深度学习中的早停法

早停法（Early Stopping）是一种用于防止模型过拟合的技术，在训练过程中监视验证集（或者测试集）上的损失值。具体设立早停的限制包括两个主要参数：

1. Patience（耐心）：这是指验证集损失在连续多少个epoch没有显著改善时，才触发早停。当验证集损失连续几个epoch没有下降或者停止减少时，表示模型可能已经过拟合或者陷入局部最优点，这时候早停就会被触发。

2. Best Loss（最佳损失）：这是指在早停过程中保存的最低验证集损失值。当验证集损失值低于当前最佳损失时，更新最佳损失并重置耐心计数器。如果验证集损失连续不降，耐心计数器超过设定的耐心值时，早停就会被触发，训练过程停止。

   早停的具体设立是基于验证集上的损失值 val_loss。每次验证后，如果当前的 val_loss 比 best_loss 还要低，就更新 best_loss 并重置 patience_counter；否则，增加 patience_counter。当 patience_counter 达到设定的 patience 值时，早停被触发，即停止训练过程以防止模型过拟合。

   总结来说，早停的设立限制是基于耐心参数和最佳损失值，用来判断模型是否应该停止训练以避免过拟合。

# 训练模型
num_epochs = 200  # 总的训练轮数
best_loss = float('inf')  # 初始化最佳验证损失为正无穷大
patience = 10  # 早停的耐心值
patience_counter = 0  # 耐心计数器
 
for epoch in range(num_epochs):
    model.train()
    for geno, pheno in train_loader:
        optimizer.zero_grad()  # 梯度清零
        outputs = model(geno)  # 前向传播
        loss = criterion(outputs.squeeze(), pheno)  # 计算损失
        loss.backward()  # 反向传播
        optimizer.step()  # 优化模型参数
 
    model.eval()
    val_loss = 0
    with torch.no_grad():  # 不计算梯度
        for geno, pheno in test_loader:
            outputs = model(geno)  # 前向传播
            val_loss += criterion(outputs.squeeze(), pheno).item()  # 计算验证损失
    val_loss /= len(test_loader)  # 计算平均验证损失
    print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}, Val Loss: {val_loss:.4f}')
 
    scheduler.step(val_loss)  # 更新学习率
 
    # 早停法
    if val_loss < best_loss:
        best_loss = val_loss  # 更新最佳验证损失
        patience_counter = 0  # 重置耐心计数器
    else:
        patience_counter += 1  # 增加耐心计数器
        if patience_counter >= patience:  # 如果耐心计数器达到设定的耐心值
            print("Early stopping triggered")  # 触发早停
            break

1. EarlyStopping 类：
   • __init__ 方法初始化早停的参数，如 patience（耐心值）、verbose（是否打印消息）和 delta（损失改进的最小变化）。
   • __call__ 方法根据验证损失来决定是否更新 best_loss，以及是否增加计数器或者触发早停。
2. 训练循环：
   • 训练和验证过程与之前相同。
   • 每个epoch结束时，调用 early_stopping 对象，传入当前的验证损失。
   • 检查 early_stopping.early_stop 标志，如果为 True，则打印消息并停止训练。

通过使用 EarlyStopping 类，你可以更简洁和模块化地实现早停功能，使代码更易于维护和扩展。

import torch
import numpy as np
 
class EarlyStopping:
    def __init__(self, patience=10, verbose=False, delta=0):
        """
        EarlyStopping 初始化.
        Args:
            patience (int): 当验证集损失在指定的epoch数内没有减少时触发早停.
            verbose (bool): 如果为True，则每次验证集损失改进时会打印一条消息.
            delta (float): 验证集损失改进的最小变化.
        """
        self.patience = patience
        self.verbose = verbose
        self.delta = delta
        self.best_loss = None
        self.counter = 0
        self.early_stop = False
 
    def __call__(self, val_loss):
        if self.best_loss is None:
            self.best_loss = val_loss
        elif val_loss > self.best_loss - self.delta:
            self.counter += 1
            if self.verbose:
                print(f'EarlyStopping counter: {self.counter} out of {self.patience}')
            if self.counter >= self.patience:
                self.early_stop = True
        else:
            self.best_loss = val_loss
            self.counter = 0
            if self.verbose:
                print(f'Validation loss decreased to {self.best_loss:.6f}. Resetting counter.')
 
# 初始化EarlyStopping对象
early_stopping = EarlyStopping(patience=10, verbose=True)
 
# 训练模型
num_epochs = 200
for epoch in range(num_epochs):
    model.train()
    for geno, pheno in train_loader:
        optimizer.zero_grad()
        outputs = model(geno)
        loss = criterion(outputs.squeeze(), pheno)
        loss.backward()
        optimizer.step()
 
    model.eval()
    val_loss = 0
    with torch.no_grad():
        for geno, pheno in test_loader:
            outputs = model(geno)
            val_loss += criterion(outputs.squeeze(), pheno).item()
    val_loss /= len(test_loader)
    print(f'Epoch [{epoch + 1}/{num_epochs}], Loss: {loss.item():.4f}, Val Loss: {val_loss:.4f}')
 
    scheduler.step(val_loss)
 
    # 检查是否触发早停
    early_stopping(val_loss)
    if early_stopping.early_stop:
        print("Early stopping triggered")
        break