FLAML

Perpustakaan Cepat untuk Pembelajaran & Penyetelan Mesin Otomatis

FLAML mendukung AutoML dan Hyperparameter Tuning di Microsoft Fabric Data Science. Selain itu, kami telah memperkenalkan dukungan Python 3.11, bersama dengan serangkaian estimator baru, dan integrasi komprehensif dengan MLflow—berkat kontribusi dari tim produk Microsoft Fabric.

Perhatian: Kami telah memigrasikan AutoGen ke repositori github khusus. Bersamaan dengan langkah ini, kami juga telah meluncurkan server Discord khusus dan situs web untuk dokumentasi komprehensif.

Kerangka kerja obrolan multi-agen otomatis di AutoGen dalam pratinjau mulai v2.0.0.

FLAML disorot dalam buku masak OpenAI.

autogen dirilis dengan dukungan untuk ChatGPT dan GPT-4, berdasarkan Pengoptimalan Hyperparameter Hemat Biaya untuk Inferensi Pembuatan Model Bahasa Besar.

Apa itu FLAML

FLAML adalah pustaka Python ringan untuk otomatisasi pembelajaran mesin dan operasi AI yang efisien. Ini mengotomatiskan alur kerja berdasarkan model bahasa besar, model pembelajaran mesin, dll. dan mengoptimalkan kinerjanya.

• FLAML memungkinkan pembuatan aplikasi GPT-X generasi berikutnya berdasarkan percakapan multi-agen dengan sedikit usaha. Ini menyederhanakan orkestrasi, otomatisasi, dan pengoptimalan alur kerja GPT-X yang kompleks. Ini memaksimalkan performa model GPT-X dan menambah kelemahannya.

• Untuk tugas pembelajaran mesin umum seperti klasifikasi dan regresi, mesin ini dengan cepat menemukan model berkualitas untuk data yang disediakan pengguna dengan sumber daya komputasi rendah. Sangat mudah untuk menyesuaikan atau memperluas. Pengguna dapat menemukan kemampuan penyesuaian yang mereka inginkan dari jarak yang mulus.

• Mendukung penyetelan otomatis yang cepat dan ekonomis (misalnya, hyperparameter inferensi untuk model dasar, konfigurasi dalam alur kerja MLOps/LMOps, pipeline, model matematika/statistik, algoritme, eksperimen komputasi, konfigurasi perangkat lunak), yang mampu menangani ruang pencarian besar dengan biaya evaluasi yang heterogen dan kendala/panduan/penghentian awal yang rumit.

FLAML didukung oleh serangkaian studi penelitian dari Microsoft Research dan kolaborator seperti Penn State University, Stevens Institute of Technology, University of Washington, dan University of Waterloo.

FLAML memiliki implementasi .NET di ML.NET, kerangka pembelajaran mesin lintas platform sumber terbuka untuk .NET.

Instalasi

FLAML memerlukan versi Python >= 3.8 . Itu dapat diinstal dari pip:

 pip instal api

Ketergantungan minimal diinstal tanpa opsi tambahan. Anda dapat menginstal opsi tambahan berdasarkan fitur yang Anda perlukan. Misalnya, gunakan yang berikut ini untuk menginstal dependensi yang diperlukan oleh paket autogen .

 pip instal "flaml[autogen]"

Temukan opsi lainnya di Instalasi. Masing-masing notebook examples mungkin memerlukan opsi spesifik untuk diinstal.

