学习写python包-训练模型（scimilarity不使用py

要使用纯 PyTorch 训练模型，而不是依赖于 PyTorch Lightning，需要手动实现训练循环、验证、测试步骤以及优化器的配置。

1. 准备数据集和数据加载器（Data Loaders）
   使用 scDataset 类来创建训练、验证和测试数据集。创建 PyTorch 的 DataLoader 实例，用于加载数据。
2. 构建模型
   初始化模型（如 Encoder 和 Decoder）。
3. 定义优化器和损失函数
   设置优化器，例如 Adam 或 SGD。定义损失函数，例如三元组损失和均方误差损失。
4. 训练循环
   对数据进行迭代，执行正向传播、计算损失、进行反向传播和优化器步骤。
5. 验证和测试
   在训练过程中或之后，对验证和测试数据集进行评估。

以下是如何在 PyTorch 中实现这些步骤的示例代码：

import torch
from torch.utils.data import DataLoader

# 1. 准备数据集和数据加载器
train_dataset = scDataset(...)  # 使用适当的参数填充
train_loader = DataLoader(train_dataset, batch_size=..., num_workers=..., sampler=...)

val_dataset = scDataset(...)
val_loader = DataLoader(val_dataset, batch_size=..., num_workers=...)

# 2. 构建模型
encoder = Encoder(...)
decoder = Decoder(...)

# 3. 定义优化器和损失函数
optimizer = torch.optim.Adam([...], lr=...)
triplet_loss_fn = TripletLoss(...)
mse_loss_fn = torch.nn.MSELoss()

# 4. 训练循环
for epoch in range(num_epochs):
    for batch in train_loader:
        cells, labels, _ = batch
        optimizer.zero_grad()

        embeddings = encoder(cells)
        reconstructions = decoder(embeddings)

        triplet_loss = triplet_loss_fn(embeddings, labels, ...)
        reconstruction_loss = mse_loss_fn(cells, reconstructions)
        loss = ...  # 根据需要组合损失

        loss.backward()
        optimizer.step()

    # 5. 验证步骤
    with torch.no_grad():
        for batch in val_loader:
            cells, labels, _ = batch
            embeddings = encoder(cells)
            reconstructions = decoder(embeddings)

            # 计算和记录验证损失
            ...

# 测试步骤类似于验证步骤，只是使用测试数据集