FLAML下載 - FLAML原始碼下載

FLAML

Python

v2.3.2

下載

用於自動化機器學習和調優的快速庫

FLAML 支援 Microsoft Fabric Data Science 中的 AutoML 和超參數調整。此外，我們還引入了 Python 3.11 支援以及一系列新的估計器，以及與 MLflow 的全面整合——這要歸功於 Microsoft Fabric 產品團隊的貢獻。

注意：我們已將 AutoGen 移轉到專用的 github 儲存庫。除了這項措施之外，我們還推出了專用的 Discord 伺服器和一個提供綜合文件的網站。

AutoGen 中的自動化多代理聊天框架從 v2.0.0 開始提供預覽版。

OpenAI 的食譜中重點介紹了 FLAML。

autogen 發布，支援 ChatGPT 和 GPT-4，基於用於大型語言模型生成推理的經濟高效的超參數最佳化。

什麼是 FLAML

FLAML 是一個輕量級 Python 函式庫，用於高效自動化機器學習和 AI 操作。它基於大型語言模型、機器學習模型等自動化工作流程並優化其效能。

FLAML 可以輕鬆建立基於多代理對話的下一代 GPT-X 應用程式。它簡化了複雜 GPT-X 工作流程的編排、自動化和最佳化。它最大限度地提高了 GPT-X 模型的性能並彌補了它們的弱點。
對於分類和回歸等常見機器學習任務，它可以使用較低的計算資源快速找到使用者提供的資料的品質模型。它很容易定製或擴展。用戶可以從平滑的範圍中找到他們想要的可自訂性。
它支援快速且經濟的自動調整（例如，基礎模型的推理超參數、MLOps/LMOps工作流程中的配置、管道、數學/統計模型、演算法、計算實驗、軟體配置），能夠處理具有異質評估成本的大搜尋空間和複雜的約束/指導/提前停止。

FLAML 由 Microsoft Research 以及賓州州立大學、史蒂文斯理工學院、華盛頓大學和滑鐵盧大學等合作者的一系列研究提供支援。

FLAML 在 ML.NET 中具有 .NET 實現，ML.NET 是 .NET 的開源跨平台機器學習框架。

安裝

FLAML 需要Python 版本 >= 3.8 。可以從 pip 安裝：

 pip 安裝 flaml

安裝最少的依賴項，無需額外選項。您可以根據需要的功能安裝額外的選項。例如，使用下列命令安裝autogen套件所需的依賴項。

 pip install "flaml[autogen]"

在安裝中找到更多選項。每個notebook examples可能需要安裝特定的選項。

快速入門

（新）autogen 套件支援具有通用多代理對話框架的下一代 GPT-X 應用程式。它提供可自訂和可對話的代理，整合了法學碩士、工具和人員。透過在多個有能力的代理之間自動進行聊天，人們可以輕鬆地讓他們自主地或根據人工回饋集體執行任務，包括需要透過程式碼使用工具的任務。例如，

 from flaml import autogenassistant = autogen.AssistantAgent("assistant")user_proxy = autogen.UserProxyAgent("user_proxy")user_proxy.initiate_chat(assistant,message="顯示截至今天 10 家最大科技公司的年初至今收益。","
)# 這會在兩個代理之間啟動自動聊天來解決任務

Autogen 也有助於最大限度地提高 ChatGPT 和 GPT-4 等昂貴的法學碩士的效用。它提供了openai.Completion或openai.ChatCompletion的直接替代品，具有強大的功能，如調整、快取、模板、篩選。例如，您可以透過 LLM 使用您自己的調整資料、成功指標和預算來優化生成。

 # 執行調整配置，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,
)# 對測試實例執行推理response = autogen.Completion.create(context=test_instance, **config)

只需三行程式碼，您就可以開始使用這個經濟且快速的 AutoML 引擎作為 scikit-learn 風格的估計器。

 from flaml import AutoMLautoml = AutoML()automl.fit(X_train, y_train, 任務=「分類」)

您可以限制學習器並使用 FLAML 作為 XGBoost、LightGBM、隨機森林等的快速超參數調整工具或自訂學習器。

 automl.fit(X_train, y_train, 任務=「分類」, estimator_list=[「lgbm」])

您也可以對自訂函數執行通用超參數調整。

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

零樣本 AutoML 允許使用 lightgbm、xgboost 等現有的訓練 API，同時在為每個任務選擇高效能超參數配置方面獲得 AutoML 的優勢。

 from flaml.default import LGBMRegressor# 使用 LGBMRegressor 的方式與使用 lightgbm.LGBMRegressor.estimator = LGBMRegressor()# 根據訓練資料自動設定超參數.estimator.fit(X_train, y_train)