[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-tensorflow--adanet":3,"tool-tensorflow--adanet":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},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,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},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",151918,2,"2026-04-12T11:33:05",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},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。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":72,"owner_avatar_url":73,"owner_bio":74,"owner_company":75,"owner_location":75,"owner_email":76,"owner_twitter":75,"owner_website":77,"owner_url":78,"languages":79,"stars":96,"forks":97,"last_commit_at":98,"license":99,"difficulty_score":32,"env_os":100,"env_gpu":101,"env_ram":100,"env_deps":102,"category_tags":108,"github_topics":109,"view_count":32,"oss_zip_url":75,"oss_zip_packed_at":75,"status":17,"created_at":120,"updated_at":121,"faqs":122,"releases":151},6944,"tensorflow\u002Fadanet","adanet","Fast and flexible AutoML with learning guarantees.","AdaNet 是一个基于 TensorFlow 的轻量级框架，旨在通过自动化机器学习（AutoML）技术，以极少的人工干预快速构建高质量模型。它主要解决了传统神经网络开发中架构设计复杂、调参耗时以及难以平衡速度与性能的痛点，让开发者无需成为深度学习专家也能获得优异结果。\n\n该工具特别适合希望提升研发效率的机器学习工程师、数据科学家以及探索新型网络结构的研究人员。AdaNet 的独特之处在于其核心的自适应算法：它不仅能自动搜索最佳的神经网络架构，还能智能地将多个子网络组合成“集成模型”，从而在理论上保证学习效果的同时进一步提升精度。在训练过程中，AdaNet 会动态评估并冻结表现良好的子网络，仅对新加入的部分进行训练，这种机制既节省了计算资源，又实现了模型的渐进式优化。此外，它提供了兼容 Keras 和 Estimator 的熟悉接口，支持从回归到多分类等多种任务，并能灵活运行于 CPU、GPU 及 TPU 环境，帮助用户轻松将自动化建模流程集成到现有工作中。","# AdaNet\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_5d4744c59846.png\" alt=\"adanet_tangram_logo\">\u003Cbr>\u003Cbr>\n\u003C\u002Fdiv>\n\n[![Documentation Status](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_13d664e1afd7.png)](https:\u002F\u002Fadanet.readthedocs.io)\n[![PyPI version](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fadanet.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fadanet)\n[![Travis](https:\u002F\u002Ftravis-ci.org\u002Ftensorflow\u002Fadanet.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Ftensorflow\u002Fadanet)\n[![codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftensorflow\u002Fadanet\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftensorflow\u002Fadanet)\n[![Gitter](https:\u002F\u002Fbadges.gitter.im\u002Ftensorflow\u002Fadanet.svg)](https:\u002F\u002Fgitter.im\u002Ftensorflow\u002Fadanet?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)\n[![Downloads](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_ab3c42d02d86.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fadanet)\n[![License](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202.0-blue.svg)](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fblob\u002Fmaster\u002FLICENSE)\n\n**AdaNet** is a lightweight TensorFlow-based framework for automatically learning high-quality models with minimal expert intervention. AdaNet builds on recent AutoML efforts to be fast and flexible while providing learning guarantees. Importantly, AdaNet provides a general framework for not only learning a neural network architecture, but also for learning to ensemble to obtain even better models.\n\nThis project is based on the _AdaNet algorithm_, presented in “[AdaNet: Adaptive Structural Learning of Artificial Neural Networks](http:\u002F\u002Fproceedings.mlr.press\u002Fv70\u002Fcortes17a.html)” at [ICML 2017](https:\u002F\u002Ficml.cc\u002FConferences\u002F2017), for learning the structure of a neural network as an ensemble of subnetworks.