[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-optuna--optuna-examples":3,"tool-optuna--optuna-examples":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":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":78,"owner_location":78,"owner_email":78,"owner_twitter":78,"owner_website":78,"owner_url":79,"languages":80,"stars":101,"forks":102,"last_commit_at":103,"license":104,"difficulty_score":105,"env_os":106,"env_gpu":107,"env_ram":108,"env_deps":109,"category_tags":122,"github_topics":123,"view_count":23,"oss_zip_url":78,"oss_zip_packed_at":78,"status":16,"created_at":131,"updated_at":132,"faqs":133,"releases":164},3121,"optuna\u002Foptuna-examples","optuna-examples","Examples for https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna","optuna-examples 是超参数自动优化框架 Optuna 的官方示例代码库，旨在帮助开发者快速上手并掌握其核心功能。面对机器学习模型调参过程繁琐、手动试错效率低下的痛点，该资源库提供了从基础数学函数优化到复杂深度学习场景的全方位代码参考。\n\n无论是刚接触自动化调参的新手，还是从事算法研究的专业人员，都能从中找到适合的场景模板。库中涵盖了 Scikit-learn、PyTorch、TensorFlow、XGBoost、LightGBM 以及 Hugging Face Transformers 等主流框架的集成示例，同时也包含多目标优化、带约束优化及强化学习等高级用法。\n\n其技术亮点在于不仅展示了如何定义目标函数，还详细演示了如何利用 Optuna 的“剪枝”（Pruning）机制提前终止表现不佳的试验以节省计算资源，以及如何自定义采样策略和停止条件。通过阅读这些结构清晰、即插即用的代码片段，用户可以轻松理解如何将自动化调优融入现有的工作流，从而更高效地挖掘模型潜力，提升实验迭代速度。","Optuna Examples\n================\n\nThis page contains a list of example codes written with Optuna.\n\n\u003Cdetails open>\n\u003Csummary>Simplest Codeblock\u003C\u002Fsummary>\n\n```python\nimport optuna\n\n\ndef objective(trial):\n    x = trial.suggest_float(\"x\", -100, 100)\n    return x ** 2\n\n\nif __name__ == \"__main__\":\n    study = optuna.create_study()\n    # The optimization finishes after evaluating 1000 times or 3 seconds.\n    study.optimize(objective, n_trials=1000, timeout=3)\n    print(f\"Best params is {study.best_params} with value {study.best_value}\")\n```\n\u003C\u002Fdetails>\n\n> [!NOTE]\n> If you are interested in a quick start of [Optuna Dashboard](https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-dashboard) with in-memory storage, please take a look at [this example](.\u002Fdashboard\u002Frun_server_simple.py).\n\n> [!TIP]\n> Couldn't find your usecase?\n> [FAQ](https:\u002F\u002Foptuna.readthedocs.io\u002Fen\u002Fstable\u002Ffaq.html) might be helpful for you to implement what you want.\n> In this example repository, you can also find the examples for the following scenarios:\n> 1. [Objective function with additional arguments](.\u002Fsklearn\u002Fsklearn_additional_args.py), which is useful when you would like to pass arguments besides `trial` to your objective function.\n>\n> 2. [Manually provide trials with sampler](.\u002Ffaq\u002Fenqueue_trial.py), which is useful when you would like to force certain parameters to be sampled.\n>\n> 3. [Callback to control the termination criterion of study](.\u002Ffaq\u002Fmax_trials_callback.py), which is useful when you would like to define your own termination criterion other than `n_trials` or `timeout`.\n\n## Examples for Diverse Problem Setups\n\nHere are the URLs to the example codeblocks to the corresponding setups.\n\n\u003Cdetails open>\n\u003Csummary>Simple Black-box Optimization\u003C\u002Fsummary>\n\n* [Quadratic Function](.\u002Fbasic\u002Fquadratic.py)\n* [Quadratic Multi-Objective Function](.