skorch-dev/skorch

解决的问题

它弥合了 PyTorch 与 scikit-learn 之间的差距，使用户可以像使用 scikit-learn 估计器一样使用 PyTorch 神经网络。这消除了编写重复训练循环样板代码的需要，并允许 PyTorch 模型直接集成到 scikit-learn 的预处理、管道构建和超参数调优工具生态系统中。

工作原理

Skorch 将 PyTorch 模块包装为 scikit-learn 兼容的接口。通过提供 NeuralNetClassifier 等类，使标准 scikit-learn 方法（如 .fit() 和 .predict()）得以使用。该包装器使 PyTorch 模型能够无缝集成到 sklearn.pipeline.Pipeline 和 sklearn.model_selection.GridSearchCV 中，实现自动模型选择和优化。

适用人群

使用 PyTorch 构建神经网络，但更倾向于使用 scikit-learn API 进行模型管理、评估和管道编排的机器学习工程师和数据科学家。

主要亮点

• scikit-learn 兼容性：与 scikit-learn 管道和网格搜索完全集成，用于超参数优化。
• 训练工具：内置支持早停、检查点保存以及学习率调度器（包括循环学习率和热重启）。
• 模型管理：支持参数冻结/解冻，以及 CLI 和 Jupyter Notebook 的进度条。
• 广泛集成：与 Hugging Face 和 GPyTorch（高斯过程）兼容。