0. 数据集搭建

1. 训练集（Train Set）：模型用于训练和调整模型参数；
2. 验证集（Validation Set）：用来验证模型精度和调整模型超参数；
3. 测试集（Test Set）：验证模型的泛化能力。

在数据建模比赛中，一般三者都已经分好了，即：训练集、验证集发放数据和标签，而测试集仅发放数据；而如果赛方没有提前划分验证集，则需要参赛人员自行划分，有以下划分方法：

1. 留出法（Hold-Out）：直接对数据随机划分成两份，适用于数据量大的情况；
2. 交叉验证法（Cross Validation，CV）：对数据划分为若干折（等分），对每一折进行验证时，其余折用于训练，验证集精度以各份平均表示，适用于数据量一般的情况；
3. 自助采样法（BootStrap）：有放回采样获得训练集和验证集，适用于数据量较少的情况。

数据集划分的原则是：每份数据的标签分布都能代表整体分布。

1. 模型训练与验证

主要步骤如下：

• 构造训练集和验证集；
• 每轮进行训练和验证，并根据最优验证集精度保存模型。

模型构建、数据集构建过程与上一task一致，这里不赘述。需要注意的是每次交替训练和验证时要切换模型的状态：

def train(train_loader, model, criterion, optimizer, epoch):
    # 切换模型为训练模式
    model.train()

    for i, (input, target) in enumerate(train_loader):
        c0, c1, c2, c3, c4, c5 = model(data[0])
        loss = criterion(c0, data[1][:, 0]) + \
                criterion(c1, data[1][:, 1]) + \
                criterion(c2, data[1][:, 2]) + \
                criterion(c3, data[1][:, 3]) + \
                criterion(c4, data[1][:, 4]) + \
                criterion(c5, data[1][:, 5])
        loss /= 6
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

def validate(val_loader, model, criterion):
    # 切换模型为预测模型
    model.eval()
    val_loss = []

    # 不记录模型梯度信息
    with torch.no_grad():
        for i, (input, target) in enumerate(val_loader):
            c0, c1, c2, c3, c4, c5 = model(data[0])
            loss = criterion(c0, data[1][:, 0]) + \
                    criterion(c1, data[1][:, 1]) + \
                    criterion(c2, data[1][:, 2]) + \
                    criterion(c3, data[1][:, 3]) + \
                    criterion(c4, data[1][:, 4]) + \
                    criterion(c5, data[1][:, 5])
            loss /= 6
            val_loss.append(loss.item())
    return np.mean(val_loss)

最后保存/加载最优模型

torch.save(model_object.state_dict(), 'model.pt')
model.load_state_dict(torch.load(' model.pt'))

2. 调lian参dan trick

• http://www.lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html
• http://karpathy.github.io/2019/04/25/recipe/

一般流程