\u002Fbasic\u002Fquadratic_multi_objective.py)\n* [Quadratic Function with Constraints](.\u002Fbasic\u002Fquadratic_constraint.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Multi-Objective Optimization\u003C\u002Fsummary>\n\n* [Optimization with BoTorch](.\u002Fmulti_objective\u002Fbotorch_simple.py)\n* [Optimization of Multi-Layer Perceptron with PyTorch](.\u002Fmulti_objective\u002Fpytorch_simple.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Machine Learning (Incl. LightGBMTuner and OptunaSearchCV)\u003C\u002Fsummary>\n\n* [AllenNLP](.\u002Fallennlp\u002Fallennlp_simple.py)\n* [AllenNLP (Jsonnet)](.\u002Fallennlp\u002Fallennlp_jsonnet.py)\n* [Catalyst](.\u002Fpytorch\u002Fcatalyst_simple.py)\n* [CatBoost](.\u002Fcatboost\u002Fcatboost_simple.py)\n* [Chainer](.\u002Fchainer\u002Fchainer_simple.py)\n* [ChainerMN](.\u002Fchainer\u002Fchainermn_simple.py)\n* [Dask-ML](.\u002Fdask_ml\u002Fdask_ml_simple.py)\n* [FastAI](.\u002Ffastai\u002Ffastai_simple.py)\n* [Haiku](.\u002Fhaiku\u002Fhaiku_simple.py)\n* [Keras](.\u002Fkeras\u002Fkeras_simple.py)\n* [LightGBM](.\u002Flightgbm\u002Flightgbm_simple.py)\n* [LightGBM Tuner](.\u002Flightgbm\u002Flightgbm_tuner_simple.py)\n* [PyTorch](.\u002Fpytorch\u002Fpytorch_simple.py)\n* [PyTorch Ignite](.\u002Fpytorch\u002Fpytorch_ignite_simple.py)\n* [PyTorch Lightning](.\u002Fpytorch\u002Fpytorch_lightning_simple.py)\n* [PyTorch Lightning (DDP)](.\u002Fpytorch\u002Fpytorch_lightning_ddp.py)\n* [RAPIDS](.\u002Frapids\u002Frapids_simple.py)\n* [Scikit-learn](.\u002Fsklearn\u002Fsklearn_simple.py)\n* [Scikit-learn OptunaSearchCV](.\u002Fsklearn\u002Fsklearn_optuna_search_cv_simple.py)\n* [Scikit-image](.\u002Fskimage\u002Fskimage_lbp_simple.py)\n* [SKORCH](.\u002Fpytorch\u002Fskorch_simple.py)\n* [Hugging Face Transformers](.\u002Ftransformers\u002Ftransformers_simple.py)\n* [Tensorflow](.\u002Ftensorflow\u002Ftensorflow_estimator_simple.py)\n* [Tensorflow (eager)](.\u002Ftensorflow\u002Ftensorflow_eager_simple.py)\n* [XGBoost](.\u002Fxgboost\u002Fxgboost_simple.py)\n\nIf you are looking for an example of reinforcement learning, please take a look at the following:\n* [Optimization of Hyperparameters for Stable-Baslines Agent](.\u002Frl\u002Fsb3_simple.py)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Pruning\u003C\u002Fsummary>\n\nThe following example demonstrates how to implement pruning logic with Optuna.\n\n* [Simple pruning (scikit-learn)](.\u002Fbasic\u002Fpruning.py)\n\nIn addition, integration modules are available for the following libraries, providing simpler interfaces to utilize pruning.\n\n* [Pruning with Catalyst Integration Module](.\u002Fpytorch\u002Fcatalyst_simple.py)\n* [Pruning with CatBoost Integration Module](.\u002Fcatboost\u002Fcatboost_pruning.py)\n* [Pruning with Chainer Integration Module](.\u002Fchainer\u002Fchainer_integration.py)\n* [Pruning with ChainerMN Integration Module](.\u002Fchainer\u002Fchainermn_integration.py)\n* [Pruning with FastAI Integration Module](.\u002Ffastai\u002Ffastai_simple.py)\n* [Pruning with Keras Integration Module](.\u002Fkeras\u002Fkeras_integration.py)\n* [Pruning with LightGBM Integration Module](.\u002Flightgbm\u002Flightgbm_integration.py)\n* [Pruning with PyTorch Integration Module](.