用PyTorch实现基于注意机制的小样本故障诊断模型的训练与验证

在本文中，我们将介绍如何使用PyTorch实现一个深度学习模型的训练和验证，并绘制验证集的准确率和损失曲线。我们将使用一个自定义的神经网络模型来进行实验。

导入相关库

首先，我们需要导入本项目中所需的相关库：

import torch
import torch.nn as nn
import numpy as np
from datasave import train_loader, test_loader
from early_stopping import EarlyStopping
from label_smoothing import LSR
from oneD_Meta_ACON import MetaAconC
import time
import matplotlib.pyplot as plt
from torchsummary import summary
from adabn import reset_bn, fix_bn

设置随机数种子

为了保证实验的可复现性，我们需要设置一个固定的随机数种子：

def setup_seed(seed):
    torch.manual_seed(seed)
    torch.cuda.manual_seed_all(seed)
    np.random.seed(seed)
    torch.backends.cudnn.deterministic = True

setup_seed(2)

定义神经网络模型

接下来，我们定义一个自定义的神经网络模型Net：

class Net(nn.Module):
    # 省略详细的网络结构代码...

实例化模型并查看网络结构

我们实例化上面定义的神经网络模型，并使用torchsummary库查看网络结构：

device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
model = Net().to(device)
summary(model, input_size=(1, 1024))

定义损失函数与优化器

接下来，我们使用自定义的标签平滑损失函数LSR，并根据模型参数创建一个自定义的优化器AdamP：

criterion = LSR()
# 省略对模型参数的处理代码...
optimizer = AdamP(model.parameters(), lr=0.001, weight_decay=0.0001, nesterov=True, amsgrad=True)

初始化变量

我们需要初始化一些变量来保存训练和验证的损失值和准确率：

losses = []
acces = []
eval_losses = []
eval_acces = []
early_stopping = EarlyStopping(patience=10, verbose=True)

开始训练与验证

接下来，我们使用for循环进行神经网络模型的训练和验证，并将损失值和准确率存储到相应的变量中：

starttime = time.time()
for epoch in range(150):
    # 省略具体的训练与验证代码...
    print('epoch: {}, Train Loss: {:.4f}, Train Acc: {:.4f}, Test Loss: {:.4f}, Test Acc: {:.4f}'
          .format(epoch, train_loss / len

在训练过程中，我们使用了早停策略（Early Stopping）来防止模型过拟合。如果验证集损失在连续10个周期内没有改善，我们将停止训练并保存最佳模型。

#### 保存模型参数

训练完成后，我们将模型参数保存到一个文件中：

```python
torch.save(model.state_dict(), 'B0503_LSTM.pt')

绘制验证集准确率和损失曲线

我们将使用matplotlib库绘制验证集的准确率和损失曲线：

import pandas as pd
pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', None)

plt.plot(eval_acces, label='Validation Accuracy', linestyle='-', marker='o')
plt.plot(eval_losses, label='Validation Loss', linestyle='--', marker='o')

plt.title('Validation Accuracy and Loss')
plt.xlabel('Epochs')
plt.ylabel('Accuracy / Loss')

plt.legend()
plt.show()

至此，我们已经成功实现了一个使用PyTorch的故障诊断模型的训练与验证过程，并绘制了验证集准确率和损失曲线。可以根据实际需求修改网络结构和训练参数以达到更好的性能。

【全部代码及数据集，可直接运行】