,"owner_twitter":76,"owner_website":81,"owner_url":82,"languages":83,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":23,"env_os":112,"env_gpu":112,"env_ram":112,"env_deps":113,"category_tags":122,"github_topics":123,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":132,"updated_at":133,"faqs":134,"releases":160},3310,"Azure\u002FMachineLearningNotebooks","MachineLearningNotebooks","Python notebooks with ML and deep learning examples with Azure Machine Learning Python SDK | Microsoft","MachineLearningNotebooks 是微软官方提供的一套基于 Python 的交互式示例集合，旨在帮助开发者快速上手 Azure 机器学习（Azure ML）平台。它通过丰富的 Jupyter Notebook 案例，直观展示了如何利用 Azure Machine Learning Python SDK 构建、训练和部署机器学习及深度学习模型。\n\n这套资源主要解决了初学者在面对复杂云环境配置时的痛点。用户无需在本地繁琐地安装依赖或配置环境，只需在 Azure 的“计算实例”中即可直接运行这些笔记，实现“开箱即用”。当然，它也支持在任何安装了相应 `azureml` 包的本地开发环境中执行，提供了灵活的学习路径。\n\nMachineLearningNotebooks 非常适合人工智能开发者、数据科学家以及希望探索云端机器学习能力的研究人员使用。无论是想快速验证算法原型，还是系统学习从数据处理到模型上线的全流程，都能从中找到对应的实践指南。\n\n需要特别注意的是，随着 AzureML SDK v2 的发布，当前仓库主要针对已弃用的 v1 版本，不再进行更新维护。因此，对于希望体验","MachineLearningNotebooks 是微软官方提供的一套基于 Python 的交互式示例集合，旨在帮助开发者快速上手 Azure 机器学习（Azure ML）平台。它通过丰富的 Jupyter Notebook 案例，直观展示了如何利用 Azure Machine Learning Python SDK 构建、训练和部署机器学习及深度学习模型。\n\n这套资源主要解决了初学者在面对复杂云环境配置时的痛点。用户无需在本地繁琐地安装依赖或配置环境，只需在 Azure 的“计算实例”中即可直接运行这些笔记，实现“开箱即用”。当然，它也支持在任何安装了相应 `azureml` 包的本地开发环境中执行，提供了灵活的学习路径。\n\nMachineLearningNotebooks 非常适合人工智能开发者、数据科学家以及希望探索云端机器学习能力的研究人员使用。无论是想快速验证算法原型，还是系统学习从数据处理到模型上线的全流程，都能从中找到对应的实践指南。\n\n需要特别注意的是，随着 AzureML SDK v2 的发布，当前仓库主要针对已弃用的 v1 版本，不再进行更新维护。因此，对于希望体验最新功能和技术特性的新用户，建议优先参考官方推荐的 v2 SDK 示例仓库，以获取更前沿的开发支持。","# Azure Machine Learning Python SDK notebooks\n\n### **With the introduction of AzureML SDK v2, this samples repository for the v1 SDK is now deprecated and will not be monitored or updated. Users are encouraged to visit the [v2 SDK samples repository](https:\u002F\u002Fgithub.com\u002FAzure\u002Fazureml-examples) instead for up-to-date and enhanced examples of how to build, train, and deploy machine learning models with AzureML's newest features.**\n\nWelcome to the Azure Machine Learning Python SDK notebooks repository!\n\n## Getting started\n\nThese notebooks are recommended for use in an Azure Machine Learning [Compute Instance](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fmachine-learning\u002Fconcept-compute-instance), where you can run them without any additional set up.\n\nHowever, the notebooks can be run in any development environment with the correct `azureml` packages installed.\n\nInstall the `azureml.core` Python package:\n\n```sh\npip install azureml-core\n```\n\nInstall additional packages as needed:\n\n```sh\npip install azureml-mlflow\npip install azureml-dataset-runtime\npip install azureml-automl-runtime\npip install azureml-pipeline\npip install azureml-pipeline-steps\n...\n```\n\nWe recommend starting with one of the [quickstarts](tutorials\u002Fcompute-instance-quickstarts).\n\n## Contributing\n\nThis repository is a push-only mirror. Pull requests are ignored.\n\n## Code of Conduct\n\nThis project has adopted the [Microsoft Open Source Code of Conduct](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F). Please see the [code of conduct](CODE_OF_CONDUCT.md) for details.