\u002Fpytorch\u002Fpytorch_simple.py)\n* [Pruning with PyTorch Ignite Integration Module](.\u002Fpytorch\u002Fpytorch_ignite_simple.py)\n* [Pruning with PyTorch Lightning Integration Module](.\u002Fpytorch\u002Fpytorch_lightning_simple.py)\n* [Pruning with PyTorch Lightning Integration Module (DDP)](.\u002Fpytorch\u002Fpytorch_lightning_ddp.py)\n* [Pruning with Tensorflow Integration Module](.\u002Ftensorflow\u002Ftensorflow_estimator_integration.py)\n* [Pruning with XGBoost Integration Module](.\u002Fxgboost\u002Fxgboost_integration.py)\n* [Pruning with XGBoost Integration Module (Cross Validation Version)](.\u002Fxgboost\u002Fxgboost_cv_integration.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Samplers\u003C\u002Fsummary>\n\n* [Warm Starting CMA-ES](.\u002Fsamplers\u002Fwarm_starting_cma.py)\n\nIf you are interested in defining a user-defined sampler, here is an example:\n* [SimulatedAnnealingSampler](.\u002Fsamplers\u002Fsimulated_annealing_sampler.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Terminator\u003C\u002Fsummary>\n\n* [Optuna Terminator](.\u002Fterminator\u002Fterminator_simple.py)\n* [OptunaSearchCV with Terminator](.\u002Fterminator\u002Fterminator_search_cv.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Visualization\u003C\u002Fsummary>\n\n* [Visualizing Study](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Foptuna\u002Foptuna-examples\u002Fblob\u002Fmain\u002Fvisualization\u002Fplot_study.ipynb)\n* [Visualizing Study with HiPlot](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Foptuna\u002Foptuna-examples\u002Fblob\u002Fmain\u002Fhiplot\u002Fplot_study.ipynb)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>Distributed Optimization\u003C\u002Fsummary>\n\n* [Optimizing on Dask Cluster](.\u002Fdask\u002Fdask_simple.py)\n* [Optimizing on Kubernetes](.\u002Fkubernetes\u002FREADME.md)\n* [Optimizing with Ray's Joblib Backend](.\u002Fray\u002Fray_joblib.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>MLOps Platform\u003C\u002Fsummary>\n\n* [Tracking Optimization Process with aim](.\u002Faim\u002Faim_integration.py)\n* [Tracking Optimization Process with MLflow](.\u002Fmlflow\u002Fkeras_mlflow.py)\n* [Tracking Optimization Process with Weights & Biases](.\u002Fwandb\u002Fwandb_integration.py)\n* [Optimization with Hydra](.\u002Fhydra\u002Fsimple.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>External Projects Using Optuna\u003C\u002Fsummary>\n\n* [Hugging Face Trainer's Hyperparameter Search](https:\u002F\u002Fhuggingface.co\u002Fdocs\u002Ftransformers\u002Fmain\u002Fmain_classes\u002Ftrainer#transformers.Trainer.hyperparameter_search)\n* [Allegro Trains](https:\u002F\u002Fgithub.com\u002Fallegroai\u002Ftrains)\n* [BBO-Rietveld: Automated Crystal Structure Refinement](https:\u002F\u002Fgithub.com\u002Fquantumbeam\u002FBBO-Rietveld)\n* [Catalyst](https:\u002F\u002Fgithub.com\u002Fcatalyst-team\u002Fcatalyst)\n* [CuPy](https:\u002F\u002Fgithub.com\u002Fcupy\u002Fcupy)\n* [Hydra's Optuna Sweeper Plugin](https:\u002F\u002Fhydra.cc\u002Fdocs\u002Fnext\u002Fplugins\u002Foptuna_sweeper\u002F)\n* [Mozilla Voice STT](https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech)\n* [neptune.ai](https:\u002F\u002Fneptune.ai)\n* [OptGBM: A scikit-learn