AutoGluon：多模态自动机器学习库

FreeGuideOnline 最新 2026-07-03

bash pip install autogluon


### 完整安装（支持图像、文本和多模态）
```bash
pip install autogluon[all]

对于图像任务，还需额外安装支持 GPU 的 MXNet 或 PyTorch（根据你的硬件），一般通过 pip install mxnet-cu112 或 pip install torch torchvision 完成。

验证安装

import autogluon as ag
print(ag.__version__)

表格预测：5 分钟上手 AutoGluon

表格数据（结构化数据）是最常见的应用场景。以下示例使用内置的 Titanic 数据集演示分类任务。

加载数据

from autogluon.tabular import TabularDataset, TabularPredictor

train_data = TabularDataset('https://autogluon.s3.amazonaws.com/datasets/Inc/train.csv')
test_data = TabularDataset('https://autogluon.s3.amazonaws.com/datasets/Inc/test.csv')
label = 'class'          # 目标列名

训练模型

predictor = TabularPredictor(label=label).fit(train_data)

训练过程中，AutoGluon 会自动识别问题类型（二分类、多分类或回归），进行缺失值填充、特征工程，并依次训练多个基础模型（如 LightGBM、CatBoost、XGBoost、神经网络等），最后将它们集成。

评估与预测

# 在测试集上评估
performance = predictor.evaluate(test_data)

# 对新样本预测
y_pred = predictor.predict(test_data.drop(columns=[label]))

evaluate() 会输出准确率、对数损失等指标（分类）或 RMSE（回归）。predict() 返回预测类别或数值。

保存与加载模型

predictor.save('my_model')          # 保存至文件夹
loaded_predictor = TabularPredictor.load('my_model')

内置评估与排行榜

训练结束后，predictor.leaderboard() 会展示所有模型的性能排序，帮助你快速了解哪个模型表现更好。

leaderboard = predictor.leaderboard(test_data, silent=True)
print(leaderboard)

你也可以通过 predictor.feature_importance() 查看特征重要性，辅助理解数据。

图像分类：一行代码获得高精度模型

AutoGluon 封装了多种先进的图像分类模型，并自动进行数据增强、学习率调度。

准备图像数据集

图像数据集应按 train/类别名/*.jpg 和 test/类别名/*.jpg 的组织方式存放，或直接使用 ImageFolder 格式。

from autogluon.vision import ImagePredictor, ImageDataset

train_dataset = ImageDataset.from_folders('path/to/train/')
test_dataset = ImageDataset.from_folders('path/to/test/')

训练与预测

predictor = ImagePredictor()
predictor.fit(train_dataset, hyperparameters={'epochs': 10})

# 评估准确率
test_acc = predictor.evaluate(test_dataset)
print(f'测试准确率: {test_acc}')

# 单张图片预测
pred = predictor.predict('path/to/image.jpg')

你可以传入自定义模型（如 resnet50、efficientnet_b0）或让 AutoGluon 自动搜索最优架构。

文本分类：自然语言任务一键搞定

AutoGluon 支持对原始文本进行分类、情感分析等任务，内部使用预训练的 Transformer 模型（如 ELECTRA、DeBERTa）并进行微调。

数据格式

数据通常是一个 CSV 文件，包含文本列和标签列。

from autogluon.text import TextPredictor

train_data = pd.read_csv('train.csv')   # 包含 'text' 和 'label' 两列
test_data = pd.read_csv('test.csv')

训练流程

predictor = TextPredictor(label='label', eval_metric='acc')
predictor.fit(train_data, hyperparameters='multilingual',  # 英文可用 'default'
              time_limit=600)   # 时间限制（秒）

hyperparameters 可选择 'default'（英文高性能）、'multilingual'（多语言支持）或自定义模型列表。

预测

predictions = predictor.predict(test_data['text'])
score = predictor.evaluate(test_data)

多模态融合：同时利用图像与文本

当数据中包含图像和文本字段时，AutoGluon 的多模态模块可自动将这些信息融合到一个模型中。

数据结构示例

假设你的 DataFrame 包含：

image_path：图像文件路径
description：文本描述
label：分类标签

from autogluon.multimodal import MultiModalPredictor

train_data = pd.read_csv('multimodal_train.csv')
predictor = MultiModalPredictor(label='label')
predictor.fit(train_data, time_limit=600)

训练过程中，AutoGluon 会自动对图像用 CNN 提取特征，对文本用 Transformer，并通过可学习的融合层将它们结合，从而获得比单模态更强的性能。

预测

test_data = pd.read_csv('multimodal_test.csv')
predictions = predictor.predict(test_data)

模型可解释性：看清模型如何决策

AutoGluon 提供了多种解释工具，特别适合需要模型透明度的场景。

表格模型解释

# 全局特征重要性
fi = predictor.feature_importance(test_data)
print(fi)

# 局部解释（SHAP 值，需安装 shap 库）
explanations = predictor.explain_rows(test_data.head(), method='shap')

图像模型解释

from autogluon.vision import ImagePredictor
predictor = ImagePredictor.load('my_image_model')
saliency = predictor.explain('image.jpg')
saliency.plot()          # 绘制显著图

自定义配置与高级控制

虽然 AutoGluon 的默认设置能应对多数场景，但你也可以精细地调节各个环节。

表格预测常用参数

predictor = TabularPredictor(label=label, eval_metric='roc_auc').fit(
    train_data,
    presets='best_quality',     # 预设：'medium_quality'、'high_quality'、'best_quality'
    hyperparameters={
        'GBM': {'num_boost_round': 500},
        'NN_TORCH': {},
        'RF': {},
    },
    num_bag_folds=5,            # 集成折数（提升稳定性）
    time_limit=3600,
    verbosity=2                 # 日志详细程度
)

自定义搜索空间（仅文本示例）

from autogluon.text import TextPredictor
predictor = TextPredictor(label='label')
predictor.fit(train_data,
    hyperparameters={
        'models': {
            'DeBERTa': {'search_space': {'learning_rate': 2e-5}}
        }
    })

超参数调优

你可以使用 hyperparameter_tune_kwargs 参数配合 'auto' 策略让 AutoGluon 自动在训练中进一步调参：

predictor.fit(..., hyperparameter_tune_kwargs={'num_trials': 10})

模型部署与导出

训练好的模型可以通过 predictor.save() 保存为文件夹，并可轻松部署到生产环境。

使用 ONNX 导出（表格模型）

predictor.export_onnx(dir_path='onnx_model')