炼丹师的新宠:torchkeras——你的梦中情炉
torchkeras项目地址:https://gitcode.com/gh_mirrors/to/torchkeras
在深度学习的炼丹世界中,PyTorch无疑是众多炼丹师的首选框架。然而,尽管PyTorch拥有简洁一致的API设计和强大的模型库,但不同模型库的训练和验证代码却千差万别,给炼丹师们带来了不小的困扰。今天,我们要介绍的torchkeras,正是为了解决这一痛点而生。
项目介绍
torchkeras是一个通用的PyTorch模型训练模板工具,旨在提供一个既美观又实用,且易于修改的训练框架。它不仅继承了PyTorch的灵活性,还融入了Keras的简洁易用性,让炼丹师们能够更加专注于模型的设计和优化,而不是繁琐的代码调整。
项目技术分析
torchkeras的核心设计理念是“三好”:好看、好用、好改。具体来说:
- 好看:代码优雅,日志美丽,自带可视化功能,让训练过程一目了然。
- 好用:支持进度条、评估指标、early-stopping等常用功能,并可通过回调函数扩展,如tensorboard和wandb。
- 好改:核心代码模块化,仅约200行,提供丰富的修改使用案例,便于用户根据需求进行定制。
项目及技术应用场景
torchkeras适用于各种PyTorch模型的训练,无论是学术研究还是工业应用。它能够简化训练流程,提高开发效率,特别适合以下场景:
- 快速原型开发:通过简洁的API快速搭建和训练模型。
- 模型微调:在已有模型基础上进行微调,适应特定任务。
- 大规模训练:支持多GPU训练和混合精度训练,提升训练效率。
项目特点
torchkeras的独特之处在于:
- 简洁的API设计:模仿Keras的compile, fit, evaluate三连击,让训练流程清晰易懂。
- 丰富的功能支持:包括进度条、评估指标、early-stopping、GPU训练、多GPU训练(DDP)、混合精度训练等。
- 高度可定制:核心代码模块化,用户可以根据需要轻松修改和扩展。
- 动态可视化:在Jupyter Notebook中提供动态可视化图像和训练日志进度条,实时监控训练状态。
结语
torchkeras不仅是一个工具,更是一个炼丹师的好伙伴。它将PyTorch的灵活性和Keras的简洁性完美结合,让炼丹过程更加流畅和高效。如果你还在为繁琐的训练代码而烦恼,不妨试试torchkeras,它或许会成为你的梦中情炉。
安装命令:
pip install torchkeras
核心使用代码:
import torch
import torchkeras
import torchmetrics
model = torchkeras.KerasModel(net,
loss_fn = nn.BCEWithLogitsLoss(),
optimizer= torch.optim.Adam(net.parameters(),lr = 1e-4),
metrics_dict = {"acc":torchmetrics.Accuracy(task='binary')}
)
dfhistory=model.fit(train_data=dl_train,
val_data=dl_val,
epochs=20,
patience=3,
ckpt_path='checkpoint',
monitor="val_acc",
mode="max",
plot=True
)
动态可视化示例:
import time
import math,random
from torchkeras import VLog
epochs = 10
batchs = 30
vlog = VLog(epochs, monitor_metric='val_loss', monitor_mode='min')
vlog.log_start()
for epoch in range(epochs):
for step in range(batchs):
vlog.log_step({'train_loss':100-2.5*epoch+math.sin(2*step/batchs)})
time.sleep(0.05)
for step in range(20):
vlog.log_step({'val_loss':100-2*epoch+math.sin(2*step/batchs)},training=False)
time.sleep(0.05)
vlog.log_epoch({'val_loss':100 - 2*epoch