\n\nAdaNet has the following goals:\n\n* _Ease of use_: Provide familiar APIs (e.g. Keras, Estimator) for training, evaluating, and serving models.\n* _Speed_: Scale with available compute and quickly produce high quality models.\n* _Flexibility_: Allow researchers and practitioners to extend AdaNet to novel subnetwork architectures, search spaces, and tasks.\n* _Learning guarantees_: Optimize an objective that offers theoretical learning guarantees.\n\nThe following animation shows AdaNet adaptively growing an ensemble of neural networks. At each iteration, it measures the ensemble loss for each candidate, and selects the best one to move onto the next iteration. At subsequent iterations, the blue subnetworks are frozen, and only yellow subnetworks are trained:\n\n\u003Cdiv align=\"center\" style=\"max-width: 450px; display: block; margin: 0 auto;\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_1f6b9d1cddc1.gif\" alt=\"adanet_tangram_logo\">\u003Cbr>\u003Cbr>\n\u003C\u002Fdiv>\n\nAdaNet was first announced on the Google AI research blog: \"[Introducing AdaNet: Fast and Flexible AutoML with Learning Guarantees](https:\u002F\u002Fai.googleblog.com\u002F2018\u002F10\u002Fintroducing-adanet-fast-and-flexible.html)\".\n\nThis is not an official Google product.\n\n## Features\n\nAdaNet provides the following AutoML features:\n\n * Adaptive neural architecture search and ensemble learning in a single train call.\n * Regression, binary and multi-class classification, and multi-head task support.\n * A [`tf.estimator.Estimator`](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Festimators) API for training, evaluation, prediction, and serving models.\n * The [`adanet.AutoEnsembleEstimator`](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fblob\u002Fmaster\u002Fadanet\u002Fautoensemble\u002Festimator.py) for learning to ensemble user-defined `tf.estimator.Estimators`.\n * The ability to define subnetworks that change structure over time using [`tf.layers`](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Flayers) via the [`adanet.subnetwork` API](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fblob\u002Fmaster\u002Fadanet\u002Fsubnetwork\u002Fgenerator.py).\n * CPU, GPU, and TPU support.\n * [Distributed multi-server training](https:\u002F\u002Fcloud.google.com\u002Fblog\u002Fproducts\u002Fgcp\u002Feasy-distributed-training-with-tensorflow-using-tfestimatortrain-and-evaluate-on-cloud-ml-engine).\n * TensorBoard integration.\n\n## Example\n\nA simple example of learning to ensemble linear and neural network models:\n\n```python\nimport adanet\nimport tensorflow as tf\n\n# Define the model head for computing loss and evaluation metrics.\nhead = MultiClassHead(n_classes=10)\n\n# Feature columns define how to process examples.\nfeature_columns = ...\n\n# Learn to ensemble linear and neural network models.\nestimator = adanet.AutoEnsembleEstimator(\n    head=head,\n    candidate_pool={\n        \"linear\":\n            tf.estimator.LinearEstimator(\n                head=head,\n                feature_columns=feature_columns,\n                optimizer=...),\n        \"dnn\":\n            tf.estimator.DNNEstimator(\n                head=head,\n                feature_columns=feature_columns,\n                optimizer=...,\n                hidden_units=[1000, 500, 100])},\n    max_iteration_steps=50)\n\nestimator.train(input_fn=train_input_fn, steps=100)\nmetrics = estimator.evaluate(input_fn=eval_input_fn)\npredictions = estimator.predict(input_fn=predict_input_fn)\n```\n\n## Getting Started\n\nTo get you started:\n\n- [API Documentation](https:\u002F\u002Fadanet.readthedocs.io)\n- [Tutorials: for understanding the AdaNet algorithm and learning to use this package](.