runner_design_cn.md

🏃‍♂️ 执行器 (Runner)

💿 概述

执行器 是 BasicTS 的核心组件，负责管理整个训练和评估过程。它将数据集、数据缩放器、模型、评估指标和配置文件等各个子组件集成在一起，构建一个公平且可扩展的训练和评估流程。执行器 提供了多项高级功能，包括但不限于：

• 提前停止
• 课程学习
• 梯度裁剪
• 模型自动保存
• 多 GPU 训练
• 持久化日志记录

执行器 可用于训练和评估模型。

⚡️ 训练流程

使用 执行器 的典型训练流程如下：

# 初始化
runner = Runner(config)  # 包含缩放器、模型、评估指标、损失、优化器等

# 训练
runner.train(config)

runner.train 方法的工作原理如下：

def train(config):
    init_training(config)  # 初始化训练/验证/测试数据加载器
    for epoch in train_epochs:
        on_epoch_start(epoch)
        for data in train_dataloader:
            loss = train_iters(data)
            optimize(loss)  # 包含反向传播、学习率调度、梯度裁剪等
        on_epoch_end(epoch)
    on_training_end(config)

Hook 函数

执行器 提供了一些 Hook 函数，例如 on_epoch_start、on_epoch_end 和 on_training_end，允许用户实现自定义逻辑。例如，on_epoch_end 可以用于评估验证集和测试集并保存中间模型，而 on_training_end 通常用于最终评估并保存最终模型和结果。

训练迭代

runner.train_iters 的流程如下：

def train_iters(data):
    data = runner.preprocessing(data)  # 归一化数据
    forward_return = runner.forward(data)  # 前向传递
    forward_return = runner.postprocessing(forward_return)  # 反归一化结果
    loss = runner.loss(forward_return)  # 计算损失
    metrics = runner.metrics(forward_return)  # 计算评估指标
    return loss

默认情况下，runner.preprocessing 只归一化 inputs 和 target。如果数据集中还有其他参数需要归一化，您需要自定义 runner.preprocessing 函数。同样地，runner.postprocessing 默认会反归一化 inputs、target 和 prediction，如果更多参数需要反归一化，您也需要自定义 runner.postprocessing 函数。

runner.forward 函数处理模型输入并将模型输出打包成一个包含 prediction、inputs、target 和其他用于计算评估指标的参数的字典。

✨ 评估流程

当评估模型性能时，流程通常如下：

# 初始化
runner = Runner(config)  # 包含缩放器、模型、评估指标、损失、优化器等

# 加载模型权重
runner.load_model(checkpoint)

# 评估
runner.test_pipeline(config)

runner.test_pipeline 方法的工作原理如下：

def test_pipeline(config):
    init_testing(config)  # 初始化测试数据加载器
    all_data = []
    for data in test_dataloader:
        data = runner.preprocessing(data)  # 归一化数据
        forward_return = runner.forward(data)  # 前向传递
        forward_return = runner.postprocessing(forward_return)  # 反归一化结果
        all_data.append(forward_return)
    all_data = concatenate(all_data)
    metrics = runner.metrics(all_data)  # 计算评估指标
    save(forward_return, metrics)  # 可选

🛠️ 自定义 执行器

BasicTS 提供了 SimpleTimeSeriesForecastingRunner 类，处理大多数使用场景。

如果有更具体的需求，您可以扩展 SimpleTimeSeriesForecastingRunner 或 BaseTimeSeriesForecastingRunner 类，来实现 test、forward、preprocessing、postprocessing 和 train_iters 等函数。

🧑‍💻 进一步探索

• 🎉 快速上手
• 💡 了解 BasicTS 的设计理念
• 📦 探索数据集设计并自定义数据集
• 🛠️ 了解数据缩放器设计并创建自定义缩放器
• 🧠 深入了解模型设计并构建自定义模型
• 📉 了解评估指标设计并开发自定义损失函数与评估指标
• 🏃‍♂️ 掌握执行器设计并创建自定义执行器
• 📜 解析配置文件设计并自定义配置
• 🔍 探索多种基线模型