trainer

# Trainer - 全面指南 ## 概述 Trainer（训练器）在将 PyTorch 代码组织为 LightningModule 后，可自动执行训练工作流。它自动处理循环细节、设备管理、回调、梯度操作、检查点保存和分布式训练。 ## 核心目的 Trainer 管理以下内容： - 自动启用/禁用梯度 - 运行训练、验证和测试数据加载器 - 在适当时间调用回调 - 将批次放置在正确的设备上 - 编排分布式训练 - 进度条和日志记录 - 检查点保存和提前停止 ## 主要方法 ### `fit(model, train_dataloaders=None, val_dataloaders=None, datamodule=None)` 运行完整的训练例程，包括可选的验证。 **参数：** - `model` - 要训练的 LightningModule - `train_dataloaders` - 训练 DataLoader(s) - `val_dataloaders` - 可选的验证 DataLoader(s) - `datamodule` - 可选的 LightningDataModule（替换数据加载器） **示例：** python # 使用 DataLoaders trainer = L.Trainer(max_epochs=10) trainer.fit(model, train_loader, val_loader) # 使用 DataModule trainer.fit(model, datamodule=dm) # 从检查点继续训练 trainer.fit(model, train_loader, ckpt_path="checkpoint.ckpt") ### `validate(model=None, dataloaders=None, datamodule=None)` 在不进行训练的情况下运行验证循环。 **示例：** python trainer = L.Trainer() trainer.validate(model, val_loader) ### `test(model=None, dataloaders=None, datamodule=None)` 运行测试循环。仅在发布结果前使用。 **示例：** python trainer = L.Trainer() trainer.test(model, test_loader) ### `predict(model=None, dataloaders=None, datamodule=None)` 对数据运行推理并返回预测结果。 **示例：** python trainer = L.Trainer() predictions = trainer.predict(model, predict_loader) ## 关键参数 ### 训练时长 #### `max_epochs` (int) 训练的最大轮数。默认：1000 python trainer = L.Trainer(max_epochs=100) #### `min_epochs` (int) 训练的最小轮数。默认：None python trainer = L.Trainer(min_epochs=10, max_epochs=100) #### `max_steps` (int) 优化器的最大步数。会覆盖 max_epochs。默认：-1（无限制） python trainer = L.Trainer(max_steps=10000) #### `max_time` (str 或 dict) 最大训练时间。适用于有时间限制的集群。 python # 字符串格式 trainer = L.Trainer(max_time="00:12:00:00") # 12 小时 # 字典格式