\u002Fadanet\u002Fexamples\u002Ftutorials)\n\n## Requirements\n\nRequires [Python](https:\u002F\u002Fwww.python.org\u002F) 3.6 or above.\n\n`adanet` is built on TensorFlow 2.1. It depends on bug fixes and enhancements not present in TensorFlow releases prior to 2.1. You must install or upgrade your TensorFlow package to at least 2.1:\n\n```shell\n$ pip install \"tensorflow==2.1\"\n```\n\n## Installing with Pip\n\nYou can use the [pip package manager](https:\u002F\u002Fpip.pypa.io\u002Fen\u002Fstable\u002Finstalling\u002F) to install the official `adanet` package from [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fadanet\u002F):\n\n```shell\n$ pip install adanet\n```\n\n## Installing from Source\n\nTo install from source first you'll need to install `bazel` following their [installation instructions](https:\u002F\u002Fdocs.bazel.build\u002Fversions\u002Fmaster\u002Finstall.html).\n\nNext clone the `adanet` repository:\n\n```shell\n$ git clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\n$ cd adanet\n```\n\nFrom the `adanet` root directory run the tests:\n\n```shell\n$ bazel build -c opt \u002F\u002F...\n$ python3 -m nose\n```\n\nOnce you have verified that the tests have passed, install `adanet` from source as a [ pip package ](.\u002Fadanet\u002Fpip_package\u002FPIP.md).\n\nYou are now ready to experiment with `adanet`.\n\n```python\nimport adanet\n```\n\n## Citing this Work\n\nIf you use this AdaNet library for academic research, you are encouraged to cite the following paper from the [ICML 2019 AutoML Workshop](https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.00080):\n\n    @misc{weill2019adanet,\n        title={AdaNet: A Scalable and Flexible Framework for Automatically Learning Ensembles},\n        author={Charles Weill and Javier Gonzalvo and Vitaly Kuznetsov and Scott Yang and Scott Yak and Hanna Mazzawi and Eugen Hotaj and Ghassen Jerfel and Vladimir Macko and Ben Adlam and Mehryar Mohri and Corinna Cortes},\n        year={2019},\n        eprint={1905.00080},\n        archivePrefix={arXiv},\n        primaryClass={cs.LG}\n    }\n\n## License\n\nAdaNet is released under the [Apache License 2.0](LICENSE).\n","# AdaNet\n\n\u003Cdiv align=\"center\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_5d4744c59846.png\" alt=\"adanet_tangram_logo\">\u003Cbr>\u003Cbr>\n\u003C\u002Fdiv>\n\n[![文档状态](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_13d664e1afd7.png)](https:\u002F\u002Fadanet.readthedocs.io)\n[![PyPI版本](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fadanet.svg)](https:\u002F\u002Fbadge.fury.io\u002Fpy\u002Fadanet)\n[![Travis](https:\u002F\u002Ftravis-ci.org\u002Ftensorflow\u002Fadanet.svg?branch=master)](https:\u002F\u002Ftravis-ci.org\u002Ftensorflow\u002Fadanet)\n[![Codecov](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftensorflow\u002Fadanet\u002Fbranch\u002Fmaster\u002Fgraph\u002Fbadge.svg)](https:\u002F\u002Fcodecov.io\u002Fgh\u002Ftensorflow\u002Fadanet)\n[![Gitter](https:\u002F\u002Fbadges.gitter.im\u002Ftensorflow\u002Fadanet.svg)](https:\u002F\u002Fgitter.im\u002Ftensorflow\u002Fadanet?utm_source=badge&utm_medium=badge&utm_campaign=pr-badge)\n[![下载量](https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_ab3c42d02d86.png)](https:\u002F\u002Fpepy.tech\u002Fproject\u002Fadanet)\n[![许可证](https:\u002F\u002Fimg.shields.io\u002Fbadge\u002Flicense-Apache%202.0-blue.svg)](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fblob\u002Fmaster\u002FLICENSE)\n\n**AdaNet** 是一个基于 TensorFlow 的轻量级框架，旨在以最少的专家干预自动学习高质量模型。