同样，我们将获得最佳学习率的这部分代码封装到函数get_learning_rate（）中，并将获得的最佳学习率作为其返回值：
6 v- k' ~6 T$ ~def get_learning_rate(): pl.seed_everything(42) trainer = pl.Trainer(accelerator="cpu", gradient_clip_val=0.1,logger=False) net = NHiTS.from_dataset( training, learning_rate=3e-2, weight_decay=1e-2, loss=MQF2DistributionLoss(prediction_length=max_prediction_length), backcast_loss_ratio=0.0, hidden_size=64, optimizer="AdamW", ) res = Tuner(trainer).lr_find( net, train_dataloaders=t_loader, val_dataloaders=v_loader, min_lr=1e-5, max_lr=1e-1 ) lr_=res.suggestion() return lr_+ D% f; ^. I+ j
如果您想可视化学习率，可以添加以下代码：
& P7 [+ |6 E. Y$ q
添加图片注释，不超过 140 字（可选）print(f"suggested learning rate: {res.suggestion()}")fig = res.plot(show=True, suggest=True)fig.show()4 D" {. X4 ^7 G
此示例中的结果如下：
" i5 A9 `8 i7 m4 |
& R5 S2 o# m6 G! {# E6 G
添加图片注释，不超过 140 字（可选）% R: T, Y% O4 p$ g
建议学习率：0.003981071705534973。2. 定义EarlyStoping回调此回调主要用于监测验证损失，并在损失连续几个时期没有改善时停止训练。这样可以防止模型过拟合。4 @# ]- t/ D! K$ k& J
early_stop_callback = EarlyStopping(monitor="val_loss", min_delta=1e-4, patience=10, verbose=True, mode="min")0 g# _1 d/ Z8 G0 G; y
这里需要注意的参数是“patience”，它主要控制在训练过程中，如果损失连续几个时期没有改善，何时停止。我们把它设置为10。3. 定义ModelCheckpoint回调此回调主要用于控制模型归档和归档的名称。我们主要设置这两个变量。ck_callback=ModelCheckpoint(monitor='val_loss', mode="min", save_top_k=1, filename='{epoch}-{val_loss:.2f}')
! X: `4 t3 U$ |' f6 _“save_top_k”用于控制保存前几个最好的模型。我们将其设置为1，只保存最好的模型。4. 定义训练模型我们首先需要在lightning.pytarch中实例化一个Trainer类，并添加我们之前定义的两个回调。- o. X" S- o2 @
trainer = pl.Trainer( max_epochs=ep, accelerator="cpu", enable_model_summary=True, gradient_clip_val=1.0, callbacks=[early_stop_callback,ck_callback], limit_train_batches=30, enable_checkpointing=True,)
1 ]- N- U6 C$ A% E* V" ~8 L这里我们需要注意的参数是“max_epochs”（最大训练时期数）、“gradient_clip_val”（用于防止梯度爆炸）和“回调”。这里“max_epochs”使用ep，这是我们稍后将定义的全局变量，而“callbacks”是我们的回调集合。接下来，我们还需要定义NHiTS模型并实例化它：$ M' s: N1 U/ C4 d, R
net = NHiTS.from_dataset( training, learning_rate=lr, log_interval=10, log_val_interval=1, weight_decay=1e-2, backcast_loss_ratio=0.0, hidden_size=64, optimizer="AdamW", loss=MQF2DistributionLoss(prediction_length=max_prediction_length),)
* U. k* e# @8 k- M& X这里，参数通常不需要修改，只需使用默认的参数即可。这里我们只将“loss”修改为MQF2DistributionLoss 损失函数。5. 训练模块 我们使用Trainer对象的fit（）函数来训练模型：
( G# `, d$ M+ `+ j& q: N: Mtrainer.fit( net, train_dataloaders=train_dataloader, val_dataloaders=val_dataloader,) M4 a% g6 }% D1 s
类似地，我们将这部分代码封装到一个函数train（）中：def train(): early_stop_callback = EarlyStopping(monitor="val_loss", min_delta=1e-4, patience=10, # The number of times without improvement will stop verbose=True, mode="min") ck_callback=ModelCheckpoint(monitor='val_loss', mode="min", save_top_k=1, # Save the top few best ones filename='{epoch}-{val_loss:.2f}') trainer = pl.Trainer( max_epochs=ep, accelerator="cpu", enable_model_summary=True, gradient_clip_val=1.0, callbacks=[early_stop_callback,ck_callback], limit_train_batches=30, enable_checkpointing=True, ) net = NHiTS.from_dataset( training, learning_rate=lr, log_interval=10, log_val_interval=1, weight_decay=1e-2, backcast_loss_ratio=0.0, hidden_size=64, optimizer="AdamW", loss=MQF2DistributionLoss(prediction_length=max_prediction_length), ) trainer.fit( net, train_dataloaders=t_loader, val_dataloaders=v_loader, # ckpt_path='best' )return trainer' g( I7 Z2 S! Z: F' c- l3 T7 i
此函数将返回一个经过训练的模型，可用于预测任务。
9 }* D2 Z- h1 \: G; A定义执行逻辑1. 定义全局变量：
* L* a. \( T; Cep=200__train=Falsemt_data_len=200000max_encoder_length = 2*96max_prediction_length = 30batch_size = 128# o6 L& E) y/ L4 r9 L
__train用于控制我们当前是在训练还是测试模型。值得注意的是，ep用于控制最大训练时期。由于我们已经设置了EarlyStoping，因此可以将该值设置得更大一点，因为当模型不再收敛时，它将自动停止。mt_data_len是从客户端获得的最近时间序列数据的数量。max_encoder_length 和 max_prediction_length 分别是最大编码长度和最大预测长度。2.训练当训练完成时，我们还需要将当前的最佳训练结果保存到本地文件中，因此我们定义了一个json文件来保存这些信息：info_file='results.json'为了使我们的训练过程更加清晰，我们需要避免在训练过程中输出一些不必要的警告信息，因此我们将添加以下代码：
4 \/ j9 G, [; H' p! ywarnings.filterwarnings("ignore")/ S0 W- `9 c, M$ A# Q z
接下来是我们的训练逻辑：: S1 C; t' T+ S" Y, Z
dt=get_data(mt_data_len=mt_data_len)if __train: # print(dt) # dt=get_data(mt_data_len=mt_data_len) t_loader,v_loader,training=spilt_data(dt, t_shuffle=False,t_drop_last=True, v_shuffle=False,v_drop_last=True) lr=get_learning_rate() trainer__=train() m_c_back=trainer__.checkpoint_callback m_l_back=trainer__.early_stopping_callback best_m_p=m_c_back.best_model_path best_m_l=m_l_back.best_score.item() # print(best_m_p) if os.path.exists(info_file): with open(info_file,'r+') as f1: last=json.load(fp=f1) last_best_model=last['last_best_model'] last_best_score=last['last_best_score'] if last_best_score > best_m_l: last['last_best_model']=best_m_p last['last_best_score']=best_m_l json.dump(last,fp=f1) else: with open(info_file,'w') as f2: json.dump(dict(last_best_model=best_m_p,last_best_score=best_m_l),fp=f2)
: @. f/ J' D% Q" ^5 p训练完成后，您可以在根目录的results.json文件中找到我们最佳模型的存储位置和最佳分数。在训练过程中，您将看到一个进度条，显示每个 epoch 的进度。 |
|手机版|Archiver|
( 桂ICP备12001440号-3 )|网站地图
发表于