skorch是将PyTorch模型封装为scikit-learn兼容接口的轻量库，提供NeuralNetClassifier等类以支持Pipeline、GridSearchCV等；它不替代PyTorch原生训练流程，模型定义、loss、优化器等仍需手动实现。
skorch是什么，它能替代PyTorch原生训练流程吗
skorch 是一个将 PyTorch 模型包装成 scikit-learn 兼容接口的轻量库。它不替代 PyTorch 的训练逻辑，而是提供 NeuralNetClassifier、NeuralNetRegressor 等封装类，让 PyTorch 模型能直接塞进 sklearn.pipeline.Pipeline、参与 GridSearchCV 或 cross_val_score。
它不能自动处理模型结构定义、loss 设计或梯度裁剪等底层细节——这些仍需你用 PyTorch 写清楚。它的价值在于「统一调用入口」，不是「自动深度学习」。
- 必须自己继承
torch.nn.Module定义模型类 - 损失函数和优化器需显式传给
NeuralNetClassifier，不能靠 skorch 推断 - 默认不支持多输出、自定义训练循环（如 GAN、RL），需重写
train_step方法
如何把自定义PyTorch模型塞进sklearn Pipeline
关键不是“接入”，而是让 PyTorch 模型满足 sklearn 的 fit/predict 接口契约。skorch 就是干这个的中间层。
import torch import torch.nn as nn from skorch import NeuralNetClassifier <p>class MyMLP(nn.Module): def <strong>init</strong>(self, input_dim, hidden_dim=64, num_classes=2): super().<strong>init</strong>() self.net = nn.Sequential( nn.Linear(input_dim, hidden_dim), nn.ReLU(), nn.Linear(hidden_dim, num_classes) ) def forward(self, X): return self.net(X)</p><h1>注意：X 是 tensor，不是 numpy array；skorch 会自动转换</h1><p>net = NeuralNetClassifier( module=MyMLP, module__input_dim=10, # 双下划线传参给 module 构造函数 module__num_classes=2, criterion=torch.nn.CrossEntropyLoss, optimizer=torch.optim.Adam, train_split=None, # 关闭 skorch 内置验证划分，用 pipeline 外部控制 verbose=0 )</p>
-
module__xxx这种双下划线语法是 skorch 特有，用于把参数透传给模型构造函数 -
train_split=None很重要：否则 pipeline 在 cross-validation 时会和 skorch 自身的验证集划分冲突 - 输入数据
X可以是 numpy array 或 pandas DataFrame，skorch 会自动转为torch.float32；但y必须是 1D 整数数组（分类）或 float 数组（回归）
在Pipeline中混用sklearn预处理器和skorch模型会出什么错
常见报错包括：
立即学习“Python免费学习笔记（深入）”；
TypeError: expected Tensor as element 0 in argument 0, but got numpy.ndarray
→ 原因：某些 sklearn 预处理器（如StandardScaler）输出仍是 numpy，而 skorch 内部期望 tensor。但实际不会报这个错——skorch 会接管输入转换。真正问题是：预处理器必须拟合在训练集上，且不能在 skorch 训练时被重复拟合。ValueError: Input contains NaN, infinity or a value too large for dtype('float64')
→ 原因：pipeline 中StandardScaler拟合后 transform 出了 inf/NaN，而 PyTorch tensor 不允许AttributeError: 'NeuralNetClassifier' object has no attribute 'classes<em>' </em>
→ 原因：skorch 模型没调用过fit()，但 pipeline 后续步骤（如CalibratedClassifierCV）试图读取classes
正确做法：
- 所有 sklearn 预处理器必须放在
NeuralNetClassifier**之前**，且只 fit 一次（pipeline 会自动处理） - 避免在 pipeline 中使用依赖
y的 transformer（如TargetEncoder），skorch 不保证y传递时机 - 若需对 label 做编码，用
sklearn.preprocessing.LabelEncoder单独处理y，再传给 skorch —— 不要塞进 pipeline
GridSearchCV调参时，skorch的device和batch_size怎么设才不拖慢搜索
GridSearchCV 默认串行运行，每个参数组合都新建一个 NeuralNetClassifier 实例并从头训练。GPU 切换、数据加载、模型初始化都会叠加开销。
-
device='cuda'要显式指定，否则默认用 CPU —— 但注意：多个 cv 折叠并行时，CUDA context 会竞争，反而变慢 - 更稳妥的做法是固定
device='cpu'做参数粗筛，再用最优参数在 GPU 上训最终模型 -
batch_size用iterator__batch_size传入（注意双下划线），别用batch_size字段（skorch 不认） - 关键提速点：设置
iterator__shuffle=False（小数据集可关 shuffle）、train_split=None（避免重复划分）、callbacks='disable'（关掉默认日志回调）
最易忽略的一点：skorch 的 max_epochs 默认是 10，但 GridSearchCV 通常只跑几轮就停——如果你没设 max_epochs，可能根本没收敛，搜出来的“最优”参数只是运气好撞上了早期 plateau。
