企业官网建设流程全解析

3 分钟跑通 AutoGluon AutoML 环境：从 CPU 到 GPU 的完整部署指南

【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

刚装完 AutoGluon 那个「3 行代码完成训练与预测」的 AutoML 框架，对着终端不知道该敲哪条命令？本文 2 分钟带你从零基础到装好并验证通过，不用记任何依赖关系，按表格选路、照抄命令即可。

30 秒决策：你的场景走哪条路

前提只有一条：Python 版本在 3.10–3.13 之间。先跑python --version确认，超范围就换个环境再装。

最快上手路径：两条命令装好

pip install -U pip # CPU 机器保留 --extra-index-url；NVIDIA GPU 机器删掉该参数，默认装带 CUDA 的 torch pip install autogluon --extra-index-url https://download.pytorch.org/whl/cpu

装完用这段最小示例确认框架可用，合成数据几秒就能拟合完：

import pandas as pd from autogluon.tabular import TabularPredictor df = pd.DataFrame({"a": range(100), "b": [i % 2 for i in range(100)]}) predictor = TabularPredictor(label="b").fit(df) # label 是目标列 print(predictor.fit_summary())

能打印出模型评分表，说明安装链路通了。

CPU 分支差异：按环境补一条前置命令

结论：CPU 机器唯一要注意的就是 pip 源参数，别拉下几个 GB 的 CUDA 版 torch。

• Mac 用户先装 LightGBM 依赖的多线程库，否则 import 时直接报错：

brew install libomp

• Apple Silicon（M1/M2）建议走 conda 路线，conda-forge 会装 arm64 构建，比 pip 省事。
• 官方基准测试以 uv 安装为准，追求安装速度可以换：pip install -U uv后把 pip 命令换成python -m uv pip install，参数不变。

GPU 分支差异：只有一行的区别

结论：NVIDIA GPU 机器上裸装即可，默认 PyTorch wheel 自带 CUDA。

pip install -U pip pip install autogluon

GPU 服务器更常见的是 conda 路线，一次配好 Python 与 CUDA 版 torch：

conda create -n ag python=3.11 -y conda activate ag conda install -c conda-forge autogluon "pytorch=*=cuda*"

适用条件：驱动版本要能覆盖所装 torch 的 CUDA 版本。不确定是否装对，直接看下文验收清单。

子模块与源码分支：只装你要的能力

AutoGluon 按 tabular / multimodal / timeseries 模块化，装全量不如按需选：

pip install autogluon.tabular # 默认是精简骨架版 pip install "autogluon.tabular[all]" # 与全量安装等价的表格能力 pip install autogluon.timeseries # 只装时间序列

要二次开发就装源码，仓库地址固定用下面这条：

git clone https://gitcode.com/GitHub_Trending/au/autogluon cd autogluon ./full_install.sh

⚠️ 坑与解法：症状 → 一条命令修复

• Mac 报libomp.dylib not found：brew install libomp
• 安装时报 Python 版本不支持：conda create -n ag python=3.11 -y后重新激活再装
• torch 提示 CUDA 版本不匹配：pip install autogluon --extra-index-url https://download.pytorch.org/whl/cu121
• conda 依赖反复冲突：官方明确建议改用 pip / uv 安装，conda 的依赖差异可能影响稳定性

✅ 验收清单：三条命令确认装对了

第一步，确认框架可导入且版本正常（当前版本 1.6.2，关键标识是无 traceback 地打印出版本号）：

python -c "import autogluon; print(autogluon.__version__)"

GPU 机器再确认 CUDA 可用（关键标识是输出里的True）：

python -c "import torch; print(torch.version.cuda, torch.cuda.is_available())"

最后跑一遍最快路径里的 3 行 fit 示例，fit_summary()正常打印即算完成验收。

📎 资源地图

• 安装总入口（uv / conda / 源码等全部分支）：docs/install.md
• 子模块与可选依赖说明：docs/install-modules.md
• 各能力可运行示例：examples/

【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