НачатьНачать бесплатно

Оптимизация обучения модели с помощью Lightning

Используя автоматизированные техники ModelCheckpoint и EarlyStopping, вы обеспечите выбор наилучших параметров модели и избежите лишних вычислений.

Набор данных — подмножество Osmanya MNIST — представляет собой реальный сценарий, в котором масштабируемые техники обучения ИИ позволяют существенно повысить эффективность и точность.

OsmanyaDataModule и ImageClassifier уже определены за вас.

Это упражнение является частью курса

Масштабируемые модели ИИ с PyTorch Lightning

Посмотреть курс

Инструкции к упражнению

  • Импортируйте колбэки для сохранения контрольных точек модели и ранней остановки обучения.
  • Обучите модель, используя колбэки ModelCheckpoint и EarlyStopping.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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)
Редактировать и запускать код