训练于评估流程

圈圈圈小明

于 2024-10-06 16:56:01 发布

阅读量199

点赞数 1

文章标签：深度学习

本文链接：https://blog.csdn.net/wenxi2367/article/details/142728985

版权

主程序调用
    |
    V
train_and_evaluate_torch (异步训练与评估)
    |
    V
process_feature_combination (异步处理单个特征组合)
    |
    |---> process_data (数据处理)
    |
    |---> create_regressor (创建回归模型)
    |
    |---> 对每个模型执行以下步骤：
            |
            |---> 设置优化器、损失函数、GradScaler 和 KFold
            |
            |---> 对每个 K 折交叉验证折叠执行：
                    |
                    |---> 准备训练和验证数据
                    |
                    |---> train_model_for_epochs (多轮训练模型)
                    |
                    |---> evaluate_and_return_results (评估并返回结果)
                    |
                    |---> 返回评估结果

流程图详细说明

主程序调用
- 主程序通过异步调用 train_and_evaluate_torch 函数，传递必要的参数，如特征组合、数据、超参数等。
train_and_evaluate_torch (异步训练与评估)
- 这是主训练与评估流程的入口，负责遍历所有特征组合并调用相应的处理函数。
process_feature_combination (异步处理单个特征组合)
- 异步处理单个特征组合，包括数据处理、模型创建、训练和评估。
process_data (数据处理)
- 将数据分离为特征 (X) 和目标变量 (y)。
- 功能：提取特征和目标，准备模型输入。
create_regressor (创建回归模型)
- 根据给定的参数模型 (param_model) 和输入大小 (input_size) 创建多个回归模型实例。
- 功能：生成不同超参数组合的模型，以便进行超参数调优。
对每个模型执行以下步骤：
- 设置优化器、损失函数、GradScaler 和 KFold
  - 初始化优化器（如 Adam）、损失函数（如 MSELoss）、GradScaler（用于混合精度训练）和 KFold（用于交叉验证）。
- 对每个 K 折交叉验证折叠执行：
  - 准备训练和验证数据
    - 根据当前的折叠索引划分训练集和验证集，并将数据转换为张量并移动到指定设备（GPU/CPU）。
  - train_model_for_epochs (多轮训练模型)
    - 在训练数据上多轮训练模型，包含梯度裁剪和学习率调整。
    - 功能：执行训练循环，优化模型参数，防止过拟合。
  - evaluate_and_return_results (评估并返回结果)
    - 在验证数据上评估模型性能，计算评估指标（如 MSE、MAE、R²）。
    - 功能：获取模型在验证集上的表现，用于模型选择和超参数调优。
  - 返回评估结果
    - 将评估结果返回，以便进一步处理或保存。

文字流程图总结

主程序 通过调用 train_and_evaluate_torch 启动整个训练与评估流程。
train_and_evaluate_torch 调用 process_feature_combination，处理每个特征组合。
process_feature_combination 依次调用 process_data 和 create_regressor，然后对每个模型进行训练和评估。
train_model_for_epochs 和 evaluate_and_return_results 分别负责模型的训练和评估，确保整个流程模块化、清晰且易于维护。

通过这种模块化的设计，你可以更方便地管理和扩展各个功能，同时提高代码的可读性和可维护性。