在Darts项目中记录训练和验证损失值的方法
2025-05-27 23:42:39作者:戚魁泉Nursing
概述
在机器学习模型训练过程中,监控训练和验证损失值的变化对于理解模型性能至关重要。本文将介绍如何在Darts项目中有效地记录和访问这些关键指标。
使用PyTorch Lightning回调机制
Darts基于PyTorch Lightning构建,因此我们可以利用其强大的回调系统来记录损失值。回调是在训练过程中特定时间点执行的函数,非常适合用于监控目的。
自定义损失记录回调
创建一个继承自Callback
的自定义回调类是最直接的方法:
import pytorch_lightning as pl
class StepLossLogger(pl.Callback):
"""用于在训练过程中记录每一步/批次的训练和验证损失"""
def __init__(self):
self.train_step = [] # 记录训练步数
self.train_loss = [] # 记录训练损失
self.val_step = [] # 记录验证步数
self.val_loss = [] # 记录验证损失
def on_train_batch_end(self, trainer, *args, **kwargs):
"""在每个训练批次结束时记录训练损失"""
self.train_step.append(int(trainer.global_step))
self.train_loss.append(float(trainer.callback_metrics["train_loss"]))
def on_validation_end(self, trainer, *args, **kwargs):
"""在每次验证结束时记录验证损失"""
self.val_step.append(int(trainer.global_step))
self.val_loss.append(float(trainer.callback_metrics["val_loss"]))
集成到Darts模型训练中
将自定义回调集成到Darts模型训练流程中有两种主要方式:
方法一:通过pl_trainer_kwargs参数
loss_logger = StepLossLogger()
model = TiDEModel(
# 模型参数...
pl_trainer_kwargs={"callbacks": [loss_logger]}
)
model.fit(...)
方法二:直接创建Trainer实例
loss_logger = StepLossLogger()
callbacks = [early_stopping, loss_logger] # 可以与其他回调组合使用
trainer = pl.Trainer(
devices=[0], # 指定GPU设备
callbacks=callbacks,
max_epochs=100,
)
model.fit_from_dataset(
train_dataset=train_data,
val_dataset=val_data,
trainer=trainer,
verbose=True,
)
访问记录的损失数据
训练完成后,可以通过回调实例直接访问记录的损失数据:
# 获取训练损失
train_losses = loss_logger.train_loss
# 获取验证损失
val_losses = loss_logger.val_loss
# 获取对应的步数
train_steps = loss_logger.train_step
val_steps = loss_logger.val_step
实际应用建议
-
可视化损失曲线:使用Matplotlib或Seaborn绘制训练和验证损失曲线,直观观察模型收敛情况。
-
异常检测:监控损失值的异常波动,可能指示学习率设置不当或数据问题。
-
模型选择:基于验证损失选择最佳模型,避免过拟合。
-
训练过程分析:通过损失变化分析模型训练动态,如是否收敛、是否出现震荡等。
扩展功能
可以进一步扩展回调功能,例如:
- 添加学习率记录
- 实现自定义的早停策略
- 记录模型权重分布
- 实现训练过程的可视化
总结
通过PyTorch Lightning的回调机制,我们可以方便地在Darts项目中记录和分析训练过程中的各种指标。这种方法不仅适用于损失值记录,还可以扩展到其他训练指标的监控,为模型开发和调优提供有力支持。
登录后查看全文
热门项目推荐
- QQwen3-Next-80B-A3B-InstructQwen3-Next-80B-A3B-Instruct 是一款支持超长上下文(最高 256K tokens)、具备高效推理与卓越性能的指令微调大模型00
- QQwen3-Next-80B-A3B-ThinkingQwen3-Next-80B-A3B-Thinking 在复杂推理和强化学习任务中超越 30B–32B 同类模型,并在多项基准测试中优于 Gemini-2.5-Flash-Thinking00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0265cinatra
c++20实现的跨平台、header only、跨平台的高性能http库。C++00AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。02- HHunyuan-MT-7B腾讯混元翻译模型主要支持33种语言间的互译,包括中国五种少数民族语言。00
GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile06
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
热门内容推荐
最新内容推荐
项目优选
收起

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
139
1.91 K

deepin linux kernel
C
22
6

Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
8
0

React Native鸿蒙化仓库
C++
192
273

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
923
551

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
421
392

openGauss kernel ~ openGauss is an open source relational database management system
C++
145
189

为非计算机科班出身 (例如财经类高校金融学院) 同学量身定制,新手友好,让学生以亲身实践开源开发的方式,学会使用计算机自动化自己的科研/创新工作。案例以量化投资为主线,涉及 Bash、Python、SQL、BI、AI 等全技术栈,培养面向未来的数智化人才 (如数据工程师、数据分析师、数据科学家、数据决策者、量化投资人)。
Jupyter Notebook
74
64

本仓将收集和展示高质量的仓颉示例代码,欢迎大家投稿,让全世界看到您的妙趣设计,也让更多人通过您的编码理解和喜爱仓颉语言。
Cangjie
344
1.3 K

Elasticsearch
国内Top1 elasticsearch搜索引擎框架es ORM框架,索引全自动智能托管,如丝般顺滑,与Mybatis-plus一致的API,屏蔽语言差异,开发者只需要会MySQL语法即可完成对Es的相关操作,零额外学习成本.底层采用RestHighLevelClient,兼具低码,易用,易拓展等特性,支持es独有的高亮,权重,分词,Geo,嵌套,父子类型等功能...
Java
36
8