[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-keras-team--autokeras":3,"tool-keras-team--autokeras":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":81,"owner_twitter":80,"owner_website":82,"owner_url":83,"languages":84,"stars":105,"forks":106,"last_commit_at":107,"license":108,"difficulty_score":23,"env_os":109,"env_gpu":110,"env_ram":110,"env_deps":111,"category_tags":116,"github_topics":117,"view_count":23,"oss_zip_url":80,"oss_zip_packed_at":80,"status":16,"created_at":127,"updated_at":128,"faqs":129,"releases":158},2738,"keras-team\u002Fautokeras","autokeras","AutoML library for deep learning","AutoKeras 是一个基于 Keras 构建的自动化机器学习（AutoML）开源库，由德州农工大学 DATA Lab 开发。它的核心目标是降低深度学习的使用门槛，让机器学习变得触手可及。\n\n传统深度学习模型的开发往往需要用户具备深厚的专业知识，手动设计复杂的网络结构并反复调整超参数，过程耗时且困难。AutoKeras 正是为了解决这一痛点而生，它能够自动搜索最优的神经网络架构和超参数组合。用户无需精通算法细节，只需几行代码即可完成从数据输入到模型预测的全过程，极大地简化了开发流程。\n\n这款工具非常适合希望快速验证想法的开发者、专注于业务逻辑而非底层调优的数据科学家，以及想要尝试深度学习但缺乏相关背景的研究人员或学生。其独特的技术亮点在于高效的神经架构搜索（NAS）算法，能够在保证模型性能的同时显著减少人工干预。例如，在进行图像分类任务时，用户仅需调用 `ImageClassifier` 并传入数据，AutoKeras 便会自动完成后续所有复杂步骤。作为 TensorFlow 2.8+ 和 Python 3.7+ 生态的一部分，AutoKeras 以简洁友好的接口，助力各类用户轻松拥","AutoKeras 是一个基于 Keras 构建的自动化机器学习（AutoML）开源库，由德州农工大学 DATA Lab 开发。它的核心目标是降低深度学习的使用门槛，让机器学习变得触手可及。\n\n传统深度学习模型的开发往往需要用户具备深厚的专业知识，手动设计复杂的网络结构并反复调整超参数，过程耗时且困难。AutoKeras 正是为了解决这一痛点而生，它能够自动搜索最优的神经网络架构和超参数组合。用户无需精通算法细节，只需几行代码即可完成从数据输入到模型预测的全过程，极大地简化了开发流程。\n\n这款工具非常适合希望快速验证想法的开发者、专注于业务逻辑而非底层调优的数据科学家，以及想要尝试深度学习但缺乏相关背景的研究人员或学生。其独特的技术亮点在于高效的神经架构搜索（NAS）算法，能够在保证模型性能的同时显著减少人工干预。例如，在进行图像分类任务时，用户仅需调用 `ImageClassifier` 并传入数据，AutoKeras 便会自动完成后续所有复杂步骤。作为 TensorFlow 2.8+ 和 Python 3.7+ 生态的一部分，AutoKeras 以简洁友好的接口，助力各类用户轻松拥抱人工智能技术。","\u003Cp align=\"center\">\n  \u003Cimg width=\"500\" alt=\"logo\" src=\"https:\u002F\u002Fautokeras.com\u002Fimg\u002Frow_red.svg\"\u002F>\n\u003C\u002Fp>\n\n[![](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fworkflows\u002FTests\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Factions?query=workflow%3ATests+branch%3Amaster)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fkeras-team\u002Fautokeras\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fkeras-team\u002Fautokeras)\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fautokeras.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fautokeras)\n[![contributions welcome](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-brightgreen.svg?style=flat)](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues)\n\nOfficial Website: [autokeras.com](https:\u002F\u002Fautokeras.com)\n\n##\nAutoKeras: An AutoML system based on Keras.\nIt is developed by \u003Ca href=\"http:\u002F\u002Ffaculty.cs.tamu.edu\u002Fxiahu\u002Findex.html\" target=\"_blank\" rel=\"nofollow\">DATA Lab\u003C\u002Fa> at Texas A&M University.\nThe goal of AutoKeras is to make machine learning accessible to everyone.\n\n## Learning resources\n\n* A short example.\n\n```python\nimport autokeras as ak\n\nclf = ak.ImageClassifier()\nclf.fit(x_train, y_train)\nresults = clf.predict(x_test)\n```\n\n* [Official website tutorials](https:\u002F\u002Fautokeras.com\u002Ftutorial\u002Foverview\u002F).\n* The book of [*Automated Machine Learning in Action*](https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fautomated-machine-learning-in-action?query=automated&utm_source=jin&utm_medium=affiliate&utm_campaign=affiliate&a_aid=jin).