AdaNet 借鉴了近期的 AutoML 研究成果，在提供学习保证的同时，兼具快速性和灵活性。更重要的是，AdaNet 提供了一个通用框架，不仅可以学习神经网络架构，还可以学习集成方法，从而获得更优的模型。\n\n该项目基于 _AdaNet 算法_，该算法在 [ICML 2017](https:\u002F\u002Ficml.cc\u002FConferences\u002F2017) 上发表于论文“[AdaNet: 自适应结构化人工神经网络学习](http:\u002F\u002Fproceedings.mlr.press\u002Fv70\u002Fcortes17a.html)”，用于将神经网络结构学习为子网络的集成。\n\nAdaNet 的目标如下：\n\n* _易用性_: 提供熟悉的 API（如 Keras、Estimator），用于训练、评估和部署模型。\n* _速度_: 能够根据可用计算资源扩展，并快速生成高质量模型。\n* _灵活性_: 允许研究人员和从业者扩展 AdaNet，以支持新的子网络架构、搜索空间和任务。\n* _学习保证_: 优化具有理论学习保证的目标函数。\n\n以下动画展示了 AdaNet 自适应地增长神经网络集成的过程。在每一轮迭代中，它会评估每个候选子网络的集成损失，并选择最优的子网络进入下一轮迭代。在后续的迭代中，蓝色的子网络会被冻结，只有黄色的子网络会继续训练：\n\n\u003Cdiv align=\"center\" style=\"max-width: 450px; display: block; margin: 0 auto;\">\n  \u003Cimg src=\"https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_readme_1f6b9d1cddc1.gif\" alt=\"adanet_tangram_logo\">\u003Cbr>\u003Cbr>\n\u003C\u002Fdiv>\n\nAdaNet 最早由 Google AI 研究博客宣布：“[介绍 AdaNet：具备学习保证的快速灵活 AutoML](https:\u002F\u002Fai.googleblog.com\u002F2018\u002F10\u002Fintroducing-adanet-fast-and-flexible.html)”。\n\n本项目并非 Google 官方产品。\n\n## 功能特性\n\nAdaNet 提供以下 AutoML 功能：\n\n * 在一次训练调用中实现自适应神经架构搜索与集成学习。\n * 支持回归、二分类、多分类以及多头任务。\n * 提供 [`tf.estimator.Estimator`](https:\u002F\u002Fwww.tensorflow.org\u002Fguide\u002Festimators) API，用于训练、评估、预测和部署模型。\n * 提供 [`adanet.AutoEnsembleEstimator`](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fblob\u002Fmaster\u002Fadanet\u002Fautoensemble\u002Festimator.py)，用于学习集成用户定义的 `tf.estimator.Estimators`。\n * 可通过 [`adanet.subnetwork` API](https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fblob\u002Fmaster\u002Fadanet\u002Fsubnetwork\u002Fgenerator.py) 使用 [`tf.layers`](https:\u002F\u002Fwww.tensorflow.org\u002Fapi_docs\u002Fpython\u002Ftf\u002Flayers) 定义随时间改变结构的子网络。\n * 支持 CPU、GPU 和 TPU。\n * [分布式多服务器训练](https:\u002F\u002Fcloud.google.com\u002Fblog\u002Fproducts\u002Fgcp\u002Feasy-distributed-training-with-tensorflow-using-tfestimatortrain-and-evaluate-on-cloud-ml-engine)。\n * 集成 TensorBoard。\n\n## 示例\n\n一个简单的示例，用于学习集成线性模型和神经网络模型：\n\n```python\nimport adanet\nimport tensorflow as tf\n\n# 定义用于计算损失和评估指标的模型头部。\nhead = MultiClassHead(n_classes=10)\n\n# 特征列定义如何处理输入样本。\nfeature_columns = ...\n\n# 学习集成线性模型和神经网络模型。\nestimator = adanet.AutoEnsembleEstimator(\n    head=head,\n    candidate_pool={\n        \"linear\":\n            tf.estimator.LinearEstimator(\n                head=head,\n                feature_columns=feature_columns,\n                optimizer=...),\n        \"dnn\":\n            tf.estimator.DNNEstimator(\n                head=head,\n                feature_columns=feature_columns,\n                optimizer=...,\n                hidden_units=[1000, 500, 100])},\n    max_iteration_steps=50)\n\nestimator.train(input_fn=train_input_fn, steps=100)\nmetrics = estimator.evaluate(input_fn=eval_input_fn)\npredictions = estimator.predict(input_fn=predict_input_fn)\n```\n\n## 快速入门\n\n为了帮助您快速上手：\n\n- [API 文档](https:\u002F\u002Fadanet.readthedocs.io)\n- [教程：了解 AdaNet 算法并学习使用本包](.\u002Fadanet\u002Fexamples\u002Ftutorials)\n\n## 系统要求\n\n需要 [Python](https:\u002F\u002Fwww.python.org\u002F) 3.6 或更高版本。