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：: ?% J3 _# j) a8 m+ J/ l
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_) ^: @4 Y6 F& r- c" e$ @
如果您想可视化学习率，可以添加以下代码：
" }) d0 ?- f" U4 n. b5 T' T7 }
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()# b. x, {, G! H
此示例中的结果如下：0 A/ o0 {3 L* z
: r7 ], W) P' p: ?5 X5 |
添加图片注释，不超过 140 字（可选）0 Z2 b' _& k8 d4 i2 C6 t
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。3 r3 r" F8 c6 }5 G6 c7 s' P- g- i
early_stop_callback = EarlyStopping(monitor="val_loss", min_delta=1e-4, patience=10, verbose=True, mode="min")
- L# M c7 @% I3 c, }6 Q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}')
$ W$ T; y2 C$ K1 q“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。2 A4 V" |* `$ }, c c- O
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,)
8 Z+ \( y, H/ U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：7 k. z2 D$ m9 _/ w. p3 S
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),)& T) ^- n/ ^% P) ^& [; w) [
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：8 d7 f6 j- L; p; t! V& R" h
trainer.fit( net, train_dataloaders=train_dataloader, val_dataloaders=val_dataloader,)
7 _+ e. [0 `# I- D% O( i' d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( s: h) Z& ]# A0 x" o
此函数将返回一个经过训练的模型，可用于预测任务。
. N9 f0 w, |2 h7 t. o定义执行逻辑1. 定义全局变量：
; A$ j. e# ~/ g9 a0 ]/ _+ qep=200__train=Falsemt_data_len=200000max_encoder_length = 2*96max_prediction_length = 30batch_size = 128- T" l6 e2 R/ y+ `* A
__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：
$ `' G& [5 [ O: d, r. w! |% ?8 Awarnings.filterwarnings("ignore")% E8 X* X- n- R
接下来是我们的训练逻辑：1 B& d! J. Q- w9 X
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)
; o1 f A) K! d0 _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