设备与输出

设备判断集中在 utils/device_utils.py。

设备检测

detect_compute_environment() 会检查：

• 系统里是否能找到 nvidia-smi。
• 当前系统是否是 macOS。
• 当前机器是否是 Apple Silicon。
• PyTorch 是否构建并可用 MPS。

优先级：

CUDA -> MPS -> CPU

不过这个优先级主要影响 PyTorch 模型。XGBoost、LightGBM、CatBoost 的 GPU 参数只在 CUDA 分支显式启用。

XGBoost

CUDA 环境：

{
    "tree_method": "hist",
    "device": "cuda",
}

其他环境：

{
    "tree_method": "hist",
}

LightGBM

CUDA 环境：

{
    "device_type": "gpu",
    "gpu_device_id": 0,
}

其他环境：

{
    "device_type": "cpu",
}

CatBoost

CUDA 环境：

{
    "task_type": "GPU",
    "devices": "0",
}

其他环境：

{
    "task_type": "CPU",
}

输出文件

AutoML：

outputs/automl_grid_search_results.json

AutoDL：

outputs/autodl_training_results.json

保存逻辑在 utils/report_utils.py：

output_path.parent.mkdir(parents=True, exist_ok=True)
json.dump(results, output_file, ensure_ascii=False, indent=2)

也就是说，outputs/ 不存在时会自动创建。

摘要打印

训练结束后会打印：

Model search summary:
- model_name: auc=..., f1=..., accuracy=..., params=...

如果模型因为依赖缺失被跳过，会打印：

- xgboost_model: skipped, reason=xgboost is not installed.