nuget
P-NET 的训练超参数配置
TrainConfig
00 Remarks
默认值均取自论文 Methods 部分的描述：Adam 优化器、初始学习率 0.001、 每 50 个 epoch 主动衰减学习率、mini-batch 训练、按训练集类别比例对损失加权。
01 Syntax
SMRUCC.genomics.Analysis.HTS.P_NET.TrainConfig
02 Methods
| Name | Overloads | Summary |
|---|---|---|
| GetLearningRate | 1 | 计算指定 epoch（从 0 开始计数）时应当使用的学习率 |
03 Properties
| Name | Overloads | Summary |
|---|---|---|
| Epochs | 1 | 训练迭代轮数 |
| BatchSize | 1 | mini-batch 的批大小 |
| LearningRate | 1 | 初始学习率，论文取 0.001 |
| LrDecayStep | 1 | 学习率衰减的周期（单位：epoch），论文中每 50 个 epoch 衰减一次 |
| LrDecayFactor | 1 | 每一次衰减时学习率所乘的系数 |
| Beta1 | 1 | Adam 的一阶矩衰减率 |
| Beta2 | 1 | Adam 的二阶矩衰减率 |
| Epsilon | 1 | Adam 的数值稳定性常数 |
| UseClassWeights | 1 | 是否按照训练集的类别比例对二元交叉熵损失加权 |
| Seed | 1 | 随机数种子，给出之后数据打乱的结果可复现 |
| Verbose | 1 | 是否在训练过程中逐轮打印训练日志 |
| VerboseInterval | 1 | 每隔多少个 epoch 打印一次日志 |
| EarlyStopPatience | 1 | 早停的耐心轮数，取 0 时表示不使用早停 |
04 Members
GetLearningRate(
Int32)计算指定 epoch（从 0 开始计数）时应当使用的学习率
Remarks
采用阶梯衰减：lr = lr0 · factor ^ floor(epoch / step)。 论文的经验发现"Adam + 自适应衰减"比单一学习率的 Adam 收敛更平滑、性能更好。
Parameters
| Name | Type | Description |
|---|---|---|
epoch | Int32 | 当前的 epoch 下标 |
Returns
衰减之后的学习率
Epochs
训练迭代轮数
Returns
轮数，默认 150
BatchSize
mini-batch 的批大小
Returns
批大小，默认 32
LearningRate
初始学习率，论文取 0.001
Returns
学习率
LrDecayStep
学习率衰减的周期（单位：epoch），论文中每 50 个 epoch 衰减一次
Returns
衰减周期，取 0 时表示不做衰减
LrDecayFactor
每一次衰减时学习率所乘的系数
Returns
衰减系数，默认 0.5
Beta1
Adam 的一阶矩衰减率
Returns
beta1，默认 0.9
Beta2
Adam 的二阶矩衰减率
Returns
beta2，默认 0.999
Epsilon
Adam 的数值稳定性常数
Returns
epsilon，默认 1e-8
UseClassWeights
是否按照训练集的类别比例对二元交叉熵损失加权
Remarks
论文的数据集存在类别不平衡（333 例 CRPC / 转移性对比 680 例原发性）， 按类别比例加权可以抑制模型向多数类偏移。 权重取值为 N / (2 · N_class)，与 sklearn 的 class_weight='balanced' 一致。
Returns
默认 True
Seed
随机数种子，给出之后数据打乱的结果可复现
Returns
种子值
Verbose
是否在训练过程中逐轮打印训练日志
Returns
默认 True
VerboseInterval
每隔多少个 epoch 打印一次日志
Returns
打印间隔，默认 10
EarlyStopPatience
早停的耐心轮数，取 0 时表示不使用早停
Returns
默认 0（关闭）