Compatible LightGBM Estimator with Optuna](https:\u002F\u002Fgithub.com\u002FY-oHr-N\u002FOptGBM)\n* [Optuna-distributed](https:\u002F\u002Fgithub.com\u002Fxadrianzetx\u002Foptuna-distributed)\n* [PyKEEN](https:\u002F\u002Fgithub.com\u002Fpykeen\u002Fpykeen)\n* [RL Baselines Zoo](https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Frl-baselines3-zoo)\n* [Hyperparameter Optimization for Machine Learning, Code Repository for Online Course](https:\u002F\u002Fgithub.com\u002Fsolegalli\u002Fhyperparameter-optimization)\n* [Property-guided molecular optimization using MolMIM with CMA-ES](https:\u002F\u002Fgithub.com\u002Folachinkei\u002FBioNeMo_WandB\u002Fblob\u002Fmain\u002FMolecule\u002F03_Molecule_LLM.ipynb)\n\u003C\u002Fdetails>\n\n> [!IMPORTANT]\n> PRs to add additional real-world examples or projects are welcome!\n\n### Running with Optuna's Docker images?\n\nOur Docker images for most examples are available with the tag ending with `-dev`.\nFor example, [PyTorch Simple](.\u002Fpytorch\u002Fpytorch_simple.py) can be run via:\n\n```bash\n$ docker run --rm -v $(pwd):\u002Fprj -w \u002Fprj optuna\u002Foptuna:py3.11-dev python pytorch\u002Fpytorch_simple.py\n```\n\nAdditionally, our visualization example can also be run on Jupyter Notebook by opening `localhost:8888` in your browser after executing the following:\n\n```bash\n$ docker run -p 8888:8888 --rm optuna\u002Foptuna:py3.11-dev jupyter notebook --allow-root --no-browser --port 8888 --ip 0.0.0.0 --NotebookApp.token='' --NotebookApp.password=''\n```\n","Optuna 示例\n================\n\n本页面包含使用 Optuna 编写的示例代码列表。\n\n\u003Cdetails open>\n\u003Csummary>最简单的代码块\u003C\u002Fsummary>\n\n```python\nimport optuna\n\n\ndef objective(trial):\n    x = trial.suggest_float(\"x\", -100, 100)\n    return x ** 2\n\n\nif __name__ == \"__main__\":\n    study = optuna.create_study()\n    # 优化将在评估1000次或3秒后结束。\n    study.optimize(objective, n_trials=1000, timeout=3)\n    print(f\"最佳参数为 {study.best_params}，对应的值为 {study.best_value}\")\n```\n\u003C\u002Fdetails>\n\n> [!注意]\n> 如果您想快速启动基于内存存储的 [Optuna Dashboard](https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-dashboard)，请查看[此示例](.\u002Fdashboard\u002Frun_server_simple.py)。\n\n> [!提示]\n> 没找到适合您的用例吗？\n> [常见问题解答](https:\u002F\u002Foptuna.readthedocs.io\u002Fen\u002Fstable\u002Ffaq.html) 可能对您实现所需功能有所帮助。\n> 在本示例仓库中，您还可以找到以下场景的示例：\n> 1. [带有额外参数的目标函数](.\u002Fsklearn\u002Fsklearn_additional_args.py)，当您希望向目标函数传递除 `trial` 之外的其他参数时非常有用。\n>\n> 2. [使用采样器手动提供试验](.\u002Ffaq\u002Fenqueue_trial.py)，当您希望强制某些参数被采样时非常有用。\n>\n> 3. [用于控制研究终止条件的回调函数](.\u002Ffaq\u002Fmax_trials_callback.py)，当您希望定义不同于 `n_trials` 或 `timeout` 的自定义终止条件时非常有用。\n\n## 多样化问题设置示例\n\n以下是对应设置的示例代码块的 URL。\n\n\u003Cdetails open>\n\u003Csummary>简单黑箱优化\u003C\u002Fsummary>\n\n* [二次函数](.\u002Fbasic\u002Fquadratic.py)\n* [二次多目标函数](.\u002Fbasic\u002Fquadratic_multi_objective.py)\n* [带约束的二次函数](.\u002Fbasic\u002Fquadratic_constraint.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>多目标优化\u003C\u002Fsummary>\n\n* [使用 BoTorch 进行优化](.\u002Fmulti_objective\u002Fbotorch_simple.py)\n* [使用 PyTorch 优化多层感知机](.\u002Fmulti_objective\u002Fpytorch_simple.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>机器学习（包括 LightGBMTuner 和 OptunaSearchCV）\u003C\u002Fsummary>\n\n* [AllenNLP](.