知识卡片
训练器封装流程
训练器组合输入节点、标签、损失、优化器、批大小和轮次,管理逐样本赋值、梯度累计、参数更新和可选评估。书中将权重初始化与优化器更新留给子类,以适配单机和分布式策略;多个输入通过节点名映射到数据。示例只在满批时更新,尾批未显式处理,实际实现应定义更新或清理策略。
结构图:
classDiagram
Trainer <|-- SimpleTrainer
Trainer --> Optimizer : optimizer
Trainer --> Node : inputs and loss
class Trainer {
+train_and_eval(train_x, train_y, test_x, test_y)
+main_loop(train_x, train_y, test_x, test_y)
+train(train_x, train_y)
+eval(test_x, test_y)
+one_step(data_x, data_y, is_eval)
+_variable_weights_init()
+_optimizer_update()
}
class SimpleTrainer {
+_variable_weights_init()
+_optimizer_update()
}
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 训练与评估 9.1 训练和Trainer训练器 · 查看原书依据
训练器正是把这些元素组织、管理起来的一个工具
参考来源
- 位置:《用Python实现深度学习框架》第9章《训练与评估》,9.1 训练和Trainer训练器(来源项目 book-source:`extracted/用Python实现深度学习框架/_epub-src/text/part0000_split_075.html`)
- 结论依据:原文列出训练器依赖与类方法,示例仅在索引满足批大小整除条件时更新。
- 原始内容:训练器正是把这些元素组织、管理起来的一个工具。