Mulai cepat

• (Baru) Paket autogen memungkinkan aplikasi GPT-X generasi berikutnya dengan kerangka percakapan multi-agen umum. Ia menawarkan agen yang dapat disesuaikan dan berkomunikasi yang mengintegrasikan LLM, alat, dan manusia. Dengan mengotomatiskan obrolan di antara beberapa agen yang mampu, seseorang dapat dengan mudah membuat mereka secara kolektif melakukan tugas secara mandiri atau dengan umpan balik manusia, termasuk tugas yang memerlukan penggunaan alat melalui kode. Misalnya,

 from flaml import autogenassistant = autogen.AssistantAgent("assistant")user_proxy = autogen.UserProxyAgent("user_proxy")user_proxy.initiate_chat(assistant,message="Tunjukkan perolehan YTD dari 10 perusahaan teknologi terbesar hingga hari ini.",
)# Ini memulai obrolan otomatis antara dua agen untuk menyelesaikan tugas

Autogen juga membantu memaksimalkan utilitas LLM mahal seperti ChatGPT dan GPT-4. Ia menawarkan pengganti openai.Completion atau openai.ChatCompletion dengan fungsi canggih seperti penyetelan, caching, templating, pemfilteran. Misalnya, Anda dapat mengoptimalkan generasi menurut LLM dengan data penyetelan, metrik keberhasilan, dan anggaran Anda sendiri.

 # melakukan konfigurasi penyetelan, analisis = autogen.Completion.tune(data=tune_data,metric="success",mode="max",eval_func=eval_func,inference_budget=0.05,optimization_budget=3,num_samples=-1,
)# melakukan inferensi untuk pengujian instanceresponse = autogen.Completion.create(context=test_instance, **config)

• Dengan tiga baris kode, Anda dapat mulai menggunakan mesin AutoML yang ekonomis dan cepat ini sebagai penaksir gaya scikit-learn.

 dari flaml import AutoMLautoml = AutoML()automl.fit(X_train, y_train, task="classification")

• Anda dapat membatasi pelajar dan menggunakan FLAML sebagai alat penyetelan hyperparameter cepat untuk XGBoost, LightGBM, Random Forest, dll. atau pelajar yang disesuaikan.

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

• Anda juga dapat menjalankan penyetelan hyperparameter generik untuk fungsi kustom.

 dari flaml import tunetune.run(evaluation_function, config={…}, low_cost_partial_config={…}, time_budget_s=3600)

• Zero-shot AutoML memungkinkan penggunaan API pelatihan yang ada dari lightgbm, xgboost, dll. sambil mendapatkan manfaat AutoML dalam memilih konfigurasi hyperparameter performa tinggi per tugas.

 from flaml.default import LGBMRegressor# Gunakan LGBMRegressor dengan cara yang sama seperti Anda menggunakan lightgbm.LGBMRegressor.estimator = LGBMRegressor()# Hyperparameter secara otomatis disetel sesuai dengan data pelatihan.estimator.fit(X_train, y_train)

Dokumentasi

Anda dapat menemukan dokumentasi rinci tentang FLAML di sini.

Selain itu, Anda dapat menemukan:

• Penelitian dan posting blog seputar FLAML.

• Perselisihan.

• Panduan berkontribusi.

• Dokumentasi dan tutorial ML.NET untuk Model Builder, ML.NET CLI, dan AutoML API.

Berkontribusi

Proyek ini menyambut baik kontribusi dan saran. Sebagian besar kontribusi mengharuskan Anda menyetujui Perjanjian Lisensi Kontributor (CLA) yang menyatakan bahwa Anda berhak, dan memang benar, memberi kami hak untuk menggunakan kontribusi Anda. Untuk detailnya, kunjungi https://cla.opensource.microsoft.com.

Jika Anda baru mengenal GitHub, berikut adalah sumber bantuan terperinci untuk terlibat dalam pengembangan di GitHub.

Saat Anda mengirimkan permintaan tarik, bot CLA akan secara otomatis menentukan apakah Anda perlu memberikan CLA dan menghiasi PR dengan tepat (misalnya, pemeriksaan status, komentar). Cukup ikuti instruksi yang diberikan oleh bot. Anda hanya perlu melakukan ini sekali di seluruh repo menggunakan CLA kami.

Proyek ini telah mengadopsi Kode Etik Sumber Terbuka Microsoft. Untuk informasi lebih lanjut lihat FAQ Pedoman Perilaku atau hubungi [email protected] jika ada pertanyaan atau komentar tambahan.

Dinding Kontributor