一个用于自动化机器学习与调参的快速库

:fire: FLAML 支持在 Microsoft Fabric 数据科学 中进行 AutoML 和超参数调优。此外，我们还引入了对 Python 3.11 和 3.12 的支持，并新增了一系列估算器，同时与 MLflow 实现了全面集成——这得益于 Microsoft Fabric 产品团队的贡献。

:fire: 注意：AutoGen 已迁移到专门的 GitHub 仓库。FLAML 现已不再包含 autogen 模块，请直接使用 AutoGen。

FLAML 是什么

FLAML 是一个轻量级的 Python 库，用于高效自动化机器学习和 AI 操作。它能够基于大型语言模型、机器学习模型等自动执行工作流，并优化其性能。

• FLAML 能够在资源受限的情况下，经济高效地实现 ML/AI 工作流的自动化与调优，包括模型选择和超参数优化。
• 对于分类和回归等常见机器学习任务，FLAML 可以在计算资源有限的情况下，快速为用户提供高质量的模型。它易于自定义或扩展，用户可以在平滑的范围内找到所需的自定义程度。
• 它支持快速且经济高效的自动调优（例如，基础模型的推理超参数、MLOps/LMOps 工作流中的配置、管道、数学/统计模型、算法、计算实验、软件配置等），能够处理具有异构评估成本和复杂约束/指导条件/提前停止机制的大搜索空间。

FLAML 的背后是一系列来自微软研究院以及宾夕法尼亚州立大学、史蒂文斯理工学院、华盛顿大学和滑铁卢大学等合作机构的研究成果。

FLAML 在 ML.NET 中也有 .NET 实现，ML.NET 是一个面向 .NET 的开源跨平台机器学习框架。

安装

最新版本的 FLAML 需要 Python >= 3.10 且 < 3.14。虽然其他 Python 版本可能适用于核心组件，但无法保证完全支持所有模型。FLAML 可以通过 pip 安装：

pip install flaml

不带额外选项时会安装最小依赖项。您可以根据所需功能安装额外选项。例如，使用以下命令安装 automl 模块所需的依赖项。

pip install "flaml[automl]"

更多选项请参阅 安装指南。每个 notebook 示例 可能需要安装特定的选项。

快速入门

• 仅需三行代码，您就可以将这个经济高效、快速的 AutoML 引擎作为 scikit-learn 风格的估算器 使用。

from flaml import AutoML

automl = AutoML()
automl.fit(X_train, y_train, task="classification")

• 您可以限制使用的模型类型，将 FLAML 用作 XGBoost、LightGBM、随机森林等的快速超参数调优工具，或者作为 自定义估算器。

automl.fit(X_train, y_train, task="classification", estimator_list=["lgbm"])

• 您还可以针对 自定义函数 运行通用的超参数调优。

from flaml import tune

tune.run(
    evaluation_function, config={…}, low_cost_partial_config={…}, time_budget_s=3600
)

• 零样本 AutoML 允许您在使用 lightgbm、xgboost 等现有训练 API 的同时，享受 AutoML 带来的优势，为每项任务选择高性能的超参数配置。

from flaml.default import LGBMRegressor

# 以与 lightgbm.LGBMRegressor 相同的方式使用 LGBMRegressor。
estimator = LGBMRegressor()
# 超参数会根据训练数据自动设置。
estimator.fit(X_train, y_train)

文档

您可以在 这里 找到关于 FLAML 的详细文档。

此外，您还可以找到：

• 关于 FLAML 的研究和博客文章。

• Discord。

• 贡献指南。

• ML.NET 文档和教程，包括 Model Builder、ML.NET CLI 以及 AutoML API。

贡献

本项目欢迎贡献和建议。大多数贡献都需要您签署贡献者许可协议（CLA），声明您有权且确实将您的贡献使用权授予我们。有关详细信息，请访问 https://cla.opensource.microsoft.com。

如果您是 GitHub 新手，这里 提供了关于如何参与 GitHub 开发的详细帮助文档。

当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地为 PR 添加标记（例如状态检查、评论）。请按照机器人提供的指示操作即可。对于使用我们 CLA 的所有仓库，您只需执行一次此操作。

本项目已采用 微软开源行为准则。更多信息请参阅 行为准则常见问题解答，或如有任何其他问题或意见，请联系 opencode@microsoft.com。

贡献者墙

FLAML 快速上手指南

FLAML 是一个轻量级的 Python 库，旨在高效自动化机器学习（AutoML）和超参数调优过程。它能在资源受限的情况下，快速为分类、回归等任务找到高质量模型，并支持大语言模型推理参数调优及复杂工作流配置。

环境准备

• 操作系统：Windows, Linux, macOS
• Python 版本：要求 Python >= 3.10 且 < 3.14

  注意：虽然其他版本可能运行核心组件，但无法保证完整的模型支持。

• 前置依赖：无特殊系统级依赖，安装时会自动处理最小化 Python 依赖包。

安装步骤

推荐使用国内镜像源加速安装（如清华大学开源软件镜像站）。

1. 基础安装

仅安装核心功能，依赖最少：

pip install flaml -i https://pypi.tuna.tsinghua.edu.cn/simple

2. 按需安装扩展功能

根据具体使用场景安装额外依赖。例如，使用 AutoML 模块进行任务导向型自动机器学习：

pip install "flaml[automl]" -i https://pypi.tuna.tsinghua.edu.cn/simple

提示：不同的 Notebook 示例可能需要特定的扩展选项，请参考官方文档获取更多安装组合。

基本使用

FLAML 的使用非常简洁，以下是最常见的几种用法：

1. 快速启动 AutoML（三行代码）

像使用 scikit-learn 一样训练模型，自动完成模型选择和超参数调优：

from flaml import AutoML

automl = AutoML()
automl.fit(X_train, y_train, task="classification")

2. 指定模型进行调优

限制搜索范围，仅对特定算法（如 LightGBM）进行快速超参数调优：

automl.fit(X_train, y_train, task="classification", estimator_list=["lgbm"])

3. 自定义函数调优

对任意自定义函数进行通用的超参数搜索：

from flaml import tune

tune.run(
    evaluation_function, config={…}, low_cost_partial_config={…}, time_budget_s=3600
)

4. 零样本 AutoML (Zero-shot AutoML)

直接使用熟悉的 API（如 lightgbm），但自动获得针对当前数据集优化后的超参数配置：

from flaml.default import LGBMRegressor

# 用法与原生的 lightgbm.LGBMRegressor 完全一致
estimator = LGBMRegressor()
# 超参数会根据训练数据自动设定
estimator.fit(X_train, y_train)