\n\n## Reference\n\n- [Documentation](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fmachine-learning)\n\n","# Azure 机器学习 Python SDK 笔记本\n\n### **随着 AzureML SDK v2 的推出，此 v1 SDK 示例仓库现已弃用，将不再维护或更新。建议用户访问 [v2 SDK 示例仓库](https:\u002F\u002Fgithub.com\u002FAzure\u002Fazureml-examples)，以获取使用 AzureML 最新功能构建、训练和部署机器学习模型的最新且增强的示例。**\n\n欢迎来到 Azure 机器学习 Python SDK 笔记本仓库！\n\n## 入门\n\n建议在 Azure 机器学习的 [计算实例](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fmachine-learning\u002Fconcept-compute-instance) 中使用这些笔记本，您无需任何额外设置即可直接运行它们。\n\n不过，只要安装了正确的 `azureml` 包，这些笔记本也可以在任何开发环境中运行。\n\n安装 `azureml.core` Python 包：\n\n```sh\npip install azureml-core\n```\n\n根据需要安装其他包：\n\n```sh\npip install azureml-mlflow\npip install azureml-dataset-runtime\npip install azureml-automl-runtime\npip install azureml-pipeline\npip install azureml-pipeline-steps\n...\n```\n\n我们建议从其中一个 [快速入门](tutorials\u002Fcompute-instance-quickstarts) 开始。\n\n## 贡献\n\n此仓库仅为推送镜像，拉取请求将被忽略。\n\n## 行为准则\n\n本项目已采用 [Microsoft 开源行为准则](https:\u002F\u002Fopensource.microsoft.com\u002Fcodeofconduct\u002F)。有关详细信息，请参阅 [行为准则](CODE_OF_CONDUCT.md)。\n\n## 参考\n\n- [文档](https:\u002F\u002Fdocs.microsoft.com\u002Fazure\u002Fmachine-learning)","# MachineLearningNotebooks 快速上手指南\n\n> **⚠️ 重要提示**：随着 AzureML SDK v2 的发布，本仓库（v1 SDK 示例）已**弃用**，不再维护或更新。建议开发者直接访问 [v2 SDK 示例仓库](https:\u002F\u002Fgithub.com\u002FAzure\u002Fazureml-examples) 以获取最新的功能和示例。以下内容仅适用于仍在使用 v1 SDK 的场景。\n\n## 环境准备\n\n*   **运行环境推荐**：建议在 Azure Machine Learning 的 **Compute Instance**（计算实例）中运行这些 Notebook，无需额外配置即可直接使用。\n*   **本地开发环境**：若在其他环境中运行，需确保已安装 Python 及相应的 `azureml` 系列包。\n*   **系统要求**：支持 Windows、macOS 或 Linux 系统，需具备网络连接以访问 Azure 服务。\n\n## 安装步骤\n\n请根据实际需求安装核心包及可选组件。建议使用国内镜像源（如清华源）加速安装过程。\n\n1.  **安装核心包**：\n    ```sh\n    pip install azureml-core -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n2.  **安装可选扩展包**（按需安装）：\n    ```sh\n    pip install azureml-mlflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    pip install azureml-dataset-runtime -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    pip install azureml-automl-runtime -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    pip install azureml-pipeline -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    pip install azureml-pipeline-steps -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n    ```\n\n## 基本使用\n\n1.  **启动项目**：\n    克隆本仓库或直接下载所需的 `.ipynb` 文件。\n\n2.  **选择入门教程**：\n    推荐从官方提供的 [快速入门教程](tutorials\u002Fcompute-instance-quickstarts) 开始，这些教程涵盖了构建、训练和部署机器学习模型的基础流程。\n\n3.  **运行 Notebook**：\n    *   若在 **Azure Compute Instance** 上：直接在 Azure Portal 中打开 Jupyter 界面，导航至对应目录运行即可。\n    *   若在 **本地环境**：启动 Jupyter Notebook 或 VS Code，打开文件并确保内核已激活包含 `azureml` 包的虚拟环境。首次运行时可能需要配置 `config.json` 以连接您的 Azure 工作空间。","某电商公司的数据科学团队正利用 Azure 云平台构建用户流失预测模型，急需快速验证算法并部署生产环境。\n\n### 没有 MachineLearningNotebooks 时\n- 开发人员需手动配置复杂的本地 Python 环境，反复解决 `azureml` 系列包的版本依赖冲突，耗费大量时间在环境搭建而非模型调优上。\n- 缺乏官方提供的标准化代码参考，团队在编写数据预处理、模型训练及注册流程时只能“从零造轮子”，容易遗漏关键步骤或最佳实践。