企业官网建设流程全解析

AutoGluon 自动化机器学习安装指南：三条路线、两种硬件、一张排错表

【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon

AutoGluon 是一个自动化机器学习（AutoML）框架，能用几行代码训练表格、图像、文本和时间序列模型。读完本文，你可以按硬件情况选对安装路线，用不到 3 分钟完成部署，并用一个 5 行脚本验证训练是否成功。

环境自检清单

• Python 版本需在 3.10～3.13 之间，用python --version确认，详见 安装文档
• 系统须为 Linux、MacOS 或 Windows 之一，官方对三者都有独立验证
• 官方推荐用 pip 安装（uv 亦可）；如果你正在用 conda，先了解它可能因依赖差异影响稳定性，问题多时可换 pip 重试
• Mac 用户需先装 Homebrew，因为 LightGBM 依赖libomp做多线程，见 Mac 安装说明
• Windows 用户建议先装 Anaconda 再开 Anaconda Prompt，见 Windows 安装说明；已装好 Anaconda 的读者可跳过这条

🖥 安装路线

三条路线按硬件与需求划分，不按操作系统划分；同一条命令在不同系统上写法一致，如果本机已有合适的 Python 环境，前两条路线可以互斥选择。

安装最简 CPU 环境

适合没有 GPU、只想先跑通任意任务的用户。

pip install -U pip pip install -U setuptools wheel pip install autogluon --extra-index-url https://download.pytorch.org/whl/cpu

--extra-index-url让 PyTorch 装 CPU 版，体积更小。Mac 上执行前先运行brew install libomp，其余命令相同。

安装 GPU 加速环境

适合有 NVIDIA 显卡、要训练多模态或深度模型的用户。前两步命令与 CPU 路线相同，区别只在第三步去掉 CPU 索引参数：

pip install autogluon

装完用 Python 检查torch.cuda.is_available()，如果返回 False，说明 PyTorch 与本机 CUDA 版本不匹配，核对 GPU 安装文档 中的版本对应关系。

最小化安装单个模块

适合只处理表格数据、想减少依赖占用的用户。

pip install autogluon.tabular[lightgbm,catboost]

如果要与全量安装一致的全部模型，把方括号内容换成all；各模块和可选依赖的完整清单见 模块化安装文档。

🚀 装完就跑

from autogluon.tabular import TabularDataset, TabularPredictor train_data = TabularDataset('https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv') predictor = TabularPredictor(label='class').fit(train_data, time_limit=60) print(predictor.fit_summary())

如果安装成功，约 1 分钟后会打印一张各候选模型的验证指标汇总表，训练产物存放在ag_models/目录下。若你本地已有 CSV 文件，把数据加载一行换成本地路径即可，效果相同。官方完整示例：examples/tabular/example_simple_tabular.py

模块速查

不确定选哪个，就装全量pip install autogluon，它包含所有模块。

排错速查

如果你的现象不在表中，优先查阅 安装文档，其中按系统列出了 pip、uv、conda、源码等全部安装方式。

继续往下走

• 表格数据快速上手教程：跑通第一次训练后从这里开始
• 完整安装文档：uv、conda、源码安装与 Apple Silicon 等细节都在里面
• 多模态教程目录：图像、文本、语义匹配等任务的官方 Notebook
• Label Studio 标注数据读取示例：需要接入自己标注数据时的参考

【免费下载链接】autogluonFast and Accurate ML in 3 Lines of Code项目地址: https://gitcode.com/GitHub_Trending/au/autogluon