\u002Fallennlp\u002Fallennlp_simple.py)\n* [AllenNLP (Jsonnet)](.\u002Fallennlp\u002Fallennlp_jsonnet.py)\n* [Catalyst](.\u002Fpytorch\u002Fcatalyst_simple.py)\n* [CatBoost](.\u002Fcatboost\u002Fcatboost_simple.py)\n* [Chainer](.\u002Fchainer\u002Fchainer_simple.py)\n* [ChainerMN](.\u002Fchainer\u002Fchainermn_simple.py)\n* [Dask-ML](.\u002Fdask_ml\u002Fdask_ml_simple.py)\n* [FastAI](.\u002Ffastai\u002Ffastai_simple.py)\n* [Haiku](.\u002Fhaiku\u002Fhaiku_simple.py)\n* [Keras](.\u002Fkeras\u002Fkeras_simple.py)\n* [LightGBM](.\u002Flightgbm\u002Flightgbm_simple.py)\n* [LightGBM 调参器](.\u002Flightgbm\u002Flightgbm_tuner_simple.py)\n* [PyTorch](.\u002Fpytorch\u002Fpytorch_simple.py)\n* [PyTorch Ignite](.\u002Fpytorch\u002Fpytorch_ignite_simple.py)\n* [PyTorch Lightning](.\u002Fpytorch\u002Fpytorch_lightning_simple.py)\n* [PyTorch Lightning (DDP)](.\u002Fpytorch\u002Fpytorch_lightning_ddp.py)\n* [RAPIDS](.\u002Frapids\u002Frapids_simple.py)\n* [Scikit-learn](.\u002Fsklearn\u002Fsklearn_simple.py)\n* [Scikit-learn OptunaSearchCV](.\u002Fsklearn\u002Fsklearn_optuna_search_cv_simple.py)\n* [Scikit-image](.\u002Fskimage\u002Fskimage_lbp_simple.py)\n* [SKORCH](.\u002Fpytorch\u002Fskorch_simple.py)\n* [Hugging Face Transformers](.\u002Ftransformers\u002Ftransformers_simple.py)\n* [Tensorflow](.\u002Ftensorflow\u002Ftensorflow_estimator_simple.py)\n* [Tensorflow（eager模式）](.\u002Ftensorflow\u002Ftensorflow_eager_simple.py)\n* [XGBoost](.\u002Fxgboost\u002Fxgboost_simple.py)\n\n如果您正在寻找强化学习的示例，请查看以下内容：\n* [Stable-Baselines 智能体超参数优化](.\u002Frl\u002Fsb3_simple.py)\n\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>剪枝\u003C\u002Fsummary>\n\n以下示例展示了如何使用 Optuna 实现剪枝逻辑。\n\n* [简单的剪枝（scikit-learn）](.\u002Fbasic\u002Fpruning.py)\n\n此外，针对以下库还提供了集成模块，以提供更简便的接口来利用剪枝功能：\n\n* [使用 Catalyst 集成模块进行剪枝](.\u002Fpytorch\u002Fcatalyst_simple.py)\n* [使用 CatBoost 集成模块进行剪枝](.\u002Fcatboost\u002Fcatboost_pruning.py)\n* [使用 Chainer 集成模块进行剪枝](.\u002Fchainer\u002Fchainer_integration.py)\n* [使用 ChainerMN 集成模块进行剪枝](.\u002Fchainer\u002Fchainermn_integration.py)\n* [使用 FastAI 集成模块进行剪枝](.\u002Ffastai\u002Ffastai_simple.py)\n* [使用 Keras 集成模块进行剪枝](.\u002Fkeras\u002Fkeras_integration.py)\n* [使用 LightGBM 集成模块进行剪枝](.\u002Flightgbm\u002Flightgbm_integration.py)\n* [使用 PyTorch 集成模块进行剪枝](.\u002Fpytorch\u002Fpytorch_simple.py)\n* [使用 PyTorch Ignite 集成模块进行剪枝](.\u002Fpytorch\u002Fpytorch_ignite_simple.py)\n* [使用 PyTorch Lightning 集成模块进行剪枝](.\u002Fpytorch\u002Fpytorch_lightning_simple.py)\n* [使用 PyTorch Lightning 集成模块进行剪枝（DDP）](.\u002Fpytorch\u002Fpytorch_lightning_ddp.py)\n* [使用 Tensorflow 集成模块进行剪枝](.\u002Ftensorflow\u002Ftensorflow_estimator_integration.py)\n* [使用 XGBoost 集成模块进行剪枝](.\u002Fxgboost\u002Fxgboost_integration.py)\n* [使用 XGBoost 集成模块进行剪枝（交叉验证版）](.\u002Fxgboost\u002Fxgboost_cv_integration.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>采样器\u003C\u002Fsummary>\n\n* [CMA-ES 热启动](.\u002Fsamplers\u002Fwarm_starting_cma.py)\n\n如果您有兴趣定义自定义采样器，这里有一个示例：\n* [模拟退火采样器](.\u002Fsamplers\u002Fsimulated_annealing_sampler.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>终止器\u003C\u002Fsummary>\n\n* [Optuna 终止器](.\u002Fterminator\u002Fterminator_simple.py)\n* [带有终止器的 OptunaSearchCV](.\u002Fterminator\u002Fterminator_search_cv.