\n* The LiveProjects of [*Image Classification with AutoKeras*](https:\u002F\u002Fwww.manning.com\u002Fliveprojectseries\u002Fautokeras-ser).\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fautomated-machine-learning-in-action?query=automated&utm_source=jin&utm_medium=affiliate&utm_campaign=affiliate&a_aid=jin\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeras-team_autokeras_readme_7bfbb71fde22.png\" alt=\"drawing\" width=\"266\"\u002F>\u003C\u002Fa>\n&nbsp\n&nbsp\n\u003Ca href=\"https:\u002F\u002Fwww.manning.com\u002Fliveprojectseries\u002Fautokeras-ser\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeras-team_autokeras_readme_1948be844532.jpg\" alt=\"drawing\" width=\"250\"\u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n\n## Installation\n\nTo install the package, please use the `pip` installation as follows:\n\n```shell\npip3 install autokeras\n```\n\nPlease follow the [installation guide](https:\u002F\u002Fautokeras.com\u002Finstall) for more details.\n\n**Note:** Currently, AutoKeras is only compatible with **Python >= 3.7** and **TensorFlow >= 2.8.0**.\n\n## Community\n\nAsk your questions on our [GitHub Discussions](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fdiscussions).\n\n## Contributing Code\n\nHere is how we manage our project.\n\nWe pick the critical issues to work on from [GitHub issues](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues).\nThey will be added to this [Project](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fprojects\u002F3).\nSome of the issues will then be added to the [milestones](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fmilestones),\nwhich are used to plan for the releases.\n\nRefer to our [Contributing Guide](https:\u002F\u002Fautokeras.com\u002Fcontributing\u002F) to learn the best practices.\n\nThank all the contributors!\n\n[![The contributors](https:\u002F\u002Fautokeras.com\u002Fimg\u002Fcontributors.svg)](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fgraphs\u002Fcontributors)\n\n## Cite this work\n\nHaifeng Jin, François Chollet, Qingquan Song, and Xia Hu. \"AutoKeras: An AutoML Library for Deep Learning.\" *the Journal of machine Learning research* 6 (2023): 1-6. ([Download](http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv24\u002F20-1355.html))\n\nBiblatex entry:\n\n```bibtex\n@article{JMLR:v24:20-1355,\n  author  = {Haifeng Jin and François Chollet and Qingquan Song and Xia Hu},\n  title   = {AutoKeras: An AutoML Library for Deep Learning},\n  journal = {Journal of Machine Learning Research},\n  year    = {2023},\n  volume  = {24},\n  number  = {6},\n  pages   = {1--6},\n  url     = {http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv24\u002F20-1355.html}\n}\n```\n\n## Acknowledgements\n\nThe authors gratefully acknowledge the D3M program of the Defense Advanced Research Projects Agency (DARPA) administered through AFRL contract FA8750-17-2-0116; the Texas A&M College of Engineering, and Texas A&M University.