Time-Series-Library 早停策略指南时序训练防过拟合、少跑废 epoch【免费下载链接】Time-Series-LibraryA Library for Advanced Deep Time Series Models for General Time Series Analysis.项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library时序模型训练常常要跑满全部 train_epochs验证指标先升后降GPU 在废 epoch 上空转。Time-Series-Library 是一个深度时间序列模型库覆盖预测、分类、异常检测。下面讲清楚早停策略怎么配读完你能自己设 patience 和监控指标。为什么时序模型训练尤其需要早停时序数据有时间依赖性同一窗口内的分布会随时间漂移。模型前几个 epoch 就能记住历史模式继续训练往往只是在拟合噪声。早停把训练停在验证指标最好的位置能拿到这些收益⏱️ 省算力到点就停少跑废 epochGPU 不空等️ 防过拟合验证指标拐头就收手不再往坏处走 泛化更好最终加载的 checkpoint 来自指标最优的 epoch️ 调参更省不用把每组超参都跑满试错更快⚙️ 开跑前的三项基础设置patience默认 3按数据集大小调。验证指标连续 patience 个 epoch 没有改善就停。小数据集噪声大设 2~3大数据集收敛慢设 5~10免得刚开局就误杀。监控指标按任务对号入座。触发早停的是 vali loss最终验收再看任务指标任务早停监控验收指标方向长短期预测vali lossMSE测试 MSE / MAE越小越好分类vali loss交叉熵测试 Accuracy越大越好异常检测vali lossMSEF1-Score越大越好图 1Time-Series-Library 支持的任务、数据集与指标早停统一由 vali loss 触发验收指标对照上表选择同步保存最佳模型。每轮 vali loss 创新低框架就把参数覆盖写入 checkpoint.pth早停退出后加载的正是它别只留最终 epoch 的模型。参数一览默认值取自 run.py参数默认值建议取值patience3小数据集 2~3大数据集 5~10train_epochs10设 20~50给早停留出判断空间learning_rate0.0001与 lradj 搭配使用见下一节最佳模型保存自动vali loss 创新低即覆盖 checkpoint.pth无需改动训练结束后直接用进阶组合早停 × 学习率调度与动态阈值验证指标不改善时先降学习率别急着停lradj 默认 type1每个 epoch 学习率减半type3 前 3 个 epoch 不变、之后每轮按 90% 衰减适合训练偏长的场景降完学习率再观察 patience 轮仍无起色才触发早停utils/tools.py 里的 EarlyStopping 带 delta 参数默认 0即只要下降就算改善设成正数后改进必须超过这个幅度才重置计数。训练前期波动大保持 0后期进入平台期用一个小正数过滤抖动带来的虚假改善 从零跑通一次带早停的训练克隆仓库git clone https://gitcode.com/GitHub_Trending/ti/Time-Series-Library打开 run.py改--patience按需调--train_epochs和--lradj从 models/ 选模型例如 Autoformer执行对应脚本如 scripts/long_term_forecast/ETT_script/Autoformer_ETTh1.sh日志出现 EarlyStopping counter 说明在倒数停止后直接用 checkpoint 里的最佳模型图 2带早停训练结束后加载最佳 checkpoint 得到的预测值与真实值对比贴合程度即泛化水平✅ 早停调参速查表不同场景照这张表配置即可场景推荐设置小数据集ETTh1 等patience 2~3train_epochs 15~20lradj type3大数据集Traffic、ECL 等patience 5~10lradj type2 或 cosine预测任务盯 vali lossMSE验收看 MSE / MAE分类任务用 loss 触发早停Accuracy 验收异常检测任务用 loss 触发早停F1-Score 验收指标进入平台期先降学习率patience 轮无起色再停【免费下载链接】Time-Series-LibraryA Library for Advanced Deep Time Series Models for General Time Series Analysis.项目地址: https://gitcode.com/GitHub_Trending/ti/Time-Series-Library创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考