Super-Gradients 训练中的 EarlyStop 回调函数使用指南
在使用 Super-Gradients 框架进行模型训练时,EarlyStop 是一个非常有用的回调函数,它可以帮助我们在验证指标不再改善时提前终止训练,从而节省计算资源和时间。本文将详细介绍如何正确配置和使用 EarlyStop 回调函数。
问题背景
在 Super-Gradients 框架中,许多开发者会遇到一个常见错误:当尝试使用 EarlyStop 回调函数时,系统会抛出 AttributeError: 'EarlyStop' object has no attribute 'append'
的错误。这通常是由于回调函数配置不当导致的。
正确配置方法
1. 导入必要的模块
首先需要导入 EarlyStop 类和 Phase 枚举:
from super_gradients.training.utils.early_stopping import EarlyStop
from super_gradients.training.utils.callbacks import Phase
2. 创建 EarlyStop 实例
创建一个 EarlyStop 回调实例,配置相关参数:
early_stop_loss = EarlyStop(
phase=Phase.VALIDATION_EPOCH_END, # 在验证阶段结束时检查
monitor="valid_loss", # 监控验证损失
mode="min", # 希望损失值越小越好
min_delta=0.5, # 最小改善阈值
patience=3, # 容忍不改善的epoch数
verbose=True, # 打印日志信息
strict=True, # 严格模式
)
3. 将回调函数添加到训练参数
关键点:phase_callbacks
参数期望接收一个回调函数的列表,而不是单个回调对象。这是导致上述错误的根本原因。
正确做法是将 EarlyStop 实例放入列表中:
train_params = {
# 其他训练参数...
"phase_callbacks": [early_stop_loss], # 注意这里是列表形式
# 其他训练参数...
}
参数详解
-
phase:指定回调函数触发的时机,通常设置为
VALIDATION_EPOCH_END
,表示在每个验证周期结束时检查。 -
monitor:指定要监控的指标名称,如验证损失("valid_loss")或准确率等。
-
mode:指定监控指标的最优方向:
- "min":指标越小越好(如损失值)
- "max":指标越大越好(如准确率)
-
min_delta:定义"改善"的最小变化量,只有超过这个阈值的变化才被认为是真正的改善。
-
patience:在触发停止前允许指标不改善的epoch数。
-
verbose:是否打印详细日志信息。
-
strict:是否严格检查监控指标是否存在。
使用建议
-
对于不同的任务,可能需要调整
min_delta
和patience
参数:- 对于波动较大的训练过程,可以增大
min_delta
或patience
- 对于稳定的训练过程,可以使用较小的值以便更早停止
- 对于波动较大的训练过程,可以增大
-
可以同时监控多个指标,创建多个 EarlyStop 实例并都添加到
phase_callbacks
列表中。 -
EarlyStop 可以与其他回调函数(如模型检查点、学习率调度器等)一起使用,只需将它们都添加到同一个列表中。
通过正确配置 EarlyStop 回调函数,可以有效防止模型过拟合,并在适当的时候终止训练,从而优化训练效率和资源使用。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
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~044CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-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。00openHiTLS
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!C0300- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