\n","\u003Cp align=\"center\">\n  \u003Cimg width=\"500\" alt=\"logo\" src=\"https:\u002F\u002Fautokeras.com\u002Fimg\u002Frow_red.svg\"\u002F>\n\u003C\u002Fp>\n\n[![](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fworkflows\u002FTests\u002Fbadge.svg)](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Factions?query=workflow%3ATests+branch%3Amaster)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fkeras-team\u002Fautokeras\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Fkeras-team\u002Fautokeras)\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fautokeras.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fautokeras)\n[![contributions welcome](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Fcontributions-welcome-brightgreen.svg?style=flat)](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues)\n\n官方网站：[autokeras.com](https:\u002F\u002Fautokeras.com)\n\n##\nAutoKeras：一个基于 Keras 的 AutoML 系统。\n由德克萨斯农工大学的 \u003Ca href=\"http:\u002F\u002Ffaculty.cs.tamu.edu\u002Fxiahu\u002Findex.html\" target=\"_blank\" rel=\"nofollow\">DATA 实验室\u003C\u002Fa> 开发。\nAutoKeras 的目标是让机器学习触手可及。\n\n## 学习资源\n\n* 一个简短示例。\n\n```python\nimport autokeras as ak\n\nclf = ak.ImageClassifier()\nclf.fit(x_train, y_train)\nresults = clf.predict(x_test)\n```\n\n* [官方网站教程](https:\u002F\u002Fautokeras.com\u002Ftutorial\u002Foverview\u002F)。\n* 书籍《自动化机器学习实战》[*Automated Machine Learning in Action*](https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fautomated-machine-learning-in-action?query=automated&utm_source=jin&utm_medium=affiliate&utm_campaign=affiliate&a_aid=jin)。\n* LiveProjects 项目《使用 AutoKeras 进行图像分类》[*Image Classification with AutoKeras*](https:\u002F\u002Fwww.manning.com\u002Fliveprojectseries\u002Fautokeras-ser)。\n\u003Cp align=\"center\">\n\u003Ca href=\"https:\u002F\u002Fwww.manning.com\u002Fbooks\u002Fautomated-machine-learning-in-action?query=automated&utm_source=jin&utm_medium=affiliate&utm_campaign=affiliate&a_aid=jin\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeras-team_autokeras_readme_7bfbb71fde22.png\" alt=\"drawing\" width=\"266\"\u002F>\u003C\u002Fa>\n&nbsp\n&nbsp\n\u003Ca href=\"https:\u002F\u002Fwww.manning.com\u002Fliveprojectseries\u002Fautokeras-ser\">\u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeras-team_autokeras_readme_1948be844532.jpg\" alt=\"drawing\" width=\"250\"\u002F>\u003C\u002Fa>\n\u003C\u002Fp>\n\n\n## 安装\n\n要安装该软件包，请使用 `pip` 进行安装，命令如下：\n\n```shell\npip3 install autokeras\n```\n\n更多详细信息请参阅 [安装指南](https:\u002F\u002Fautokeras.com\u002Finstall)。\n\n**注意：** 目前，AutoKeras 仅兼容 **Python >= 3.7** 和 **TensorFlow >= 2.8.0**。\n\n## 社区\n\n您可以在我们的 [GitHub Discussions](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fdiscussions) 中提出问题。\n\n## 贡献代码\n\n我们这样管理项目。\n\n我们会从 [GitHub issues](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues) 中挑选关键问题进行处理。\n这些问题会被添加到此 [Project](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fprojects\u002F3) 中。\n其中一些问题随后会被加入到 [milestones](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fmilestones) 中，\n用于规划版本发布。\n\n请参阅我们的 [贡献指南](https:\u002F\u002Fautokeras.com\u002Fcontributing\u002F) 以了解最佳实践。\n\n感谢所有贡献者！\n\n[![贡献者](https:\u002F\u002Fautokeras.com\u002Fimg\u002Fcontributors.svg)](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fgraphs\u002Fcontributors)\n\n## 引用本工作\n\nHaifeng Jin、François Chollet、Qingquan Song 和 Xia Hu. “AutoKeras：用于深度学习的 AutoML 库。” *机器学习研究期刊* 第 6 卷（2023 年）：1–6 页。