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>可视化\u003C\u002Fsummary>\n\n* [研究结果可视化](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Foptuna\u002Foptuna-examples\u002Fblob\u002Fmain\u002Fvisualization\u002Fplot_study.ipynb)\n* [使用 HiPlot 可视化研究结果](https:\u002F\u002Fcolab.research.google.com\u002Fgithub\u002Foptuna\u002Foptuna-examples\u002Fblob\u002Fmain\u002Fhiplot\u002Fplot_study.ipynb)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>分布式优化\u003C\u002Fsummary>\n\n* [在 Dask 集群上优化](.\u002Fdask\u002Fdask_simple.py)\n* [在 Kubernetes 上优化](.\u002Fkubernetes\u002FREADME.md)\n* [使用 Ray 的 Joblib 后端进行优化](.\u002Fray\u002Fray_joblib.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>MLOps 平台\u003C\u002Fsummary>\n\n* [使用 aim 跟踪优化过程](.\u002Faim\u002Faim_integration.py)\n* [使用 MLflow 跟踪优化过程](.\u002Fmlflow\u002Fkeras_mlflow.py)\n* [使用 Weights & Biases 跟踪优化过程](.\u002Fwandb\u002Fwandb_integration.py)\n* [使用 Hydra 进行优化](.\u002Fhydra\u002Fsimple.py)\n\u003C\u002Fdetails>\n\n\u003Cdetails open>\n\u003Csummary>使用 Optuna 的外部项目\u003C\u002Fsummary>\n\n* [Hugging Face Trainer 的超参数搜索](https:\u002F\u002Fhuggingface.co\u002Fdocs\u002Ftransformers\u002Fmain\u002Fmain_classes\u002Ftrainer#transformers.Trainer.hyperparameter_search)\n* [Allegro Trains](https:\u002F\u002Fgithub.com\u002Fallegroai\u002Ftrains)\n* [BBO-Rietveld：自动晶体结构精修](https:\u002F\u002Fgithub.com\u002Fquantumbeam\u002FBBO-Rietveld)\n* [Catalyst](https:\u002F\u002Fgithub.com\u002Fcatalyst-team\u002Fcatalyst)\n* [CuPy](https:\u002F\u002Fgithub.com\u002Fcupy\u002Fcupy)\n* [Hydra 的 Optuna Sweeper 插件](https:\u002F\u002Fhydra.cc\u002Fdocs\u002Fnext\u002Fplugins\u002Foptuna_sweeper\u002F)\n* [Mozilla Voice STT](https:\u002F\u002Fgithub.com\u002Fmozilla\u002FDeepSpeech)\n* [neptune.ai](https:\u002F\u002Fneptune.ai)\n* [OptGBM：兼容 scikit-learn 的 LightGBM 估计器，集成 Optuna](https:\u002F\u002Fgithub.com\u002FY-oHr-N\u002FOptGBM)\n* [Optuna-distributed](https:\u002F\u002Fgithub.com\u002Fxadrianzetx\u002Foptuna-distributed)\n* [PyKEEN](https:\u002F\u002Fgithub.com\u002Fpykeen\u002Fpykeen)\n* [RL Baselines Zoo](https:\u002F\u002Fgithub.com\u002FDLR-RM\u002Frl-baselines3-zoo)\n* [机器学习超参数优化，在线课程代码仓库](https:\u002F\u002Fgithub.com\u002Fsolegalli\u002Fhyperparameter-optimization)\n* [使用 MolMIM 结合 CMA-ES 进行属性引导的分子优化](https:\u002F\u002Fgithub.com\u002Folachinkei\u002FBioNeMo_WandB\u002Fblob\u002Fmain\u002FMolecule\u002F03_Molecule_LLM.ipynb)\n\u003C\u002Fdetails>\n\n> [!重要]\n> 欢迎提交 PR 添加更多真实世界中的示例或项目！\n\n### 使用 Optuna 的 Docker 镜像运行？\n\n我们大多数示例的 Docker 镜像都带有以 `-dev` 结尾的标签。例如，[PyTorch 简单示例](.\u002Fpytorch\u002Fpytorch_simple.py)可以通过以下命令运行：\n\n```bash\n$ docker run --rm -v $(pwd):\u002Fprj -w \u002Fprj optuna\u002Foptuna:py3.11-dev python pytorch\u002Fpytorch_simple.py\n```\n\n此外，我们的可视化示例也可以通过在浏览器中打开 `localhost:8888` 来在 Jupyter Notebook 中运行，只需执行以下命令：\n\n```bash\n$ docker run -p 8888:8888 --rm optuna\u002Foptuna:py3.11-dev jupyter notebook --allow-root --no-browser --port 8888 --ip 0.0.0.0 --NotebookApp.token='' --NotebookApp.password=''\n```","# Optuna Examples 快速上手指南\n\n本指南基于 `optuna-examples` 仓库，帮助中国开发者快速掌握 Optuna 超参数优化框架的核心用法。\n\n## 1. 环境准备\n\n*   **操作系统**：Linux, macOS, Windows\n*   **Python 版本**：推荐 Python 3.8 及以上版本\n*   **前置依赖**：\n    *   `pip` 包管理工具\n    *   （可选）Docker：若希望使用官方镜像运行示例，无需本地安装 Python 环境。