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。
- 主程序通过异步调用
-
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。
- 将数据分离为特征 (
-
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。
- 根据给定的参数模型 (
-
对每个模型执行以下步骤:
- 设置优化器、损失函数、GradScaler 和 KFold
- 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。
- 将评估结果返回,以便进一步处理或保存。
- 准备训练和验证数据
- 设置优化器、损失函数、GradScaler 和 KFold
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。