skorch 1.1.0 版本发布：机器学习与PyTorch的深度整合新进展

skorch 是一个将 PyTorch 与 scikit-learn 无缝衔接的 Python 库，它让开发者能够以 scikit-learn 熟悉的 API 风格来使用 PyTorch 的强大深度学习功能。这个项目特别适合那些希望在现有机器学习工作流中集成神经网络，但又不想完全脱离 scikit-learn 生态系统的开发者。

核心更新内容

1. 全面支持 scikit-learn 1.6.0

skorch 1.1.0 最重要的改进是全面适配了 scikit-learn 1.6.0 版本。所有神经网络类现在都继承自 scikit-learn 的 BaseEstimator 基类，分类模型额外继承 ClassifierMixin，回归模型继承 RegressorMixin。这一改变确保了 skorch 能够与最新版本的 scikit-learn 完美兼容，让开发者可以放心地在生产环境中使用。

这种继承关系的调整意味着：

• 更一致的 API 设计，符合 scikit-learn 的使用习惯
• 更好的集成能力，可以无缝接入 scikit-learn 的管道(Pipeline)和网格搜索(GridSearch)
• 更规范的机器学习接口实现

2. 学习率调度器功能增强

新版本对学习率调度器功能进行了多项改进：

1. ReduceLROnPlateau 调度器的增强：

   • 现在会自动记录学习率变化到网络历史中(默认键为'event_lr')
   • 支持按批次(batch)而不仅是按周期(epoch)进行学习率调整
   • 这对于需要更细粒度控制学习过程的场景特别有用

2. 模拟功能改进：

   • simulate() 方法现在支持添加步骤参数
   • 使得模拟 ReduceLROnPlateau 等需要基于指标调整学习率的策略成为可能

3. 新增示例笔记本：

   • 专门展示了如何在 skorch 中使用各种学习率调度器
   • 包含实用代码示例和最佳实践建议

3. 二进制分类器与 torch.compile 的兼容性修复

修复了 NeuralNetBinaryClassifier 与 PyTorch 2.0 引入的 torch.compile 功能的兼容性问题。这一改进使得：

• 二进制分类模型现在可以利用 PyTorch 的图编译优化
• 获得潜在的训练速度提升
• 保持与最新 PyTorch 版本的兼容性

4. 其他改进与优化

• 移除了已弃用的 skorch.callbacks.scoring.cache_net_infer 功能
• 代码清理和内部优化
• 文档更新和完善

技术影响与使用建议

skorch 1.1.0 的这些改进特别适合以下场景：

1. 生产环境部署：由于与 scikit-learn 1.6.0 的完全兼容，现在可以更安全地将 skorch 模型部署到生产环境。

2. 学习率策略实验：新增的学习率调度器功能和示例为超参数调优提供了更多可能性，特别是在训练复杂神经网络时。

3. 性能优化：二进制分类器与 torch.compile 的兼容性修复使得模型训练可以尝试 PyTorch 的最新性能优化特性。

对于现有用户，升级到 1.1.0 版本通常是安全的，但需要注意：

• 如果使用了已移除的 cache_net_infer 功能，需要调整代码
• 新的学习率记录功能可能会略微增加内存使用
• 建议在测试环境中先验证新版本的兼容性

结语

skorch 1.1.0 虽然是一个小版本更新，但在兼容性和功能完善方面做出了重要贡献。特别是对 scikit-learn 最新版本的支持，确保了项目能够持续满足现代机器学习工作流的需求。学习率调度器相关功能的增强则为模型训练过程提供了更精细的控制能力。这些改进共同巩固了 skorch 作为连接 PyTorch 和 scikit-learn 生态系统的桥梁地位。