pytorch train早停如何实现

PyTorch 中实现早停（Early Stopping）的方法有很多种，其中一种常见的方法是使用验证集（validation set）来监控模型的性能，当验证集上的性能不再提高时，停止训练。下面是一个简单的实现方法：

1. 定义一个验证集和数据加载器（DataLoader）：

from torch.utils.data import DataLoader, random_split

# 假设 train_dataset 是你的训练数据集，val_dataset 是你的验证数据集
train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True)
val_loader = DataLoader(val_dataset, batch_size=32, shuffle=False)

2. 定义一个函数来计算模型在验证集上的性能指标（例如准确率）：

def compute_metrics(model, val_loader):
    model.eval()
    correct = 0
    total = 0
    with torch.no_grad():
        for images, labels in val_loader:
            outputs = model(images)
            _, predicted = torch.max(outputs.data, 1)
            total += labels.size(0)
            correct += (predicted == labels).sum().item()
    accuracy = 100 * correct / total
    return {'accuracy': accuracy}

3. 定义一个早停类，用于监控验证集上的性能指标，并在性能不再提高时停止训练：

class EarlyStopping:
    def __init__(self, patience=10, verbose=False):
        self.patience = patience
        self.verbose = verbose
        self.best_score = float('-inf')
        self.wait = 0

    def step(self, model, val_loader):
        score = compute_metrics(model, val_loader)['accuracy']
        if score > self.best_score:
            self.best_score = score
            self.wait = 0
        else:
            self.wait += 1
            if self.wait >= self.patience:
                if self.verbose:
                    print(f'Early stopping at epoch {epoch}, best accuracy: {self.best_score:.2f}')
                return True
        return False

4. 在训练循环中使用早停类：

early_stopping = EarlyStopping(patience=10, verbose=True)

for epoch in range(num_epochs):
    model.train()
    # 训练代码

    model.eval()
    should_stop = early_stopping.step(model, val_loader)
    if should_stop:
        break

在这个例子中，我们定义了一个 EarlyStopping 类，它会在验证集上的性能指标不再提高时停止训练。我们在训练循环中使用这个类，并在每个 epoch 结束时调用它的 step 方法。如果 step 方法返回 True，则表示应该停止训练。