\n\n`adanet` 构建于 TensorFlow 2.1 之上。它依赖于 TensorFlow 2.1 之前版本中不存在的错误修复和功能增强。您必须安装或升级您的 TensorFlow 包至至少 2.1：\n\n```shell\n$ pip install \"tensorflow==2.1\"\n```\n\n## 使用 Pip 安装\n\n您可以使用 [pip 包管理器](https:\u002F\u002Fpip.pypa.io\u002Fen\u002Fstable\u002Finstalling\u002F) 从 [PyPi](https:\u002F\u002Fpypi.org\u002Fproject\u002Fadanet\u002F) 安装官方 `adanet` 包：\n\n```shell\n$ pip install adanet\n```\n\n## 从源码安装\n\n要从源码安装，首先需要按照他们的 [安装说明](https:\u002F\u002Fdocs.bazel.build\u002Fversions\u002Fmaster\u002Finstall.html) 安装 `bazel`。\n\n然后克隆 `adanet` 仓库：\n\n```shell\n$ git clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\n$ cd adanet\n```\n\n在 `adanet` 根目录下运行测试：\n\n```shell\n$ bazel build -c opt \u002F\u002F...\n$ python3 -m nose\n```\n\n确认测试通过后，即可将 `adanet` 作为 [pip 包](.\u002Fadanet\u002Fpip_package\u002FPIP.md) 从源码安装。\n\n现在您已经准备好开始使用 `adanet` 进行实验了。\n\n```python\nimport adanet\n```\n\n## 引用本工作\n\n如果您在学术研究中使用此 AdaNet 库，建议引用以下来自 [ICML 2019 AutoML Workshop](https:\u002F\u002Farxiv.org\u002Fabs\u002F1905.00080) 的论文：\n\n    @misc{weill2019adanet,\n        title={AdaNet: 一个可扩展且灵活的自动学习集成框架},\n        author={Charles Weill、Javier Gonzalvo、Vitaly Kuznetsov、Scott Yang、Scott Yak、Hanna Mazzawi、Eugen Hotaj、Ghassen Jerfel、Vladimir Macko、Ben Adlam、Mehryar Mohri、Corinna Cortes},\n        year={2019},\n        eprint={1905.00080},\n        archivePrefix={arXiv},\n        primaryClass={cs.LG}\n    }\n\n## 许可证\n\nAdaNet 采用 [Apache 2.0 许可证](LICENSE) 发布。","# AdaNet 快速上手指南\n\nAdaNet 是一个基于 TensorFlow 的轻量级框架，旨在通过最小的专家干预自动学习高质量模型。它不仅支持神经网络架构搜索，还能自适应地学习集成（Ensemble）多个子网络，从而获得更优的模型性能。\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**：3.6 或更高\n*   **TensorFlow 版本**：必须安装 **TensorFlow 2.1** 或更高版本（AdaNet 依赖该版本的特定修复和功能）。\n\n> **国内加速建议**：\n> 如果您在中国大陆，建议使用清华或阿里云镜像源加速 Python 包的安装：\n> ```shell\n> pip install -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple ...\n> ```\n\n## 安装步骤\n\n### 方法一：使用 Pip 安装（推荐）\n\n直接使用 pip 安装官方发布的稳定版本：\n\n```shell\npip install adanet\n```\n\n**注意**：如果尚未安装 TensorFlow 2.1+，请先执行以下命令升级或安装：\n\n```shell\npip install \"tensorflow==2.1\"\n```\n\n### 方法二：从源码安装\n\n如果您需要最新的功能或参与贡献，可以从 GitHub 克隆源码进行安装。此方法需要预先安装 [Bazel](https:\u002F\u002Fdocs.bazel.build\u002Fversions\u002Fmaster\u002Finstall.html)。\n\n1.  克隆仓库：\n    ```shell\n    git clone https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\n    cd adanet\n    ```\n\n2.  （可选）运行测试验证环境：\n    ```shell\n    bazel build -c opt \u002F\u002F...\n    python3 -m nose\n    ```\n\n3.  按照 `adanet\u002Fpip_package\u002FPIP.md` 中的说明构建并安装 pip 包。\n\n## 基本使用\n\nAdaNet 的核心功能是自动集成不同的候选模型（如线性模型和深度神经网络）。以下是一个最简单的示例，展示如何创建一个 `AutoEnsembleEstimator` 来同时训练线性模型和 DNN 模型，并让 AdaNet 自动选择最佳集成策略。\n\n```python\nimport adanet\nimport tensorflow as tf\nfrom tensorflow.estimator import Head # 注意：根据 TF 版本导入路径可能略有不同，此处示意逻辑\n\n# 1. 定义模型头（用于计算损失和评估指标，例如 10 类分类）\n# 实际使用时请根据具体 TF 版本调整 Head 的导入和初始化方式\nhead = tf.estimator.HeadForMultiClass(n_classes=10) \n\n# 2. 定义特征列 (Feature Columns)\n# feature_columns = [...] \n\n# 3. 创建 AutoEnsembleEstimator\n# candidate_pool 定义了待集成的候选模型池\nestimator = adanet.AutoEnsembleEstimator(\n    head=head,\n    candidate_pool={\n        \"linear\": tf.estimator.LinearEstimator(\n            head=head,\n            feature_columns=feature_columns,\n            optimizer=tf.optimizers.Adam(learning_rate=0.01)),\n        \"dnn\": tf.estimator.DNNEstimator(\n            head=head,\n            feature_columns=feature_columns,\n            optimizer=tf.optimizers.Adam(learning_rate=0.01),\n            hidden_units=[1000, 500, 100])\n    },\n    max_iteration_steps=50) # 最大迭代步数\n\n# 4. 