\n\n> **国内加速建议**：\n> 在安装依赖时，推荐使用清华或阿里镜像源以提升下载速度：\n> ```bash\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple \u003Cpackage_name>\n> ```\n\n## 2. 安装步骤\n\n### 方式一：本地安装（推荐）\n\n安装 Optuna 核心库及常用依赖：\n\n```bash\npip install optuna\n```\n\n若需运行特定机器学习框架的示例（如 PyTorch, LightGBM, Scikit-learn 等），请额外安装对应库。例如：\n\n```bash\npip install scikit-learn lightgbm xgboost pytorch\n```\n\n### 方式二：使用 Docker 镜像\n\nOptuna 提供了包含常用依赖的官方开发镜像（标签以 `-dev` 结尾）。无需本地配置环境即可直接运行示例代码。\n\n```bash\n# 拉取并运行示例（以 PyTorch 简单示例为例）\ndocker run --rm -v $(pwd):\u002Fprj -w \u002Fprj optuna\u002Foptuna:py3.11-dev python pytorch\u002Fpytorch_simple.py\n```\n\n## 3. 基本使用\n\n以下是最简化的黑盒优化示例，展示了如何定义目标函数并启动优化研究。\n\n### 最简代码示例\n\n创建一个名为 `simple_optimize.py` 的文件，写入以下内容：\n\n```python\nimport optuna\n\n\ndef objective(trial):\n    # 在 -100 到 100 之间采样浮点数 x\n    x = trial.suggest_float(\"x\", -100, 100)\n    # 目标是最小化 x 的平方\n    return x ** 2\n\n\nif __name__ == \"__main__\":\n    # 创建研究对象\n    study = optuna.create_study()\n    \n    # 开始优化：最多尝试 1000 次 或 运行 3 秒后停止\n    study.optimize(objective, n_trials=1000, timeout=3)\n    \n    # 输出最佳结果\n    print(f\"Best params is {study.best_params} with value {study.best_value}\")\n```\n\n### 运行代码\n\n在终端执行：\n\n```bash\npython simple_optimize.py\n```\n\n### 预期输出\n\n程序将输出类似以下的最佳参数和最优值：\n\n```text\n[I 2023-10-27 10:00:00,000] Trial 0 finished with value: 1234.56...\n...\nBest params is {'x': 0.054321} with value 0.00295...\n```\n\n### 进阶场景提示\n\n`optuna-examples` 仓库涵盖了更多实际应用场景，您可以根据需求参考以下方向：\n\n*   **机器学习集成**：内置 Scikit-learn, PyTorch, LightGBM, XGBoost, TensorFlow, Hugging Face Transformers 等框架的专用示例。\n*   **多目标优化**：支持同时优化多个冲突目标（如准确率与模型大小）。\n*   **剪枝 (Pruning)**：自动终止表现不佳的试验，节省计算资源（支持各类主流深度学习框架）。\n*   **分布式优化**：支持在 Dask, Kubernetes, Ray 等集群环境下并行运行优化任务。\n*   **可视化与监控**：可结合 Optuna Dashboard, MLflow, Weights & Biases 等工具追踪优化过程。","某电商数据团队正在构建用户流失预测模型，急需在有限时间内为复杂的 XGBoost 和 LightGBM 算法找到最优超参数组合以提升准确率。\n\n### 没有 optuna-examples 时\n- 开发人员需从零编写繁琐的超参数搜索逻辑，反复调试 `suggest_float` 等 API 的具体用法，极易因语法错误导致实验中断。\n- 面对多框架集成（如 PyTorch 或 Scikit-learn）时，缺乏标准参考代码，不得不手动摸索如何将优化器嵌入现有的训练循环中。\n- 无法快速实现“剪枝”功能，导致模型在早期表现不佳时仍浪费大量算力继续训练，严重拖慢整体迭代速度。\n- 遇到传递额外参数或自定义终止条件等特殊需求时，只能盲目查阅分散的文档，排查问题耗时耗力。\n\n### 使用 optuna-examples 后\n- 直接复用仓库中现成的 XGBoost 和 LightGBM 示例代码，几分钟内即可搭建起健壮的超参数优化流程，大幅降低上手门槛。\n- 参考针对特定框架（如 PyTorch Lightning 或 Hugging Face Transformers）的集成模板，无缝将优化工具接入现有项目，避免重复造轮子。\n- 借鉴简单的剪枝实现案例，轻松配置早期停止策略，自动剔除劣质试验，将计算资源集中用于更有潜力的参数组合。\n- 通过查看“带额外参数的目标函数”等常见场景范例，迅速解决自定义需求，确保持续集成流程的稳定运行。\n\noptuna-examples 通过提供覆盖全场景的实战代码库，将超参数调优从“高门槛的定制开发”转变为“低成本的标准化流程”，显著提升了算法团队的研发效率。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Foptuna_optuna-examples_b235d38f.png","optuna","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Foptuna_f41f0caf.png","",null,"https:\u002F\u002Fgithub.com\u002Foptuna",[81,85,89,93,97],{"name":82,"color":83,"percentage":84},"Python","#3572A5",91.2,{"name":86,"color":87,"percentage":88},"Jupyter Notebook","#DA5B0B",7.3,{"name":90,"color":91,"percentage":92},"Jsonnet","#0064bd",0.7,{"name":94,"color":95,"percentage":96},"Shell","#89e051",0.6,{"name":98,"color":99,"percentage":100},"Dockerfile","#384d54",0.2,843,195,"2026-04-03T21:34:39","MIT",1,"Linux, macOS, Windows","非必需。仅在使用特定机器学习框架（如 PyTorch, TensorFlow, RAPIDS）的示例时可能需要，具体取决于所选示例和模型大小。","未说明。