在 Pytorch 中实现 early stopping

写在前面：写该博客是为了记录自己这段时间里的学习收获，重在思路，若有疑问，欢迎评论，若发现该博客有错误，欢迎指出。这两天终于有了空闲时间，所以就多写点。该博客使用了这个 $github$ 仓库中提供的 $pytorch\_tools$，而且该仓库中还有这个工具的使用案例，建议读者前往查看。在此感谢作者的代码分享。

注意：在评论中我发现有读者使用 pip install pytorchtools 获取相关代码，这是不对的(这是我在文中没有描述清楚造成，不好意思)，读者们可以直接去上述的仓库里把其中的 pytorchtools.py 下载(或复制)下来并放置在项目中，这样就可以正常执行 from pytorchtools import EarlyStopping 并使用 $EarlyStopping$ 了。

实现

有了 $pytorch\_tools$ 工具后，使用 $earlystopping$ 就很简单了。

先从该工具类中导入 $EarlyStopping$ .

# import EarlyStopping
from pytorchtools import EarlyStopping
import torch.utils.data as Data	# 用于创建 DataLoader
import torch.nn as nn

为了方便描述，这里还是会使用一些伪代码，如果你想阅读详细案例的话，不用犹豫直接看上述工具自带的案例代码。

model = yourModel()	# 伪
# 指定损失函数，可以是其他损失函数，根据训练要求决定
criterion = nn.CrossEntropyLoss()	# 交叉熵，注意该损失函数对自动对批量样本的损失取平均
# 指定优化器，可以是其他
optimizer = torch.optim.Adam(model.parameters())
# 初始化 early_stopping 对象
patience = 20	# 当验证集损失在连续20次训练周期中都没有得到降低时，停止模型训练，以防止模型过拟合
early_stopping = EarlyStopping(patience, verbose=True)	# 关于 EarlyStopping 的代码可先看博客后面的内容

batch_size = 64	# 或其他，该参数属于超参，对于如何选择超参，你可以参考下我的上一篇博客
n_epochs = 100	# 可以设置大一些，毕竟你是希望通过 early stopping 来结束模型训练
#----------------------------------------------------------------
# 训练模型，直到 epoch == n_epochs 或者触发 early_stopping 结束训练
for epoch in range(1, n_epochs + 1):

	# 建立训练数据的 DataLoader
	training_dataset = Data.TensorDataset(X_train, y_train)
    # 把dataset放到DataLoader中
    data_loader = Data.DataLoader(
        dataset=training_dataset,
        batch_size=batch_size,	# 批量大小
        shuffle=True	# 是否打乱数据顺序
    )
    #---------------------------------------------------
    model.train()	# 设置模型为训练模式
    # 按小批量训练
	for batch, (data, target) in enumerate(data_loader):
		optimizer.zero_grad()	# 清楚所有参数的梯度
		output = model(data)	# 输出模型预测值
		loss = criterion(output, target)	# 计算损失
		loss.backward()	# 计算损失对于各个参数的梯度
		optimizer.step()	# 执行单步优化操作：更新参数
	#----------------------------------------------------
	model.eval() # 设置模型为评估/测试模式
	# 一般如果验证集不是很大的话，模型验证就不需要按批量进行了，但要注意输入参数的维度不能错
	valid_output = model(X_val)
	valid_loss = criterion(valid_output, y_val)	# 注意这里的输入参数维度要符合要求，我这里为了简单，并未考虑这一点

	early_stopping(valid_loss, model)
	# 若满足 early stopping 要求
	if early_stopping.early_stop:
		print("Early stopping")
		# 结束模型训练
		break
# 获得 early stopping 时的模型参数
model.load_state_dict(torch.load('checkpoint.pt'))	

以下是 $pytorch\_tools$ 工具的代码：

import numpy as np
import torch

class EarlyStopping:
    """Early stops the training if validation loss doesn't improve after a given patience."""
    def __init__(self, patience=7, verbose=False, delta=0):
        """
        Args:
            patience (int): How long to wait after last time validation loss improved.
                            Default: 7
            verbose (bool): If True, prints a message for each validation loss improvement. 
                            Default: False
            delta (float): Minimum change in the monitored quantity to qualify as an improvement.
                            Default: 0
        """
        self.patience = patience
        self.verbose = verbose
        self.counter = 0
        self.best_score = None
        self.early_stop = False
        self.val_loss_min = np.Inf
        self.delta = delta

    def __call__(self, val_loss, model):

        score = -val_loss

        if self.best_score is None:
            self.best_score = score
            self.save_checkpoint(val_loss, model)
        elif score < self.best_score + self.delta:
            self.counter += 1
            print(f'EarlyStopping counter: {self.counter} out of {self.patience}')
            if self.counter >= self.patience:
                self.early_stop = True
        else:
            self.best_score = score
            self.save_checkpoint(val_loss, model)
            self.counter = 0

    def save_checkpoint(self, val_loss, model):
        '''Saves model when validation loss decrease.'''
        if self.verbose:
            print(f'Validation loss decreased ({self.val_loss_min:.6f} --> {val_loss:.6f}).  Saving model ...')
        torch.save(model.state_dict(), 'checkpoint.pt')	# 这里会存储迄今最优模型的参数
        self.val_loss_min = val_loss

结束

总结完了，不过这些代码还是需要读者根据自己的模型做出改动。希望这篇博客对你会有所帮助，再一次，欢迎指出错误。