这一章将研究pytorch-accelerated的其他API，包括追踪Tracking、运行配置Run Config、微调Fine tuning。

Tracking

RunHistory抽象基类

RunHistory抽象基类定义了Trainer运行历史的API：

class pytorch_accelerated.tracking.RunHistory

（1）获得当前epoch的数值：

def current_epoch(self) -> int

（2）获得指定指标最近的记录值：

def get_latest_metric(self, metric_name)

（3）获得在追踪的所有指标的名字：

def get_metric_names(self) -> Iterable

返回的是一个集合，所以名称都是独一无二的。
（4）获得指定指标的所有值：

def get_metric_values(self, metric_name) -> Iterable

（5）重置：

def reset(self)

重置RunHistory的状态。
（6）记录指定指标的值：

def update_metric(self, metric_name, metric_value)

上面的RunHistory是抽象基类，其定义的方法都没有具体的实现。
InMemoryRunHistory是对RunHistory的一个具体实现。

class InMemoryRunHistory(RunHistory):
    """
    An implementation of :class:`RunHistory` which stores all recorded values in memory.
    """

def __init__(self):
        self._current_epoch = 1
        self._metrics = defaultdict(list)

def get_metric_names(self):
        return set(self._metrics.keys())

def get_metric_values(self, metric_name):
        return self._metrics[metric_name]

def get_latest_metric(self, metric_name):
        if len(self._metrics[metric_name]) > 0:
            return self._metrics[metric_name][-1]
        else:
            raise ValueError(
                f"No values have been recorded for the metric {metric_name}"
            )

def update_metric(self, metric_name, metric_value):
        self._metrics[metric_name].append(metric_value)

@property
    def current_epoch(self):
        return self._current_epoch

def _increment_epoch(self):
        self._current_epoch += 1

def reset(self):
        self._current_epoch = 1
        self._metrics = defaultdict(list)

Run Config

TrainerRunConfig是一个不可变的数据类，包含训练器Trainer当前状态的数值。

@dataclass(frozen=True)
class TrainerRunConfig:

其属性有：

• num_epochs：当前训练的迭代次数
• train_per_device_batch_size：训练时每个设备上的批大小
• train_dl_kwargs：创建训练集数据加载器的所需参数
• eval_per_device_batch_size：评估时每个设备上的批大小
• eval_dl_kwargs：创建验证集数据加载器的所需参数
• gradient_accumulation_steps：训练时梯度累加的步数
• gradient_clip_value：模型参数的梯度修剪的阈值
• train_total_batch_size：训练时总批大小
• eval_total_batch_size：评估时总批大小
• num_update_steps_per_epoch：训练时当模型参数更新时的步数
• max_num_train_steps：训练的总步数，如果指定的话，会覆盖掉num_epochs参数
• is_local_process_zero：如果当前进程是当前节点上的主进程，则为True；否则为False
• is_world_process_zero：如果当前进程是横跨所有节点的主进程，则为True，否则为False
• is_distributed：如果trainer是分布式训练，则为True，否则为False
• mixed_precision：包含所用的混合精度类型的字符串，否则为no

Fine tuning

ModelFreezer是一个用来冻结和解冻一个模型的不同部分的类，其用来简化迁移学习中微调的操作。

class pytorch_accelerated.finetuning.ModelFreezer(model, freeze_batch_norms=False)

该类使用以下的抽象定义：

• Layer：是一个深度为1的torch.nn.Module的子类，即这个特定的module不是嵌套的
• LayerGroup：是模型类的属性，可以是网络层layers或嵌套的modules

举个例子，如下的模型：

from torch import nn

class MyModel(nn.Module):
    def __init__(self):
        super().__init__()
        self.input = nn.Linear(100, 100)
        self.block_1 = nn.Sequential(
            nn.Linear(100, 100),
            nn.BatchNorm1d(100),
            nn.Sequential(
                nn.Linear(100, 100),
                nn.BatchNorm1d(100),
                nn.ReLU(),
            ),
        )
        self.output = nn.Linear(100, 10)

def forward(self, x):
        x = self.input(x)
        x = self.block_1(x)
        out = self.output(x)
        return out

该模型的LayerGroup就是[input, block_1, output]，而Layers则是一个有序的、压平的Linear、BatchNorm、ReLU模块列表。

主要方法有：
（1）冻结指定索引的LayerGroup：

freeze(from_index=0, to_index=-2, set_modules_as_eval=False)

默认情况下，这将冻结所有层组，除了最后一个层组。
参数有：

• from_index：第一个被冻结的LayerGroup的索引
• to_index：最后一个被冻结的LayerGroup的索引
• set_modules_as_eval：若为True，这些冻结的模块也会被置为eval模式。默认是False

（2）返回模型的所有LayerGroups：

get_layer_groups() → List[LayerGroup]

（3）返回模型的所有Layer：

get_layers() → List[Layer]

（4）返回所有未被冻结的模型参数：

get_trainable_parameters()

这些参数将在训练中被更新。
（5）解冻指定索引的LayerGroup：

unfreeze(from_index=-1, to_index=0, set_modules_as_training=True)

默认情况下，这将解冻所有LayerGroups。对于一个LayerGroup，任何已经解冻的参数都会被返回，这样如果需要的话，它们可以被添加到一个优化器中。
参数有：

• from_index：第一个被解冻的LayerGroup的索引
• to_index：最后一个被解冻的LayerGroup的索引
• set_modules_as_training：若为True，这些解冻的模块也会被置为train模式。默认是True。

返回值是：包含每一个解冻的layer Group的参数的字典。