([下载](http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv24\u002F20-1355.html))\n\nBiblatex 条目：\n\n```bibtex\n@article{JMLR:v24:20-1355,\n  author  = {Haifeng Jin 和 François Chollet 和 Qingquan Song 和 Xia Hu},\n  title   = {AutoKeras：用于深度学习的 AutoML 库},\n  journal = {机器学习研究期刊},\n  year    = {2023},\n  volume  = {24},\n  number  = {6},\n  pages   = {1--6},\n  url     = {http:\u002F\u002Fjmlr.org\u002Fpapers\u002Fv24\u002F20-1355.html}\n}\n```\n\n## 致谢\n\n作者衷心感谢美国国防高级研究计划局 (DARPA) 通过 AFRL 合同 FA8750-17-2-0116 管理的 D3M 计划；以及德克萨斯农工大学工程学院和德克萨斯农工大学。","# AutoKeras 快速上手指南\n\nAutoKeras 是一个基于 Keras 的自动化机器学习（AutoML）系统，由德州农工大学 DATA Lab 开发。它旨在让每个人都能轻松使用机器学习，自动搜索最优的神经网络架构。\n\n## 环境准备\n\n在开始之前，请确保您的开发环境满足以下要求：\n\n*   **操作系统**：Linux, macOS 或 Windows\n*   **Python 版本**：>= 3.7\n*   **核心依赖**：TensorFlow >= 2.8.0\n\n> **提示**：国内用户建议使用清华或阿里镜像源加速 Python 包和 TensorFlow 的安装。\n\n## 安装步骤\n\n使用 `pip` 即可快速安装 AutoKeras：\n\n```shell\npip3 install autokeras\n```\n\n如果需要指定国内镜像源加速安装，可以使用以下命令：\n\n```shell\npip3 install autokeras -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n更多详细的安装配置请参考官方安装指南：[autokeras.com\u002Finstall](https:\u002F\u002Fautokeras.com\u002Finstall)\n\n## 基本使用\n\nAutoKeras 的核心优势在于极简的 API。以下是一个图像分类任务的完整示例，仅需三行代码即可完成模型训练与预测：\n\n```python\nimport autokeras as ak\n\n# 初始化图像分类器\nclf = ak.ImageClassifier()\n\n# 自动搜索架构并训练模型 (x_train, y_train 需为符合格式的数据)\nclf.fit(x_train, y_train)\n\n# 使用训练好的模型进行预测\nresults = clf.predict(x_test)\n```\n\n**说明：**\n*   `ak.ImageClassifier()` 会自动为您寻找最适合图像的神经网络结构。\n*   `fit` 方法内部包含了数据预处理、模型搜索和训练的全过程。\n*   支持的任务类型还包括文本分类、回归分析、结构化数据分类等，用法类似。\n\n更多详细教程请访问：[autokeras.com\u002Ftutorial](https:\u002F\u002Fautokeras.com\u002Ftutorial\u002Foverview\u002F)","某电商初创公司的数据分析师需要在三天内上线一个商品图片自动分类系统，以应对即将到来的促销活动，但他缺乏深厚的深度学习调参经验。\n\n### 没有 autokeras 时\n- **架构选型困难**：面对 ResNet、EfficientNet 等数十种主流卷积神经网络，难以判断哪种结构最适合当前的商品数据集，只能凭感觉盲目尝试。\n- **调参耗时巨大**：需要手动编写大量代码来调整学习率、层数、滤波器数量等超参数，单次实验往往需要数小时，三天内无法完成有效迭代。\n- **预处理流程繁琐**：必须手动编写复杂的数据增强和归一化代码，稍有不慎就会导致模型过拟合或训练发散。\n- **试错成本高昂**：由于缺乏自动化搜索机制，大部分时间浪费在效果不佳的模型组合上，最终可能因工期延误而被迫放弃项目。\n\n### 使用 autokeras 后\n- **自动架构搜索**：autokeras 内置的神经架构搜索（NAS）算法自动评估并选择了最优的网络结构，无需人工干预即可适配商品图像特征。\n- **超参数自优化**：工具自动在后台并行测试成千上万种超参数组合，快速锁定最佳配置，将原本数周的调优工作压缩至几小时内完成。\n- **一站式数据处理**：只需传入原始图片路径，autokeras 自动完成数据清洗、增强及预处理流程，大幅降低了代码编写量。\n- **极速原型落地**：仅用不到 10 行代码就完成了从数据加载到模型训练的全过程，确保系统在促销前顺利上线并达到预期准确率。\n\nautokeras 的核心价值在于将深度学习门槛降至最低，让非专家也能在短时间内构建出高性能的定制化 AI 模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fkeras-team_autokeras_26da374d.png","keras-team","Keras","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fkeras-team_dd76ba2a.jpg","Deep Learning for humans",null,"keras-users@googlegroups.com","https:\u002F\u002Fkeras.io\u002F","https:\u002F\u002Fgithub.com\u002Fkeras-team",[85,89,93,97,101],{"name":86,"color":87,"percentage":88},"Python","#3572A5",98.9,{"name":90,"color":91,"percentage":92},"Shell","#89e051",0.5,{"name":94,"color":95,"percentage":96},"Dockerfile","#384d54",0.3,{"name":98,"color":99,"percentage":100},"Makefile","#427819",0.2,{"name":102,"color":103,"percentage":104},"JavaScript","#f1e05a",0.1,9315,1402,"2026-04-03T05:10:48","Apache-2.0","","未说明",{"notes":112,"python":113,"dependencies":114},"AutoKeras 是一个基于 Keras 的自动机器学习（AutoML）系统。