Blog11 图神经网络的模型级解释——关键代码分析3

最新推荐文章于 2023-03-09 00:15:00 发布

醴酦

最新推荐文章于 2023-03-09 00:15:00 发布

阅读量358

点赞数 1

文章标签： python 神经网络深度学习 pytorch 机器学习

本文链接：https://blog.csdn.net/CSDNone_/article/details/121654210

版权

本文深入分析了一个基于PyTorch的深度学习模型训练脚本`train.py`，重点关注了如何使用EarlyStopping策略防止过拟合。通过介绍`torch.optim`优化器和EarlyStopping类，阐述了在训练过程中调整模型参数和监控验证损失的重要性。在训练过程中，模型在274次epoch后达到训练集损失0.4725，精度0.8457，验证集精度0.9286。

摘要由CSDN通过智能技术生成

2021SC@SDUSC

本篇代码分析模块为：train.py

一、引入包简介

from Load_dataset import load_split_MUTAG_data, accuracy
from Model import GCN
import time

import numpy as np
import torch
import torch.optim as optim
import torch.nn.functional as F

torch.optim:

功能：优化更新深度学习模型的参数
介绍：实现了深度学习中绝大多数的优化方法，例如RMSProp,Adam，SGD等，更便于应用，所以通常不需要手动写上述代码。

使用：要使用 torch.optim 要先创建一个optim 对象，这个对象会一直保持当前状态或根据计算的梯度更新参数。创建optim对象时，要给它一个包含模型参数的的可迭代对象（所有的都应该是 Variable ），然后指定learning rate，weight decay等参数。