深度学习中的早停法
早停法（Early Stopping）是一种用于防止模型过拟合的技术，在训练过程中监视验证集（或者测试集）上的损失值。具体设立早停的限制包括两个主要参数：
-
Patience（耐心）：这是指验证集损失在连续多少个epoch没有显著改善时，才触发早停。当验证集损失连续几个epoch没有下降或者停止减少时，表示模型可能已经过拟合或者陷入局部最优点，这时候早停就会被触发。
-
Best Loss（最佳损失）：这是指在早停过程中保存的最低验证集损失值。当验证集损失值低于当前最佳损失时，更新最佳损失并重置耐心计数器。如果验证集损失连续不降，耐心计数器超过设定的耐心值时，早停就会被触发，训练过程停止。
早停的具体设立是基于验证集上的损失值
val_loss。每次验证后，如果当前的val_loss比best_loss还要低，就更新best_loss并重置patience_counter；否则，增加patience_counter。当patience_counter达到设定的patience值时，早停被触发，即停止训练过程以防止模型过拟合。总结来说，早停的设立限制是基于耐心参数和最佳损失值，用来判断模型是否应该停止训练以避免过拟合。
# 训练模型
num_epochs = 200 # 总的训练轮数
best_loss = float('inf') # 初始化最佳验证损失为正无穷大
patience = 10 # 早停的耐心值
patience_counter = 0 # 耐心计数器for epoch in range(num_epochs):model.train()for geno, pheno in train_loader:optimizer.zero_grad() # 梯度清零outputs = model(geno) # 前向传播loss = criterion(outputs.squeeze(), pheno) # 计算损失loss.backward() # 反向传播optimizer.step() # 优化模型参数model.eval()val_loss = 0with torch.no_grad(): # 不计算梯度for geno, pheno in test_loader:outputs = model(geno) # 前向传播val_loss += criterion(outputs.squeeze(), pheno).item() # 计算验证损失val_loss /= len(test_loader) # 计算平均验证损失print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}, Val Loss: {val_loss:.4f}')scheduler.step(val_loss) # 更新学习率# 早停法if val_loss < best_loss:best_loss = val_loss # 更新最佳验证损失patience_counter = 0 # 重置耐心计数器else:patience_counter += 1 # 增加耐心计数器if patience_counter >= patience: # 如果耐心计数器达到设定的耐心值print("Early stopping triggered") # 触发早停break
EarlyStopping类：__init__方法初始化早停的参数，如patience（耐心值）、verbose（是否打印消息）和delta（损失改进的最小变化）。__call__方法根据验证损失来决定是否更新best_loss，以及是否增加计数器或者触发早停。
- 训练循环：
- 训练和验证过程与之前相同。
- 每个epoch结束时，调用
early_stopping对象，传入当前的验证损失。 - 检查
early_stopping.early_stop标志，如果为True，则打印消息并停止训练。
通过使用 EarlyStopping 类，你可以更简洁和模块化地实现早停功能，使代码更易于维护和扩展。
import torch
import numpy as npclass EarlyStopping:def __init__(self, patience=10, verbose=False, delta=0):"""EarlyStopping 初始化.Args:patience (int): 当验证集损失在指定的epoch数内没有减少时触发早停.verbose (bool): 如果为True，则每次验证集损失改进时会打印一条消息.delta (float): 验证集损失改进的最小变化."""self.patience = patienceself.verbose = verboseself.delta = deltaself.best_loss = Noneself.counter = 0self.early_stop = Falsedef __call__(self, val_loss):if self.best_loss is None:self.best_loss = val_losselif val_loss > self.best_loss - self.delta:self.counter += 1if self.verbose:print(f'EarlyStopping counter: {self.counter} out of {self.patience}')if self.counter >= self.patience:self.early_stop = Trueelse:self.best_loss = val_lossself.counter = 0if self.verbose:print(f'Validation loss decreased to {self.best_loss:.6f}. Resetting counter.')# 初始化EarlyStopping对象
early_stopping = EarlyStopping(patience=10, verbose=True)# 训练模型
num_epochs = 200
for epoch in range(num_epochs):model.train()for geno, pheno in train_loader:optimizer.zero_grad()outputs = model(geno)loss = criterion(outputs.squeeze(), pheno)loss.backward()optimizer.step()model.eval()val_loss = 0with torch.no_grad():for geno, pheno in test_loader:outputs = model(geno)val_loss += criterion(outputs.squeeze(), pheno).item()val_loss /= len(test_loader)print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}, Val Loss: {val_loss:.4f}')scheduler.step(val_loss)# 检查是否触发早停early_stopping(val_loss)if early_stopping.early_stop:print("Early stopping triggered")break