目前仅兼容 Python 3.7 及以上版本和 TensorFlow 2.8.0 及以上版本。具体安装细节可参考官方安装指南。",">=3.7",[115],"tensorflow>=2.8.0",[13],[118,119,120,121,122,123,124,125,126],"automl","neural-architecture-search","automated-machine-learning","python","deep-learning","machine-learning","autodl","tensorflow","keras","2026-03-27T02:49:30.150509","2026-04-06T07:14:55.339290",[130,135,140,145,150,154],{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},12686,"在 Windows 上运行 MNIST 示例时遇到 'NoneType' object has no attribute 'terminate' 错误如何解决？","这是一个在 Windows 环境下使用 multiprocessing（多进程）时常见的问题，通常与 Python 的启动方式有关。虽然该 Issue 被标记为不再修复（wontfix），但通用的解决思路是：在代码入口添加 `if __name__ == '__main__':` 保护块，并确保所有多进程相关的代码都在此块内执行。此外，检查是否严格安装了 `requirements.txt` 中指定的旧版依赖库，因为版本不匹配也可能导致多进程模块行为异常。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues\u002F311",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},12683,"运行 AutoKeras 示例代码（如 MPG 回归）时出现 ValueError 错误怎么办？","该问题通常是由 Keras Tuner 版本过低引起的。请确保将 `keras-tuner` 升级到 1.0.2 或更高版本，该版本已修复此 Bug。可以使用命令 `pip install --upgrade keras-tuner` 进行更新。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues\u002F1163",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},12684,"使用 pip 安装 AutoKeras 时提示找不到特定版本的 torch (PyTorch) 依赖怎么办？","这通常是因为环境中的 PyTorch 版本与 AutoKeras 要求的版本不匹配。建议不要直接混合使用 conda 和 pip 安装核心深度学习框架。推荐做法是：\n1. 使用 Conda 创建一个新的独立虚拟环境。\n2. 在该环境中，优先通过官方源安装 PyTorch，或者完全使用 pip 来统一安装所有依赖。\n3. 如果从 GitHub 源码安装，需先下载代码，然后运行 `pip install -r requirements.txt` 安装依赖，最后运行 `python setup.py install`。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues\u002F622",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},12685,"如何在 AutoKeras 中使用 Python 生成器（Generator）或 tf.data.Dataset 来训练大型数据集？","AutoKeras 的早期版本主要设计为接收内存中的数组数据，直接传入生成器可能会报错（如 'dataset should at least contain 2 instances'）。虽然社区有相关功能请求，但在标准用法中，建议先将数据转换为兼容的 `tf.data.Dataset` 格式并确保其可被正确迭代和分割。如果数据量过大无法载入内存，可能需要自定义数据加载逻辑或等待官方对生成器支持的进一步完善。目前变通方法是确保传入 `fit` 函数的对象符合内部 `_prepare_data` 的处理要求。","https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fissues\u002F984",{"id":151,"question_zh":152,"answer_zh":153,"source_url":139},12687,"AutoKeras 支持哪些类型的任务和数据格式？","根据现有示例和讨论，AutoKeras 主要支持图像分类、图像回归、文本分类以及结构化数据（表格数据）的回归和分类任务。对于结构化数据，输入通常为 pandas DataFrame 或 CSV 文件路径；对于图像任务，支持数组或特定的数据加载格式。用户在使用前应确认自己的数据类型是否匹配对应的任务类（如 ImageRegressor, StructuredDataClassifier 等）。",{"id":155,"question_zh":156,"answer_zh":157,"source_url":144},12688,"安装 AutoKeras 时遇到依赖冲突或找不到 requirements.txt 文件怎么办？","如果你是从 GitHub 克隆的最新代码仓库，可能直接在根目录找不到 `requirements.txt`，或者它位于特定的子目录中。此时建议：\n1. 查阅项目文档或 Wiki 获取最新的安装指南。\n2. 尝试直接使用 `pip install autokeras` 从 PyPI 安装稳定版，这会自动处理依赖。\n3. 如果必须使用开发版，请确保使用 Anaconda 或 Miniconda 创建隔离环境，并手动检查 `setup.py` 中的依赖列表进行安装。",[159,164,169,174,179,184,189,194,199,204,209,214,219,224,229,234,239,244,249,254],{"id":160,"version":161,"summary_zh":162,"released_at":163},63086,"2.0.0","## 重大变更\n\n* 需要 `keras>=3.0.0`，不再使用 `tf.keras`。\n* 移除了与结构化数据相关的任务，具体移除的公共 API 如下：\n  * `CategoricalToNumerical`\n  * `MultiCategoryEncoding`\n  * `StructuredDataInput`\n  * `StructuredDataBlock`\n  * `StructuredDataClassifier`\n  * `StructuredDataRegressor`\n* 移除了与时间序列相关的任务，具体移除的公共 API 如下：\n  * `TimeseriesInput`\n  * `TimeseriesForecaster`\n* 减少了文本相关任务的搜索空间，移除了以下模块：\n  * `Embedding`\n  * `TextToIntSequence`\n  * `TextToNgramVector`\n  * `Transformer`\n\n## 新贡献者\n* @nkovela1 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1851 中做出了首次贡献。