PyTorch Lightning基于epoch级指标配置EarlyStopping的问题

问题本质 #

两种日志记录逻辑完全独立，导致了指标找不到、图表重复的问题：

• 直接调用self.logger.experiment.add_scalar属于绕过PyTorch Lightning内置指标收集系统，直接向TensorBoard写入数据，所有内置回调（EarlyStopping、ModelCheckpoint等）都无法读取到这部分指标，因此会抛出找不到指标的错误。
• 调用self.log时即使设置了on_step=False, on_epoch=True，框架默认仍会将epoch聚合后的指标关联到当前epoch最后一个step的global_step值，因此TensorBoard会同时生成step维度和epoch维度的同名标量记录，出现重复图表。

可行解决方法 #

方法一：在log时手动指定步长为epoch数 #

直接在self.log中传入global_step=self.current_epoch参数，强制框架用epoch数作为日志横轴坐标，同时删除原来validation_epoch_end中手动调用add_scalar的冗余代码即可：

def validation_step(self, batch, batch_idx):
    loss, acc = self.forward(batch, mode='val')
    self.log(
        "val_loss",
        loss,
        on_step=False,
        on_epoch=True,
        global_step=self.current_epoch # 关键：指定横轴用epoch
    )
    self.log(
       "val_accuracy",
        acc,
        on_step=False,
        on_epoch=True,
        global_step=self.current_epoch # 关键：指定横轴用epoch
    )
    return {'loss': loss, "accuracy": acc}

修改后EarlyStopping直接监控val_accuracy即可正常工作，TensorBoard中只会生成横轴为epoch的指标图表，不会出现重复内容。

方法二：在epoch结束钩子中统一记录聚合指标 #

把指标聚合和日志记录的逻辑全部放到epoch结束的钩子函数中处理，从根源上避免step级别的冗余日志生成：

def validation_step(self, batch, batch_idx):
    loss, acc = self.forward(batch, mode='val')
    # step阶段只返回计算结果，不打日志
    return {'loss': loss, "accuracy": acc}

def validation_epoch_end(self, outputs):
    # 2.0+版本请使用 on_validation_epoch_end 钩子
    val_loss = torch.stack([x['loss'] for x in outputs]).mean()
    val_acc = torch.stack([x['accuracy'] for x in outputs]).mean()
    # 聚合完成后统一记录，指定步长为当前epoch
    self.log("val_loss", val_loss, global_step=self.current_epoch)
    self.log("val_accuracy", val_acc, global_step=self.current_epoch)

这种写法逻辑更清晰，所有epoch级指标只在epoch结束时写入一次，完全不会产生step维度的冗余图表，回调也能正常读取指标。

补充说明：PyTorch Lightning 1.6及以上版本对epoch级日志的步长映射做了优化，只要self.log时设置on_step=False，框架会自动将epoch数作为日志横轴，不需要手动传入global_step参数，只要删除手动调用add_scalar的冗余代码即可解决重复图表问题。

内容的提问来源于stack exchange，提问作者Dan Jackson