访问官网
Github
文档
论文
我们在招聘！
亲爱的朋友们，我们正在为对自动机器学习/神经架构搜索感兴趣的专业人士和学生提供位于北京的富有挑战性的机会。加入DataCanvas吧！请将您的简历发送至yangjian@zetyun.com。（申请截止日期：待定）
Hypernets：通用自动机器学习框架
Hypernets是一个通用的自动机器学习框架，基于它可以实现各种机器学习框架和库的自动优化工具，包括深度学习框架如tensorflow、keras、pytorch，以及机器学习库如sklearn、lightgbm、xgboost等。 它还采用了各种最先进的优化算法，包括但不限于单目标优化的进化算法、蒙特卡洛树搜索，以及多目标优化算法如MOEA/D、NSGA-II、R-NSGA-II。 我们引入了一种抽象的搜索空间表示，考虑到超参数优化和神经架构搜索（NAS）的需求，使Hypernets成为一个能适应各种自动机器学习需求的通用框架。作为一个抽象计算层，表格工具箱已成功实现在各种表格数据类型中：pandas、dask、cudf等。
概述
概念模型
搜索空间示意图
最新动态！
- 新功能： 多目标优化支持
- 新功能： 性能和模型复杂度测量指标
- 新功能： 基于计算抽象层的分布式计算和GPU加速
安装
Conda
通过conda-forge频道使用conda安装Hypernets：
conda install -c conda-forge hypernets
Pip
使用不同选项安装Hypernets：
- 典型安装：
pip install hypernets
- 要在JupyterLab/Jupyter notebook中运行Hypernets，请使用以下命令安装：
pip install hypernets[notebook]
- 要在分布式Dask集群中运行Hypernets，请使用以下命令安装：
pip install hypernets[dask]
- 要在特征生成中支持简体中文数据集，
- 在运行Hypernets之前安装
jieba包。 - 或使用以下命令安装Hypernets：
- 在运行Hypernets之前安装
pip install hypernets[zhcn]
- 使用一条命令安装以上所有内容：
pip install hypernets[all]
要验证您的安装：
python -m hypernets.examples.smoke_testing
相关链接
文档
神经架构搜索
Hypernets相关项目
- Hypernets：通用自动机器学习（AutoML）框架。
- HyperGBM：集成各种GBM模型的全流程AutoML工具。
- HyperDT/DeepTables：用于表格数据的AutoDL工具。
- HyperTS：用于时间序列数据集的全流程AutoML&AutoDL工具。
- HyperKeras：用于Tensorflow和Keras的神经架构搜索和超参数优化的AutoDL工具。
- HyperBoard：Hypernets的可视化工具。
- Cooka：轻量级交互式AutoML系统。
引用
如果您在研究中使用了Hypernets，请按以下方式引用我们：
Jian Yang, Xuefeng Li, Haifeng Wu. Hypernets: A General Automated Machine Learning Framework. https://github.com/DataCanvasIO/Hypernets. 2020. 版本 0.2.x.
BibTex：
@misc{hypernets,
author={Jian Yang, Xuefeng Li, Haifeng Wu},
title={{Hypernets}: { A General Automated Machine Learning Framework}},
howpublished={https://github.com/DataCanvasIO/Hypernets},
note={版本 0.2.x},
year={2020}
}
DataCanvas
Hypernets是由DataCanvas创建的开源项目。