\n* @berab 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1883 中做出了首次贡献。\n* @Red54 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1893 中做出了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.1.0...2.0.0","2024-03-20T21:24:21",{"id":165,"version":166,"summary_zh":167,"released_at":168},63087,"1.1.0","# 发布 v1.1.0\n\n## 破坏性变更\n\n* 仅当您在 AutoKeras 中显式使用 `BertTokenizer` 或 `BertEncoder` 时才会受到影响。如果您只使用 `BertBlock`、`TextClassifier` 或 `TextRegressor`，则不受影响。已移除 AutoKeras 对 `BertTokenizer` 和 `BertEncoder` 的实现，请改用 `keras-nlp` 的实现。\n\n## 错误修复\n* 现在也支持 `numpy>=1.24`。\n\n## 新贡献者\n* @Psyrbin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1779 中做出了首次贡献。\n* @buti1021 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1782 中做出了首次贡献。\n* @Owaiskhan9654 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1799 中做出了首次贡献。\n\n**完整更新日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.0.20...1.1.0","2023-01-28T18:28:09",{"id":170,"version":171,"summary_zh":172,"released_at":173},63085,"3.0.0","本次新版本发布将 AutoKeras 重新定位为一个适用于小型数据集、基于简单深度学习模型进行快速实验的便捷库，而非用于分布式环境的大规模训练库。\n\n## 变更内容\n* AutoKeras 现在支持 PyTorch、JAX 和 TensorFlow。推荐使用 PyTorch 作为后端。\n* 恢复了 `StructuredDataClassifier`、`StructuredDataRegressor`、`StructuredInput`、`StructuredDataBlock` 和 `Embedding` 组件。\n* 更新了官网文档。\n\n## 破坏性变更\n* 移除了 `BertBlock`。\n* 停止支持使用 `tensorflow.data.Dataset`、`pandas.DataFrame` 以及文件路径和列名字符串来指定训练\u002F验证\u002F预测数据集。目前仅支持 `numpy.ndarray` 格式。\n\n## 新贡献者\n* @fcolecumberri 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1929 中完成了首次贡献。\n* @mwtoews 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1930 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F2.0.0...3.0.0","2025-11-12T02:53:04",{"id":175,"version":176,"summary_zh":177,"released_at":178},63088,"1.0.20","## 亮点\n* 修复了一些小 bug，为新版本 KerasTuner 的发布做准备。\n\n## 变更内容\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1718 中将版本更新至 1.0.20dev\n* @Anselmoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1726 中修复了 #1725：自动为 issue 添加标签\n* @Anselmoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1739 中修复了 #1738：将 Python 和 TensorFlow 的发布页面关联起来\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1740 中更新了 actions.yml 文件\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1741 和 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1742 中修复了 tf-nightly 构建中断的问题\n* @dependabot 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1745 中将 black 从 22.3.0 升级到 22.6.0\n* @Anselmoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1757 中修复了 #1756：替换了错误的字符\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1760、https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1761 和 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1762 中更新了 settings.json 文件\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1764 中更新了 README 文件\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1766 中修复了序列化 block 参数时的 bug\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1767 中发布了 1.0.20 版本\n\n## 新贡献者\n* @dependabot 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1745 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.0.19...1.0.20","2022-08-31T16:47:06",{"id":180,"version":181,"summary_zh":182,"released_at":183},63089,"1.0.19","## 变更内容\n* 兼容 TensorFlow 2.9.0。