炼丹师的新宠：torchkeras——你的梦中情炉

在深度学习的炼丹世界中，PyTorch无疑是众多炼丹师的首选框架。然而，尽管PyTorch拥有简洁一致的API设计和强大的模型库，但不同模型库的训练和验证代码却千差万别，给炼丹师们带来了不小的困扰。今天，我们要介绍的torchkeras，正是为了解决这一痛点而生。

项目介绍

torchkeras是一个通用的PyTorch模型训练模板工具，旨在提供一个既美观又实用，且易于修改的训练框架。它不仅继承了PyTorch的灵活性，还融入了Keras的简洁易用性，让炼丹师们能够更加专注于模型的设计和优化，而不是繁琐的代码调整。

项目技术分析

torchkeras的核心设计理念是“三好”：好看、好用、好改。具体来说：

• 好看：代码优雅，日志美丽，自带可视化功能，让训练过程一目了然。
• 好用：支持进度条、评估指标、early-stopping等常用功能，并可通过回调函数扩展，如tensorboard和wandb。
• 好改：核心代码模块化，仅约200行，提供丰富的修改使用案例，便于用户根据需求进行定制。

项目及技术应用场景

torchkeras适用于各种PyTorch模型的训练，无论是学术研究还是工业应用。它能够简化训练流程，提高开发效率，特别适合以下场景：

• 快速原型开发：通过简洁的API快速搭建和训练模型。
• 模型微调：在已有模型基础上进行微调，适应特定任务。
• 大规模训练：支持多GPU训练和混合精度训练，提升训练效率。

项目特点

torchkeras的独特之处在于：

• 简洁的API设计：模仿Keras的compile, fit, evaluate三连击，让训练流程清晰易懂。
• 丰富的功能支持：包括进度条、评估指标、early-stopping、GPU训练、多GPU训练（DDP）、混合精度训练等。
• 高度可定制：核心代码模块化，用户可以根据需要轻松修改和扩展。
• 动态可视化：在Jupyter Notebook中提供动态可视化图像和训练日志进度条，实时监控训练状态。

结语

torchkeras不仅是一个工具，更是一个炼丹师的好伙伴。它将PyTorch的灵活性和Keras的简洁性完美结合，让炼丹过程更加流畅和高效。如果你还在为繁琐的训练代码而烦恼，不妨试试torchkeras，它或许会成为你的梦中情炉。

---

安装命令：

pip install torchkeras

核心使用代码：

import torch 
import torchkeras
import torchmetrics
model = torchkeras.KerasModel(net,
                              loss_fn = nn.BCEWithLogitsLoss(),
                              optimizer= torch.optim.Adam(net.parameters(),lr = 1e-4),
                              metrics_dict = {"acc":torchmetrics.Accuracy(task='binary')}
                             )
dfhistory=model.fit(train_data=dl_train, 
                    val_data=dl_val, 
                    epochs=20, 
                    patience=3, 
                    ckpt_path='checkpoint',
                    monitor="val_acc",
                    mode="max",
                    plot=True
                   )

动态可视化示例：

import time
import math,random
from torchkeras import VLog

epochs = 10
batchs = 30

vlog = VLog(epochs, monitor_metric='val_loss', monitor_mode='min') 
vlog.log_start() 

for epoch in range(epochs):
    for step in range(batchs):
        vlog.log_step({'train_loss':100-2.5*epoch+math.sin(2*step/batchs)}) 
        time.sleep(0.05)
    for step in range(20):
        vlog.log_step({'val_loss':100-2*epoch+math.sin(2*step/batchs)},training=False)
        time.sleep(0.05)
    vlog.log_epoch({'val_loss':100 - 2*epoch