Autogluon多模态训练Sanity Checking耗时过长，求跳过或优化方法

跳过Sanity Checking的直接方法 #

在fit方法中添加参数关闭数据校验，直接跳过该步骤：

predictor.fit(train_data, sanity_check=False)

该参数默认值为True，关闭后会省去对全量特征和文本数据的校验流程，大幅缩短初始化时间。

其他性能优化方案 #

• 精简结构化特征：1258个特征中大概率存在冗余或低信息密度的特征，可先通过方差过滤（移除方差趋近于0的特征）、相关性分析（剔除高度相关的特征）等方式减少特征数量，降低整体计算负载。
• 轻量化文本处理配置：
  • 若文本列内容过长，可提前截断至模型适配的token长度（如512个token），避免超长文本带来的额外校验和计算；
  • 初始化MultiModalPredictor时指定轻量级预训练文本模型，替代默认的大模型：

    predictor = MultiModalPredictor(
        label='finallikleyTOAST',
        hyperparameters={
            'model.text.checkpoint_name': 'distilbert-base-uncased'
        }
    )
    

• 调整训练资源参数：如果硬件内存有限，可降低batch size避免内存瓶颈导致的流程卡顿：

  predictor.fit(
      train_data,
      hyperparameters={
          'optimization.batch_size': 16
      }
  )
  

内容的提问来源于stack exchange，提问作者Glinty