Pytorch Lightning 回调

# 回调 (Callbacks) - 综合指南 ## 概述 回调允许在不干扰 LightningModule 研究代码的情况下，向训练过程添加任意独立的程序。它们在训练生命周期的特定钩子处执行自定义逻辑。 ## 架构 Lightning 将训练逻辑组织为三个组件： - **Trainer** - 工程基础设施 - **LightningModule** - 研究代码 - **Callbacks** - 非核心功能（监控、检查点保存、自定义行为） ## 创建自定义回调 基本结构： python from lightning.pytorch.callbacks import Callback class MyCustomCallback(Callback): def on_train_start(self, trainer, pl_module): print("训练开始！") def on_train_end(self, trainer, pl_module): print("训练结束！") # 与 Trainer 一起使用 trainer = L.Trainer(callbacks=[MyCustomCallback()]) ## 内置回调 ### ModelCheckpoint 根据监控的指标保存模型。 **关键参数：** - `dirpath` - 保存检查点的目录 - `filename` - 检查点文件名模式 - `monitor` - 要监控的指标 - `mode` - 监控指标的 "min" 或 "max" - `save_top_k` - 保留的最佳模型数量 - `save_last` - 保存最后一个 epoch 的检查点 - `every_n_epochs` - 每 N 个 epoch 保存一次 - `save_on_train_epoch_end` - 在训练 epoch 结束时保存，而非验证结束时 **示例：** python from lightning.pytorch.callbacks import ModelCheckpoint # 根据验证损失保存前 3 个模型 checkpoint_callback = ModelCheckpoint( dirpath="checkpoints/", filename="model-{epoch:02d}-{val_loss:.2f}", monitor="val_loss", mode="min", save_top_k=3, save_last=True ) # 每 10 个 epoch 保存一次 checkpoint_callback = ModelCheckpoint( dirpath="checkpoints/", filename="model-{epoch:02d}", every_n_epochs=10, save_top_k=-1 # 保存所有 ) # 根据准确率保存最佳模型 checkpoint_callback = ModelCheckpoint( dirpath="checkpoints/", filename="best-model", monitor="val_acc", mode="max", save_top_k=1 ) trainer = L.Trainer(callbacks=[checkpoint_callback]) **访问已保存的检查点：** python # 获取最佳模型路径 best_model_path = checkpoint_callback.best_model_path # 获取最后一个检查点路径 last_checkpoint = checkpoint_callback.last_model_path # 获取所有检查点路径 all_checkpoints = checkpoint_callback.best_k_models ### EarlyStopping 当监控的指标停止改善时停止训练。 **关键参数：** - `