到达时间估计调度模块

本调度器类主要负责完成所有到达时间估计模型的训练和评估过程。

调度模块参数

下面主要介绍此调度器类所能够接收的参数：

  • max_epoch：训练总轮数，初值由模型设定。

  • epoch：起始训练的轮数，如果大于0，会先从./libcity/cache/model_cache加载该epoch的模型（缓存文件名为[模型名_数据集名_epoch+轮数.tar]），然后继续完成接下来的训练或评估。

  • learner：优化器optimizer的类别（字符串），目前支持adam、sgd、adagrad、rmsprop、sparse_adam，默认’adam’。

    • learning_rate：optimizer的参数，学习率，默认0.01。

    • weight_decay：optimizer的参数，默认0.0。

    • lr_epsilon：optimizer的参数，默认1e-8。

    • lr_beta1： optimizer的参数，默认0.9。

    • lr_beta2： optimizer的参数，默认0.999。

    • lr_alpha： optimizer的参数，默认0.99。

    • lr_momentum： optimizer的参数，默认0。

  • lr_decay：是否是用lr_scheduler，默认False。

    • lr_scheduler：lr_scheduler的类别，目前支持MultiStepLR、StepLR、ExponentialLR、CosineAnnealingLR、LambdaLR以及ReduceLROnPlateau。

      • lr_decay_ratio：MultiStepLR、StepLR、ExponentialLR、ReduceLROnPlateau的参数。

      • steps：MultiStepLR的参数。

      • step_size：StepLR的参数。

      • lr_lambda：LambdaLR的参数【此参数需要指定为一个函数，目前基于json的配置文件不支持】。

      • lr_T_max：CosineAnnealingLR的参数。

      • lr_eta_min：CosineAnnealingLR的参数。

      • lr_patience： ReduceLROnPlateau的参数。

      • lr_threshold：ReduceLROnPlateau的参数。

  • clip_grad_norm：是否是用clip_grad_norm_，默认False（torch.nn.utils.clip_grad_norm_）。

  • use_early_stop：是否是用早停机制，默认False。

    • patience：早停机制的轮数，每当验证集误差>最小验证误差，则累计1，反之则清0从头累计，累计到patience次就结束训练。

  • train_loss： 训练时使用的损失函数（字符串）。目前支持mae、mape、mse、rmse、masked_mae、masked_mape、masked_mse、masked_rmse、r2、evar。

  • log_level：log的级别设置，默认为INFO，超过INFO级别的log都将被输出，具体参考第三方库logging。

    • log_every：训练过程中用log记录过程的频次。

  • saved_model：是否保存训练过程中的model，默认True。

  • gpu：是否是用gpu训练，默认True。

    • gpu_id：指定使用的gpu的id，默认0。

    • device*：不能从外部指定，由参数gpu和gpu_id共同确定，在模型的代码中，使用config['device']即可取得，不需要使用参数gpu和gpu_id。