\n* 支持将更多超参数作为块的参数。\n\n## 新贡献者\n* @LukeWood 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1702 中完成了首次贡献。\n* @ksohan 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1706 中完成了首次贡献。\n* @kutal10 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1708 中完成了首次贡献。\n* @NickSmyr 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1710 中完成了首次贡献。\n* @Neproxx 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1715 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.0.18...1.0.19","2022-04-30T05:35:07",{"id":185,"version":186,"summary_zh":187,"released_at":188},63090,"1.0.18","## 重要通知！\n请升级至 **TensorFlow 2.8.0** 和 **KerasTuner 1.1.0**，以使用此版本的 AutoKeras。\n## 变更内容\n* 由 @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1687 中修复了与 kt 1.1.0 的兼容性问题。\n\n## 新贡献者\n* @reedwm 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1675 中做出了首次贡献。\n\n**完整变更日志**：https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.0.17...1.0.18","2022-02-18T08:12:41",{"id":190,"version":191,"summary_zh":192,"released_at":193},63091,"1.0.17","## 变更内容\n* 由 @htbkoo 修复了 `docs` 中的失效链接\n* 适配 TensorFlow 2.8.0\n* 适配 KerasTuner 1.1.0\n\n## 新贡献者\n* @htbkoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1618 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.0.16...1.0.17","2022-02-03T00:06:06",{"id":195,"version":196,"summary_zh":197,"released_at":198},63092,"1.0.16.post1","* 如果未提供 `validation_data`，在 `.fit()` 函数中支持返回历史记录。\n* 将 TensorFlow 版本固定为 2.5.0 或更低版本。\n* 将 KerasTuner 版本固定为 1.0.x 且低于 1.1。","2021-11-02T00:16:03",{"id":200,"version":201,"summary_zh":202,"released_at":203},63093,"1.0.17rc1","## 变更内容\n* 由 @htbkoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1618 中修复了 `docs` 中的失效链接\n* 由 @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1634 中适配 tf-nightly\n* 由 @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1640 中适配 KerasTuner 1.1.0\n\n## 新贡献者\n* @htbkoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1618 中完成了首次贡献\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.0.16...1.0.17rc1","2021-10-20T06:37:31",{"id":205,"version":206,"summary_zh":207,"released_at":208},63094,"1.0.17rc0","* 暂时依赖 tf-nightly。\n\n## 变更内容\n* @htbkoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1618 中修复了 `docs` 中的失效链接。\n* @haifeng-jin 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1634 中适配了 tf-nightly。\n\n## 新贡献者\n* @htbkoo 在 https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1618 中完成了首次贡献。\n\n**完整变更日志**: https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fcompare\u002F1.0.16...1.0.17rc0","2021-10-18T08:51:38",{"id":210,"version":211,"summary_zh":212,"released_at":213},63095,"1.0.16","* Support returning history in `.fit()` function if `validation_data` is not provided.\r\n* Pin the TF version to 2.5.0 or lower.","2021-08-16T19:38:58",{"id":215,"version":216,"summary_zh":217,"released_at":218},63096,"1.0.15","* Adapt to KerasTuner 1.0.3.\r\n* Raise the minimum version requirement for KerasTuner to 1.0.3.","2021-06-17T22:23:15",{"id":220,"version":221,"summary_zh":222,"released_at":223},63097,"1.0.14","* Support TensorFlow 2.5.0.