\n- 由于缺少预置的 Azure Compute Instance 集成示例，成员难以快速理解如何在云端无缝运行实验，导致本地与云端的开发体验割裂。\n- 面对 SDK 更新（如从 v1 迁移至 v2），团队无法及时获取权威的重构指南，增加了技术债务和维护风险。\n\n### 使用 MachineLearningNotebooks 后\n- 团队直接在 Azure Compute Instance 上运行预配置的 Notebook，无需任何额外设置即可立即开始编码，环境一致性得到完美保障。\n- 借助涵盖数据处理、自动化机器学习（AutoML）及管道构建的丰富示例，开发人员快速复用成熟代码模式，显著缩短了原型开发周期。\n- 通过参考官方提供的端到端流程（从实验跟踪到模型部署），团队轻松实现了本地开发与云端执行的平滑过渡，提升了协作效率。\n- 虽然仓库提示转向 v2 SDK 新示例，但其清晰的指引帮助团队迅速定位到最新的 `azureml-examples` 资源，确保了技术栈的先进性与可维护性。\n\nMachineLearningNotebooks 通过提供开箱即用的标准化实验模板，将数据科学家从繁琐的环境配置中解放出来，使其能专注于核心算法价值的挖掘。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002FAzure_MachineLearningNotebooks_9e989faa.png","Azure","Microsoft Azure","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002FAzure_6a5873eb.png","APIs, SDKs and open source projects from Microsoft Azure",null,"https:\u002F\u002Fdocs.microsoft.com\u002Fen-us\u002Fazure\u002F","https:\u002F\u002Fgithub.com\u002FAzure",[84,88,92,96,100,104],{"name":85,"color":86,"percentage":87},"Jupyter Notebook","#DA5B0B",89.1,{"name":89,"color":90,"percentage":91},"Python","#3572A5",9.6,{"name":93,"color":94,"percentage":95},"Dockerfile","#384d54",0.7,{"name":97,"color":98,"percentage":99},"Shell","#89e051",0.3,{"name":101,"color":102,"percentage":103},"Batchfile","#C1F12E",0.2,{"name":105,"color":106,"percentage":107},"R","#198CE7",0,4377,2576,"2026-04-03T12:06:32","MIT","未说明",{"notes":114,"python":112,"dependencies":115},"该仓库针对 AzureML SDK v1，目前已弃用，官方建议使用 AzureML SDK v2 的示例仓库。推荐在 Azure Machine Learning Compute Instance 上运行以避免额外配置；若在本地运行，需手动安装相应的 azureml 包。",[116,117,118,119,120,121],"azureml-core","azureml-mlflow","azureml-dataset-runtime","azureml-automl-runtime","azureml-pipeline","azureml-pipeline-steps",[54,13,51],[124,125,126,127,128,129,130,131],"machine-learning","notebook","azure","deep-learning","data-science","azure-machine-learning","azure-ml","azureml","2026-03-27T02:49:30.150509","2026-04-06T05:19:45.128566",[135,140,145,150,155],{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},15208,"为什么在 PythonScriptStep 中 run.input_datasets 字典是空的，即使已经传入了数据集？","这是一个已知功能的缺失。目前 `run.input_datasets` 属性在 Pipeline 步骤中保持为空，无法自动获取输入数据集。变通方法是手动注册模型时指定数据集。请使用 `run.register_model(datasets=(...))` 方法，显式将输入和输出数据集关联到注册的模型中。产品团队已计划在未来版本中添加自动注册功能。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMachineLearningNotebooks\u002Fissues\u002F707",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},15209,"AutoML 报错\"输入数据为空\"，但我确认数据集不为空，该如何解决？","这是由于使用 SDK 配合 Filter() 时的一个已知问题：如果过滤后的有效行不在数据集的前 10,000 行内，AutoML 的默认数据集配置文件验证会失败并报错。解决方法有三种：\n1. 选项 A：在过滤前对数据进行洗牌（Shuffle），确保过滤后的值出现在前 10k 行中。\n2. 选项 B：先将数据过滤并创建一个新的数据集对象，再将该新数据集传递给 AutoMLConfig 类。\n3. 选项 C：不使用 SDK，而是通过 UI 界面并提供 HTTP URL 参数来运行任务。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMachineLearningNotebooks\u002Fissues\u002F1374",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},15210,"遇到 OpenSSL AttributeError: module 'lib' has no attribute 'X509_up_ref' 导致无法连接 Azure ML 工作空间怎么办？","该错误通常由 Databricks 环境中 OpenSSL 或 cffi 库的版本冲突引起。解决方案包括：\n1. 尝试重新安装或升级 `pyopenssl` 和 `cffi` 包以匹配环境要求。\n2. 按照官方文档指引，确保在代码执行前已完成 `az login` 交互式认证，或者显式使用 `AzureCliAuthentication`。