FLAML下载 - FLAML源代码下载

FLAML

Python

v2.3.2

下载

用于自动化机器学习和调优的快速库

FLAML 支持 Microsoft Fabric Data Science 中的 AutoML 和超参数调整。此外，我们还引入了 Python 3.11 支持以及一系列新的估计器，以及与 MLflow 的全面集成——这要归功于 Microsoft Fabric 产品团队的贡献。

注意：我们已将 AutoGen 迁移到专用的 github 存储库中。除了这一举措之外，我们还推出了专用的 Discord 服务器和一个提供综合文档的网站。

AutoGen 中的自动化多代理聊天框架从 v2.0.0 开始提供预览版。

OpenAI 的食谱中重点介绍了 FLAML。

autogen 发布，支持 ChatGPT 和 GPT-4，基于用于大型语言模型生成推理的经济高效的超参数优化。

什么是 FLAML

FLAML 是一个轻量级 Python 库，用于高效自动化机器学习和 AI 操作。它基于大型语言模型、机器学习模型等自动化工作流程并优化其性能。

FLAML 可以轻松构建基于多代理对话的下一代 GPT-X 应用程序。它简化了复杂 GPT-X 工作流程的编排、自动化和优化。它最大限度地提高了 GPT-X 模型的性能并弥补了它们的弱点。
对于分类和回归等常见机器学习任务，它可以使用较低的计算资源快速找到用户提供的数据的质量模型。它很容易定制或扩展。用户可以从平滑的范围中找到他们想要的可定制性。
它支持快速且经济的自动调整（例如，基础模型的推理超参数、MLOps/LMOps工作流程中的配置、管道、数学/统计模型、算法、计算实验、软件配置），能够处理具有异构评估成本的大搜索空间和复杂的约束/指导/提前停止。

FLAML 由 Microsoft Research 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者的一系列研究提供支持。

FLAML 在 ML.NET 中具有 .NET 实现，ML.NET 是 .NET 的开源跨平台机器学习框架。

安装

FLAML 需要Python 版本 >= 3.8 。可以从 pip 安装：

 pip 安装 flaml

安装最少的依赖项，无需额外选项。您可以根据需要的功能安装额外的选项。例如，使用以下命令安装autogen包所需的依赖项。

 pip install "flaml[autogen]"

在安装中找到更多选项。每个notebook examples可能需要安装特定的选项。

快速入门

（新）autogen 包支持具有通用多代理对话框架的下一代 GPT-X 应用程序。它提供可定制和可对话的代理，集成了法学硕士、工具和人员。通过在多个有能力的代理之间自动进行聊天，人们可以轻松地让他们自主地或根据人工反馈集体执行任务，包括需要通过代码使用工具的任务。例如，

 from flaml import autogenassistant = autogen.AssistantAgent("assistant")user_proxy = autogen.UserProxyAgent("user_proxy")user_proxy.initiate_chat(assistant,message="显示截至今天 10 家最大科技公司的年初至今收益。",
)# 这会在两个代理之间启动自动聊天来解决任务

Autogen 还有助于最大限度地提高 ChatGPT 和 GPT-4 等昂贵的法学硕士的效用。它提供了openai.Completion或openai.ChatCompletion的直接替代品，具有强大的功能，如调整、缓存、模板、过滤。例如，您可以通过 LLM 使用您自己的调整数据、成功指标和预算来优化生成。

 # 执行调整配置，analysis = autogen.Completion.tune(data=tune_data,metric="success",mode="max",eval_func=eval_func,inference_budget=0.05,optimization_budget=3,num_samples=-1,
)# 对测试实例执行推理response = autogen.Completion.create(context=test_instance, **config)

只需三行代码，您就可以开始使用这个经济且快速的 AutoML 引擎作为 scikit-learn 风格的估计器。

 from flaml import AutoMLautoml = AutoML()automl.fit(X_train, y_train, 任务=“分类”)

您可以限制学习器并使用 FLAML 作为 XGBoost、LightGBM、随机森林等的快速超参数调整工具或自定义学习器。

 automl.fit(X_train, y_train, 任务=“分类”, estimator_list=[“lgbm”])

您还可以对自定义函数运行通用超参数调整。

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

零样本 AutoML 允许使用 lightgbm、xgboost 等现有的训练 API，同时在为每个任务选择高性能超参数配置方面获得 AutoML 的优势。

 from flaml.default import LGBMRegressor# 使用 LGBMRegressor 的方式与使用 lightgbm.LGBMRegressor.estimator = LGBMRegressor()# 根据训练数据自动设置超参数.estimator.fit(X_train, y_train)