\r\n* Beta release of Timeseries Forecasting. [Tutorial](https:\u002F\u002Fautokeras.com\u002Ftutorial\u002Ftimeseries_forecaster\u002F)\r\n* More blocks support passing hyperparameters to arguments. Including BertBlock, RNNBlock, Transformer, and Embedding. [Code Example](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1408#issue-513508084)\r\n* Support `verbose` argument for `AutoModel.fit`, `AutoModel.predict`, and `AutoModel.evaluate`.\r\n* Move the download of weights of pretrained BERT to GitHub assets.","2021-05-31T22:37:48",{"id":225,"version":226,"summary_zh":227,"released_at":228},63098,"1.0.13","* Support TensorFlow 2.5.0.\r\n* Beta release of Timeseries Forecasting. [Tutorial](https:\u002F\u002Fautokeras.com\u002Ftutorial\u002Ftimeseries_forecaster\u002F)\r\n* More blocks support passing hyperparameters to arguments. Including BertBlock, RNNBlock, Transformer, and Embedding. [Code Example](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1408#issue-513508084)\r\n* Support `verbose` argument for `AutoModel.fit`, `AutoModel.predict`, and `AutoModel.evaluate`.","2021-05-16T03:59:49",{"id":230,"version":231,"summary_zh":232,"released_at":233},63099,"1.0.12","* Compatible with TensorFlow 2.4.\r\n* Support specify search space for `num_units`, `num_layers`, and `dropout` of DenseBlock. [Code Example](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1408#issue-513508084)\r\n* Support specify search space for `filters`, `num_blocks`, and `num_layers` of ConvBlock.\r\n* Add Keras Tuner to dependency to be installed automatically.\r\n* Bug fix for multi-model data `AutoModel.predict(...)`.","2020-11-30T02:29:49",{"id":235,"version":236,"summary_zh":237,"released_at":238},63100,"1.0.11","* Compatible with TensorFlow 2.4.\r\n* Support specify search space for `num_units`, `num_layers`, and `dropout` of DenseBlock. [Code Example](https:\u002F\u002Fgithub.com\u002Fkeras-team\u002Fautokeras\u002Fpull\u002F1408#issue-513508084)","2020-11-17T22:07:48",{"id":240,"version":241,"summary_zh":242,"released_at":243},63101,"1.0.10","* Reduces `batch_size` by 2 when running out of memory.\r\n* Add pretrained EfficientNet to the search space.\r\n* Support load data from disk. For more details, read our tutorials on the official [website](https:\u002F\u002Fautokeras.com\u002Ftutorial\u002Fload\u002F).\r\n* Put data type casting and reshaping into the exported Keras Model.\r\n* Fixed the bug of breaking when validation_data is a tf.data.Dataset instance.","2020-10-19T03:14:09",{"id":245,"version":246,"summary_zh":247,"released_at":248},63102,"1.0.9","* Improved text data performance by adding pretrained BERT model to the search space.\r\n* Added Adam optimizer with weight decay to the search space.","2020-09-27T08:10:41",{"id":250,"version":251,"summary_zh":252,"released_at":253},63103,"1.0.8","* Performance improvements for structured data classification and regression tasks.\r\n* Bug fix for not using the best number of epochs for the final model training when validation data is not provided.","2020-08-26T21:58:35",{"id":255,"version":256,"summary_zh":257,"released_at":258},63104,"1.0.7","* Bug fix for using multiple GPUs.\r\n* Bug fix for KeyError when searching for large number of trials.\r\n* Grammar fixes for error messages.","2020-08-23T17:56:35"]