PyTorch 模型训练与保存：使用torch.save保存最佳模型

这段代码展示了如何在 PyTorch 模型训练过程中使用 torch.save(model, checkpt_file) 保存最佳模型。

在循环遍历每个 epoch 时，模型会进行训练并计算训练集上的损失。代码中使用 validate 参数来控制是否进行验证集的评估。如果进行验证，模型会使用验证集计算验证集上的损失和准确率，并将结果存储在 cost_val 列表中。

接下来，代码会根据验证集上的准确率和损失函数值来判断是否更新最佳模型。如果当前的验证准确率和损失函数值都超过了之前的最优值，就将当前模型保存到 checkpt_file 指定的文件中。

代码中使用了两个变量 vacc_mx 和 vlss_mn 来存储当前最佳的验证准确率和最小损失函数值，并且使用了 curr_step 变量来记录当前连续未达到最佳模型的 epoch 数量。当连续 args.early_stopping 个 epoch 未达到最佳模型时，训练就会提前停止。

torch.save(model, checkpt_file) 的作用是将训练好的模型保存到指定的文件中，以便后续使用。这样可以在训练过程中不断更新最优模型，并在训练结束后使用最优模型进行预测。

以下是代码的详细解释：

for epoch in range(args.epochs):
    t = time.time()

    #   for train
    model.train()
    optimizer.zero_grad()

    output = model(features, adjtensor)

    # 平均输出
    areout = output[1]

    loss_xy = 0
    loss_ncl = 0

    for k in range(len(output[0])):
        # print('k = ' + str(k))
        # print(F.nll_loss(output[0][k][idx_train], labels[idx_train]))
        # print(F.mse_loss(output[0][k][idx_unlabel], areout[idx_unlabel]))
        loss_xy += F.nll_loss(output[0][k][idx_train], labels[idx_train])
        loss_ncl += F.mse_loss(output[0][k][idx_unlabel], areout[idx_unlabel])


    loss_train = (1-args.lamd)* loss_xy - args.lamd * loss_ncl
    # loss_train = (1 - args.lamd) * loss_xy + args.lamd * 1 / loss_ncl



    # loss_train = (1 - args.lamd) * loss_xy + args.lamd * (torch.exp(-loss_ncl))


    print(loss_xy)
    print(loss_ncl)

    print(torch.exp(-loss_ncl))

    print((1 - args.lamd) * loss_xy)
    print(args.lamd * (torch.exp(-loss_ncl)))



    print(epoch)
    print(loss_train)
    print('.............')
    acc_train = accuracy(areout[idx_train], labels[idx_train])

    loss_train.backward()
    optimizer.step()

    #   for val
    if validate:
        # print('no')
        model.eval()
        output = model(features, adjtensor)
        areout = output[1]
        vl_step = len(idx_val)
        loss_val = F.nll_loss(areout[idx_val], labels[idx_val])
        acc_val = accuracy(areout[idx_val], labels[idx_val])
        # vl_step = len(idx_train)
        # loss_val = F.nll_loss(areout[idx_train], labels[idx_train])
        # acc_val = accuracy(areout[idx_train], labels[idx_train])

        cost_val.append(loss_val)

        # 原始GCN的验证
        # if epoch > args.early_stopping and cost_val[-1] > torch.mean(torch.stack(cost_val[-(args.early_stopping + 1):-1])):
        #     # print('Early stopping...')
        #     print(epoch)
        #     break
        # print(epoch)
        # GAT的验证
        if acc_val/vl_step >= vacc_mx or loss_val/vl_step <= vlss_mn:
            if acc_val/vl_step >= vacc_mx and loss_val/vl_step <= vlss_mn:
                vacc_early_model = acc_val/vl_step
                vlss_early_model = loss_val/vl_step
                torch.save(model, checkpt_file)

            vacc_mx = np.max((vacc_early_model, vacc_mx))
            vlss_mn = np.min((vlss_early_model, vlss_mn))
            curr_step = 0

        else:
            curr_step += 1

            # print(curr_step)
            if curr_step == args.early_stopping:
                # print('Early stop! Min loss: ', vlss_mn, ', Max accuracy: ', vacc_mx)
                # print('Early stop model validation loss: ', vlss_early_model, ', accuracy: ', vacc_early_model)
                break

这段代码展示了如何在 PyTorch 模型训练过程中使用 torch.save(model, checkpt_file) 保存最佳模型。通过监测验证集上的准确率和损失函数值，将达到最佳性能的模型保存到指定的文件中，以便后续使用。