\n3. 许多用户反馈在重启集群或重新安装相关依赖库后，交互式认证成功完成，问题得以解决。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMachineLearningNotebooks\u002Fissues\u002F215",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},15211,"HyperDriveStep 的 allow_reuse 参数不生效，导致每次运行都重新执行，如何解决？","这是一个已被确认并修复的 Bug。早期版本的 SDK 中，HyperDriveStep 的 `allow_reuse` 参数存在缺陷，导致下游步骤无法正确复用缓存。维护者已在后续版本中修复了此问题。如果您仍遇到此问题，请确保将 `azureml-sdk` 升级到最新版本。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMachineLearningNotebooks\u002Fissues\u002F740",{"id":156,"question_zh":157,"answer_zh":158,"source_url":159},15212,"如何在 Azure ML 管道（Pipeline）中的后续步骤里获取 HyperDriveStep 的最佳模型？","要在管道中集成 HyperDrive 并获取最佳模型，需要在 HyperDriveStep 之后的下游步骤中进行操作。最佳实践是通过管道参数传递运行信息，或在脚本中使用 `Run.get_context()` 获取父运行对象。虽然具体代码片段在讨论中被截断，但核心逻辑是：在下游步骤中识别 HyperDrive 的运行 ID，调用 `get_best_run_by_primary_metric()` 获取最佳运行对象，然后使用该对象调用 `register_model()` 将模型注册到服务中。","https:\u002F\u002Fgithub.com\u002FAzure\u002FMachineLearningNotebooks\u002Fissues\u002F269",[161,165,169,173,177,181,185,189,193,197,201,205,209,213,217,221,225,229,233,237],{"id":162,"version":163,"summary_zh":80,"released_at":164},89870,"80469","2019-08-29T17:25:28",{"id":166,"version":167,"summary_zh":80,"released_at":168},89871,"80468","2019-08-29T17:25:17",{"id":170,"version":171,"summary_zh":80,"released_at":172},89872,"80467","2019-08-29T17:25:10",{"id":174,"version":175,"summary_zh":80,"released_at":176},89873,"80466","2019-08-29T17:24:59",{"id":178,"version":179,"summary_zh":80,"released_at":180},89874,"80465","2019-08-29T17:24:48",{"id":182,"version":183,"summary_zh":80,"released_at":184},89875,"79971","2019-08-27T18:22:41",{"id":186,"version":187,"summary_zh":80,"released_at":188},89876,"79970","2019-08-27T18:22:33",{"id":190,"version":191,"summary_zh":80,"released_at":192},89877,"79969","2019-08-27T18:22:18",{"id":194,"version":195,"summary_zh":80,"released_at":196},89878,"79968","2019-08-27T18:22:03",{"id":198,"version":199,"summary_zh":80,"released_at":200},89879,"79940","2019-08-27T16:27:39",{"id":202,"version":203,"summary_zh":80,"released_at":204},89880,"azureml-sdk-1.0.45","2019-07-03T18:17:02",{"id":206,"version":207,"summary_zh":80,"released_at":208},89881,"azureml-sdk-1.0.43","2019-06-12T14:09:42",{"id":210,"version":211,"summary_zh":80,"released_at":212},89882,"azureml-sdk-1.0.41","2019-05-29T15:01:52",{"id":214,"version":215,"summary_zh":80,"released_at":216},89883,"azureml-sdk-1.0.39","2019-05-14T20:05:05",{"id":218,"version":219,"summary_zh":80,"released_at":220},89884,"azureml-sdk-1.0.33","2019-04-26T17:46:11",{"id":222,"version":223,"summary_zh":80,"released_at":224},89885,"azureml-sdk-1.0.30","2019-04-22T19:42:00",{"id":226,"version":227,"summary_zh":80,"released_at":228},89886,"azureml-sdk-1.0.23","2019-04-08T19:36:20",{"id":230,"version":231,"summary_zh":80,"released_at":232},89887,"azureml-sdk-1.0.21","2019-03-25T19:07:42",{"id":234,"version":235,"summary_zh":80,"released_at":236},89888,"azureml-sdk-1.0.18","2019-03-11T19:24:11",{"id":238,"version":239,"summary_zh":80,"released_at":240},89889,"azureml-sdk-1.0.17","2019-02-25T21:13:23"]