训练模型\nestimator.train(input_fn=train_input_fn, steps=100)\n\n# 5. 评估模型\nmetrics = estimator.evaluate(input_fn=eval_input_fn)\n\n# 6. 进行预测\npredictions = estimator.predict(input_fn=predict_input_fn)\n```\n\n**核心逻辑说明**：\n*   AdaNet 会在每次迭代中评估候选池中的模型表现。\n*   它会自动决定是将新的子网络加入集成，还是冻结已有的子网络（如示意图中的蓝色部分），仅训练新加入的部分（黄色部分）。\n*   最终得到一个由多个子网络组成的、性能更优的集成模型。\n\n更多详细教程和 API 文档请访问 [AdaNet 官方文档](https:\u002F\u002Fadanet.readthedocs.io)。","某电商数据团队需要在有限时间内，为千万级用户行为数据构建高精度的点击率（CTR）预测模型以优化广告推荐。\n\n### 没有 adanet 时\n- **架构设计耗时**：资深算法工程师需花费数周手动尝试不同的神经网络层数和节点数，依赖经验“猜”结构，效率极低。\n- **集成学习复杂**：想要结合线性模型捕捉简单特征、深度模型捕捉复杂交互，需手动编写代码训练多个模型并设计加权策略，维护成本高。\n- **性能与理论脱节**：盲目堆叠模型层数容易导致过拟合，且缺乏理论保证，难以确认当前架构是否已达到最优收敛状态。\n- **资源浪费严重**：在 GPU 集群上反复进行无效的架构搜索实验，消耗大量算力却未必能得到比简单模型更好的结果。\n\n### 使用 adanet 后\n- **自动架构搜索**：adanet 在一次训练调用中自动探索并生长出最优的子网络结构，将原本数周的调参工作缩短至数小时。\n- **自适应集成建模**：工具自动将简单的线性子网与复杂的深度子网动态集成为单一模型，无需人工干预即可融合不同层次的特征表达能力。\n- **理论保证收敛**：基于 ICML 论文算法，adanet 在每一步迭代都提供学习理论保证，确保模型在泛化能力和拟合度之间找到数学上的最优解。\n- **算力高效利用**：通过冻结已选定的子网络参数仅训练新候选项，大幅减少重复计算，让现有的 GPU 资源能更快产出高质量模型。\n\nadanet 的核心价值在于将繁琐的神经网络架构设计与集成过程自动化，让团队能以最小的专家干预快速获得具备理论保障的高精度模型。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Ftensorflow_adanet_67d97d1f.png","tensorflow","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Ftensorflow_07ed5093.png","",null,"github-admin@tensorflow.org","http:\u002F\u002Fwww.tensorflow.org","https:\u002F\u002Fgithub.com\u002Ftensorflow",[80,84,88,92],{"name":81,"color":82,"percentage":83},"Jupyter Notebook","#DA5B0B",64,{"name":85,"color":86,"percentage":87},"Python","#3572A5",35,{"name":89,"color":90,"percentage":91},"Starlark","#76d275",1,{"name":93,"color":94,"percentage":95},"Shell","#89e051",0.1,3455,525,"2026-04-02T08:37:30","Apache-2.0","未说明","支持 GPU（非必需），具体型号、显存大小及 CUDA 版本未在文档中明确指定",{"notes":103,"python":104,"dependencies":105},"该工具基于 TensorFlow 2.1，必须安装或升级至此版本及以上。支持 CPU、GPU 和 TPU 环境。若从源码安装，需先安装 Bazel 构建工具。该项目并非 Google 官方产品。","3.6+",[106,107],"tensorflow==2.1","bazel",[14],[110,72,111,112,113,114,115,116,117,118,119],"automl","learning-theory","deep-learning","neural-architecture-search","gpu","machine-learning","ensemble","tpu","python","distributed-training","2026-03-27T02:49:30.150509","2026-04-13T04:23:00.867504",[123,128,133,138,143,147],{"id":124,"question_zh":125,"answer_zh":126,"source_url":127},31289,"在 Windows 上运行 AdaNet 时遇到 `TypeError: the JSON object must be str, not 'bytes'` 错误怎么办？","该问题通常是因为使用了 Python 3.5 或更低版本。在 Python 3.5 中，`gfile.read()` 返回的是字节（bytes），而 `json.loads()` 需要字符串（str）。解决方法是将 Python 升级到 3.6 或更高版本，因为从 Python 3.6 开始，`json.loads()` 已经支持直接接收字节作为输入。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fissues\u002F102",{"id":129,"question_zh":130,"answer_zh":131,"source_url":132},31290,"导入 AdaNet 时出现 `ImportError: cannot import name 'report_pb2'` 错误如何解决？","如果您是通过 PyPi 安装（`pip install adanet`），请确保版本为 v0.5.0 或更高，该问题已修复。如果您是从源码（master 分支）构建，则需要先使用 Bazel 构建，然后手动将生成的 proto 文件复制到指定目录。具体步骤如下：\n1. 运行构建命令：`bazel build -c opt \u002F\u002F... --local_resources 2048,.5,1.0`\n2. 复制生成的文件：`cp bazel-genfiles\u002Fadanet\u002Fcore\u002Freport_pb2.py adanet\u002Fcore`\n或者，您也可以使用 protoc 工具手动生成缺失的文件：`protoc --python_out=.\u002F report.proto`。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fissues\u002F6",{"id":134,"question_zh":135,"answer_zh":136,"source_url":137},31291,"AdaNet 是否支持 `MirroredStrategy` 或其他分布式训练策略？","目前 AdaNet 尚不支持 TensorFlow 的分布式策略（Distribution Strategies），因此在使用 `MirroredStrategy` 时会报错。