Začněte nyníZačněte zdarma

Optimalizace trénování modelu s Lightning

Díky automatizovaným technikám jako ModelCheckpoint a EarlyStopping zajistíš, že model vybere nejlépe fungující parametry a zároveň se vyhnete zbytečným výpočtům.

Dataset – podmnožina datasetu Osmanya MNIST – představuje reálný příklad, kde škálovatelné techniky trénování AI mohou výrazně zlepšit efektivitu i přesnost.

OsmanyaDataModule a ImageClassifier jsou pro tebe předem definovány.

Toto cvičení je součástí kurzu

Škálovatelné modely AI s PyTorch Lightning

Zobrazit kurz

Pokyny k cvičení

  • Importuj callbacks, které použiješ pro ukládání kontrolních bodů modelu a předčasné zastavení trénování.
  • Natrénuj model s callbacks ModelCheckpoint a EarlyStopping.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import relevant checkpoints
from lightning.pytorch.callbacks import ____, ____

class EvaluatedImageClassifier(ImageClassifier):
    def validation_step(self, batch, batch_idx):
        x, y = batch
        y_hat = self(x)
        acc = (y_hat.argmax(dim=1) == y).float().mean()
        self.log("val_acc", acc)

model = EvaluatedImageClassifier()
data_module = OsmanyaDataModule()
# Train the model with ModelCheckpoint and EarlyStopping checkpoints
trainer = Trainer(____=[____(monitor="val_acc", save_top_k=1), ____(monitor="val_acc", patience=3)])
trainer.fit(model, datamodule=data_module)
Upravit a spustit kód