取决于具体运行的示例和优化任务的复杂度。",{"notes":110,"python":111,"dependencies":112},"这是一个包含多种示例的代码库，而非单一工具。运行环境需求完全取决于用户选择的具体示例脚本（例如：运行 PyTorch 示例需安装 torch，运行 LightGBM 示例需安装 lightgbm）。官方提供了带有 '-dev' 后缀的 Docker 镜像（如 optuna\u002Foptuna:py3.11-dev），其中预装了大多数示例所需的依赖，推荐使用 Docker 以避免环境配置冲突。部分高级功能（如分布式优化）需要额外的集群环境（Dask, Kubernetes, Ray）。","3.11 (基于 Docker 镜像标签 py3.11-dev 推断，通常支持 3.8+)",[75,113,114,115,116,117,118,119,120,121],"scikit-learn","pytorch","tensorflow","lightgbm","xgboost","catboost","transformers","mlflow","ray",[13],[124,125,126,127,128,129,130],"python","machine-learning","parallel","distributed","hyperparameter-optimization","examples","hacktoberfest","2026-03-27T02:49:30.150509","2026-04-06T06:45:32.979064",[134,139,144,149,154,159],{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},14394,"如何在 Stable Baselines 3 中结合 Optuna 使用多个 RL 环境（SubProcVecEnv）而不出现 BrokenPipe 错误？","在使用 `rl-baselines3-zoo` 进行超参数优化时，如果命令行参数设置了 `-optimize`，代码会自动将环境数量 `n_envs` 强制设置为 1。这是为了避免多进程与优化器冲突导致的 BrokenPipe 错误。\n\n相关代码逻辑如下：\n```python\nn_envs = 1 if self.algo == \"ars\" or self.optimize_hyperparameters else self.n_envs\n```\n因此，运行命令 `python -m rl_zoo3.train --algo a2c --env CartPole-v1 -optimize --vec-env subproc -n 5000` 可以正常工作，因为在优化模式下它实际上只使用了单个环境。","https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-examples\u002Fissues\u002F173",{"id":140,"question_zh":141,"answer_zh":142,"source_url":143},14395,"为什么修改 PyTorch 示例代码后，Optuna 研究（Study）在第一次试验后就结束了？","这通常是因为在调用 `study.optimize()` 时错误地指定了 `timeout` 参数，或者目标函数中的返回逻辑有问题。根据社区反馈，将 `timeout` 参数设置为 `None` 可以解决此问题，确保研究能够运行完整的试验次数而不是因超时提前终止。","https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-examples\u002Fissues\u002F34",{"id":145,"question_zh":146,"answer_zh":147,"source_url":148},14396,"optuna-examples 仓库是否支持 Python 3.11？","是的，除了 MXNet 外，所有主要示例都已支持 Python 3.11。需要注意的是，MXNet 项目已于 2023 年 11 月归档并停止开发，因此其示例不再更新以适配新的 Python 版本或修复与 numpy 的兼容性问题。其他框架如 PyTorch、LightGBM、CatBoost 等的示例均已通过 CI 验证支持 Python 3.11。","https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-examples\u002Fissues\u002F164",{"id":150,"question_zh":151,"answer_zh":152,"source_url":153},14397,"optuna-examples 仓库是否支持 Python 3.12？","大部分示例已支持 Python 3.12。例外情况是 `haiku` (dm-haiku) 示例，由于其上游仓库处于维护模式且 CI 尚未全面支持 Python 3.12，因此该特定示例暂未添加对 Python 3.12 的支持。其他主流库如 TensorFlow, PyTorch, XGBoost 等均已支持。","https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-examples\u002Fissues\u002F230",{"id":155,"question_zh":156,"answer_zh":157,"source_url":158},14398,"使用 Optuna 优化 Keras 模型进行交叉验证时，为什么模型在优化折叠上表现良好但在其他折叠上失败？","这通常是过拟合（Overfitting）或数据划分不当引起的。特别是使用患者数据等需要按主体（Subject）划分的数据集时，必须使用 `GroupKFold` 而不是普通的 `KFold`，以防止同一主体的数据同时出现在训练集和验证集中。\n\n如果替换为 `KFold` 后问题消失，说明是 `group_array` 设置不当导致数据泄露或分布不平衡。请确保在 `study.optimize` 的目标函数中正确传递了分组信息，并检查每个折叠的数据分布是否合理。","https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-examples\u002Fissues\u002F81",{"id":160,"question_zh":161,"answer_zh":162,"source_url":163},14399,"如何将 Jupyter Notebook 示例（.ipynb）纳入每日 CI 测试流程？","可以使用 `jupyter nbconvert` 工具将 `.ipynb` 文件转换为可执行的 Python 脚本（.py），然后将其纳入 CI 测试矩阵。例如，对于 `quickstart.ipynb`，可以通过执行转换命令生成对应的脚本文件，从而让 CI 系统能够像运行普通 Python 脚本一样运行和测试该示例。","https:\u002F\u002Fgithub.com\u002Foptuna\u002Foptuna-examples\u002Fissues\u002F3",[]]