\n- 如果您的 GPU 位于本地工作站上，无需启用分布式模式，TensorFlow 会自动将操作分配给可用的 GPU。\n- 如果确实需要分布式训练，可以参考社区提供的示例代码来配置 `TF_CONFIG` 环境变量，但需注意原生支持尚未完善。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fissues\u002F76",{"id":139,"question_zh":140,"answer_zh":141,"source_url":142},31292,"运行 TPU 教程（adanet_tpu.ipynb）时在评估阶段失败并报错 `AbortedError: Session ... is not found` 怎么办？","这是旧版本中的一个已知问题。请升级 AdaNet 到最新版本（v0.8.0 或更高）以修复此错误。升级命令为：`pip install adanet -U`。\n升级后，如果在 Colab 等环境中运行教程，建议将评估参数设置为 `eval_on_tpu=False`，这样可以避免会话丢失的问题并正常运行。","https:\u002F\u002Fgithub.com\u002Ftensorflow\u002Fadanet\u002Fissues\u002F123",{"id":144,"question_zh":145,"answer_zh":146,"source_url":137},31293,"如何在多 GPU 环境下正确配置 AdaNet 进行训练？","对于本地多 GPU 工作站，不需要显式配置分布式模式。TensorFlow 会自动检测并将操作分配给所有可用的 GPU。只有在需要进行跨机器分布式训练时，才需要配置 `TF_CONFIG` 环境变量。由于 AdaNet 原生暂不支持 `Distribution Strategies`，请避免强行使用 `MirroredStrategy`，而是依赖 TensorFlow 默认的 GPU 分配机制或参考社区提供的 `TF_CONFIG` 配置示例。",{"id":148,"question_zh":149,"answer_zh":150,"source_url":132},31294,"从源码构建 AdaNet 时缺少 `report_pb2.py` 文件该怎么办？","该文件是协议缓冲区（protobuf）生成的 Python 文件。如果您没有使用完整的 Bazel 构建流程，可以手动使用 `protoc` 编译器生成它。请在包含 `report.proto` 文件的目录下运行以下命令：\n`protoc --python_out=.\u002F report.proto`\n这将生成 `report_pb2.py` 文件，将其放置在 `adanet\u002Fcore` 目录下即可解决导入错误。",[152,157,162,167,172,177,182,187,192,197,202],{"id":153,"version":154,"summary_zh":155,"released_at":156},231000,"v0.9.0","* 停止对 TensorFlow 1.* 的支持。仅支持 TensorFlow >= 2.1。\n* 停止对 Python 2.* 的支持。仅支持 Python >= 3.6。\n* 保留 `PredictionOutput` 中不在 `best_export_outputs` 中的输出。\n* 为 Adanet 的 `Estimator` 添加 `warm_start` 支持。\n* 增加了在 TPU 上进行预测\u002F服务的支持。\n* 引入对 `AutoEnsembleTPUEstimator` 的支持。\n* 引入实验性的 `adanet.experimental` Keras ModelFlow API。\n* 使用简单的序列化 JSON 替代 `reports.proto`。不再依赖 Protocol Buffers。","2020-07-09T20:53:28",{"id":158,"version":159,"summary_zh":160,"released_at":161},231001,"v0.8.0","* 添加对 TensorFlow 2.0 的支持。\n* 开始开发用于自动集成的实验性 Keras API。\n* 支持需要从磁盘读写数据的高级子网络和子评估器，为其在 `model_dir` 中分配一个专用子目录。\n* 修复分布式训练中并行评估时的竞态条件。\n* 支持子网络钩子请求提前停止。\n* 增加 AdaNet 回放功能。无需再次确定当前轮次的最佳候选模型，即可重新运行训练。AdaNet 会使用上一轮运行中提供的最佳索引列表，并予以优先考虑。\n* 引入 `adanet.ensemble.MeanEnsembler`，提供一种简单的实现方式，用于计算子网络 logits 的平均值。该实现还支持将 last_layer 的平均值（当子网络配置相同时非常有用）纳入 EstimatorSpec 的 `predictions` 和 `export_outputs` 中。\n* **重大变更**：AdaNet 现在在选择最佳集成模型时支持任意指标。为此，`adanet.Evaluator` 的接口发生了变化。`Evaluator.evaluate_adanet_losses(sess, adanet_losses)` 函数已被替换为 `Evaluator.evaluate(sess, ensemble_metrics)`。`ensemble_metrics` 参数包含每个候选集成模型的所有已计算指标以及 `adanet_loss`。重写了 `evaluate_adanet_losses` 方法的代码必须迁移到新的 `evaluate` 方法（我们预计这种情况非常少见）。\n* 允许用户指定 AdaNet 的最大迭代次数。\n* **重大变更**：当提供了 `Evaluator` 时，将在 `Estimator#evaluate`、`Estimator#predict` 和 `Estimator#export_saved_model` 之前先运行 `adanet.Evaluator`。这可能会导致最终轮次选择的最佳候选模型发生变化。过去，在评估、预测和导出 SavedModel 时，系统会使用训练过程中收集的 adanet_loss 移动平均值来确定最佳候选模型；而未完成训练的一组候选集成模型则会根据 adanet_loss 来评判。现在，如果用户传入一个使用验证集的 Evaluator，AdaNet 将在进行预测或导出 SavedModel 之前先运行该 Evaluator，以基于验证集选择最佳的新候选模型。\n* 在评估过程中支持 `tf.keras.metrics.Metrics`。\n* 允许用户禁用摘要输出，以减少内存和磁盘占用。\n* 在装袋过程中抛出 `OutOfRangeError` 时，停止单个子网络的训练。\n* 如果 `max_steps` 和 `steps` 均为 `None`，则无限期持续训练。","2019-10-02T17:31:01",{"id":163,"version":164,"summary_zh":165,"released_at":166},231002,"v0.7.0","* 通过 `TPUEmbedding` 在 TPU 上添加嵌入支持。\n* 当 `max_iteration_steps=None` 时，无限期地训练当前迭代。\n* 引入 `adanet.AutoEnsembleSubestimator`，用于在不同的训练数据分区上训练子模型，并实现如自助法聚合（即 bagging）等集成方法。\n* 修复在分布式训练中将梯度提升决策树估计器与 `AutoEnsembleEstimator` 一起使用时的 bug。