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：
5 L) C O: l; E9 o" kdef 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_
+ C: j; |# h7 E% |8 d如果您想可视化学习率，可以添加以下代码：
0 ~# U U2 o/ ^! {8 |0 ?, c
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()) j& d2 D+ {2 ~( V- E# U$ `, f- q
此示例中的结果如下： H1 M7 Q* f# s" V' ]
/ d- N3 M; f5 ^
添加图片注释，不超过 140 字（可选）9 m3 \ F! G- a$ o) W: ~- m
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。# m3 h6 q9 x2 ]& d! W7 O9 w6 b& H/ k
early_stop_callback = EarlyStopping(monitor="val_loss", min_delta=1e-4, patience=10, verbose=True, mode="min"); c) O1 H0 j6 a r& p% _
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}')
4 B: |+ X3 s% R: |1 \/ {“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。 P' B( ~- W5 |2 d6 K' }# d
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,)
2 c$ l8 M# A% m% g' O& y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：% i3 F' c# J$ R7 W+ {! a
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),). S9 u& D$ B/ k# l
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：$ l0 e+ M9 t0 J! B5 p
trainer.fit( net, train_dataloaders=train_dataloader, val_dataloaders=val_dataloader,)
6 j1 q9 M+ | E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/ c/ D. T c! L/ h# ^9 Y3 u6 q( k
此函数将返回一个经过训练的模型，可用于预测任务。
$ J% N5 }7 C" m% @8 l. t定义执行逻辑1. 定义全局变量：
% @. B& V% |7 pep=200__train=Falsemt_data_len=200000max_encoder_length = 2*96max_prediction_length = 30batch_size = 128- F9 L8 h ] L% X6 Q
__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：, D- {; K( Y3 L7 f5 V4 Q
warnings.filterwarnings("ignore")
2 V" [9 t$ r% i$ `接下来是我们的训练逻辑：/ Q) C6 l3 z4 O& H/ @$ S
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), K0 M: y. L* c+ ~* O4 Y, e$ ?
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 2024-4-25 08:31:26