\n* 允许 `AutoEnsembleEstimator` 的 `candidate_pool` 参数为 `lambda` 函数，以便惰性地创建 `Estimator`。\n* 移除抽象类中的 `adanet.subnetwork.Builder#prune_previous_ensemble` 方法。该行为现通过 `adanet.ensemble.Strategy` 的子类来指定。\n* **破坏性变更**：仅支持 TensorFlow >= 1.14，以更好地支持 TensorFlow 2.0；不再支持 1.14 以下版本。\n* 修正 CPU 和 GPU 上的评估指标计算。","2019-06-26T20:41:29",{"id":168,"version":169,"summary_zh":170,"released_at":171},231003,"v0.6.2","* 修复 `adanet.AutoEnsembleEstimator` 中的 n+1 次全局步数递增 bug。该 bug 会导致对于 n 个预构建的 `Estimator`（如 `DNNEstimator`），全局步数 global_step 被错误地增加 n+1 次。","2019-04-29T23:01:09",{"id":173,"version":174,"summary_zh":175,"released_at":176},231004,"v0.6.1","* 保持与 TensorFlow 1.9 及以上版本的兼容性。","2019-03-29T15:47:55",{"id":178,"version":179,"summary_zh":180,"released_at":181},231005,"v0.6.0","* 正式支持在 TPU 上使用 `adanet.TPUEstimator` 运行 AdaNet，且功能与 `adanet.Estimator` 完全一致。\n* 在 `adanet.AutoEnsembleEstimator` 构造函数中支持字典类型的候选模型池，以便指定易于理解的候选模型名称。\n* 改进了 AutoEnsembleEstimator 对自定义 `tf.estimator.Estimator` 子类的处理能力。\n* 引入了 `adanet.ensemble` 模块，其中包含使用 AdaNet 学习集成模型的相关接口和示例。用户现在可以扩展 AdaNet，以使用自定义的集成学习方法。\n* 在训练过程中，于 TPU 上记录 TensorBoard 的 `scalar`、`image`、`histogram` 和 `audio` 摘要。\n* 添加了调试模式，以帮助检测训练过程中出现的 NaN 和 Inf 值。\n* 改进了子网络对 `tf.train.SessionRunHook` 的支持，以更好地处理更多边缘情况。\n* ~~保持与 TensorFlow 1.9 至 1.13 版本的兼容性~~ 现仅支持 TensorFlow 1.13 及以上版本。**已在 AdaNet v0.6.1 中修复。**\n* 完善了文档，包括在 [adanet.readthedocs.io](http:\u002F\u002Fadanet.readthedocs.io) 上新增“入门指南”文档。\n* **重大变更**：不再支持使用 `from adanet.core import subnetwork` 导入 `adanet.subnetwork` 包，因为该包已被移动到 `adanet\u002Fsubnetwork` 目录下。大多数用户应该已经在使用 `adanet.subnetwork` 或 `from adanet import subnetwork`，因此不应受到影响。","2019-03-28T02:22:10",{"id":183,"version":184,"summary_zh":185,"released_at":186},231006,"v0.5.0","* 支持使用 `adanet.TPUEstimator` 在 TPU 上进行训练。\n* 允许子网络通过 `adanet.subnetwork.TrainOpSpec` 指定 `tf.train.SessionRunHook` 实例，以用于训练。\n* 添加了使用 Sphinx 生成 API 文档的功能。\n* 修复了一个 bug，该 bug 导致包含资源变量的子网络在第一次迭代之后无法正常工作。","2018-12-17T23:18:21",{"id":188,"version":189,"summary_zh":190,"released_at":191},231007,"v0.4.0","* 向 `adanet.Subnetwork` 添加 `shared` 字段，以弃用并替换 `persisted_tensors`，同时提供更高的灵活性。\n* 正式支持带字典标签或不带字典标签的多头学习。\n* 在 Python 中跨迭代重建集成模型，无需使用冻结图。这使得用户可以在迭代之间共享更多内容，包括 Python 原生类型、对象和 lambda 函数，从而获得更高的灵活性。同时，不再依赖 `MetaGraphDef` 协议缓冲区也消除了 I\u002FO 操作，进而加快训练速度，并提高代码的未来兼容性。\n* 允许用户在构造 `adanet.Estimator` 时传入自定义评估指标。\n* 添加 `adanet.AutoEnsembleEstimator`，用于学习如何集成多个 `tf.estimator.Estimator` 实例。\n* 将标签传递给 `adanet.subnetwork.Builder` 的 `build_subnetwork` 方法。\n* `TRAINABLE_VARIABLES` 收集器将仅包含与当前 `adanet.subnetwork.Builder` 相关的变量；因此，如果未向 `optimizer.minimize` 传递 `var_list`，其行为将与默认情况下传递该列表时相同。\n* 现在，在 `adanet.subnetwork.Builder` 内部使用 `tf.summary` 与使用 `adanet.Summary` 对象等效。\n* 从 `adanet.subnetwork.Builder` 内部访问 `global_step` 将返回 `iteration_step` 变量，从而使每个迭代开始时步数从零重新计数。单个子网络递增步数不会影响其他子网络。\n* 总结信息会自动限定为当前子网络的作用域。这样，在 TensorBoard 中，不同子网络之间的相似总结将被正确地分组在一起。这消除了对 `tf.name_scope(\"\")`  hack 的需求。\n* 提供一个覆盖选项，以强制 AdaNet 集成模型在每次迭代结束时继续增长。\n* 在迭代之间正确地对 TensorFlow 图进行随机种子初始化。这会导致一些检查 `adanet.Estimator` 模型输出的测试失败。","2018-11-30T00:05:39",{"id":193,"version":194,"summary_zh":195,"released_at":196},231008,"v0.3.0","* 添加对 tf.keras.layers 的官方支持。\n* 修复了一个错误，该错误会在迭代之间错误地修剪共同放置约束。","2018-11-07T19:32:56",{"id":198,"version":199,"summary_zh":200,"released_at":201},231009,"v0.2.0","* 估算器在训练模式下不再创建评估指标操作。\n* 冻结器不再将变量转换为常量，从而使 AdaNet 能够处理大于 2GB 的变量。\n* 修复了 Python 3 中的一些错误。","2018-11-02T15:12:06",{"id":203,"version":204,"summary_zh":205,"released_at":206},231010,"v0.1.0"," * Initial AdaNet release.","2018-10-23T00:25:11"]