gluonts.mx.model.simple_feedforward 包#

class gluonts.mx.model.simple_feedforward.SimpleFeedForwardEstimator(prediction_length: int, sampling: bool = True, trainer: gluonts.mx.trainer._base.Trainer = gluonts.mx.trainer._base.Trainer(add_default_callbacks=True, callbacks=None, clip_gradient=10.0, ctx=None, epochs=100, hybridize=True, init='xavier', learning_rate=0.001, num_batches_per_epoch=50, weight_decay=1e-08), num_hidden_dimensions: Optional[List[int]] = None, context_length: Optional[int] = None, distr_output: gluonts.mx.distribution.distribution_output.DistributionOutput = gluonts.mx.distribution.student_t.StudentTOutput(), imputation_method: Optional[gluonts.transform.feature.MissingValueImputation] = None, batch_normalization: bool = False, mean_scaling: bool = True, num_parallel_samples: int = 100, train_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, validation_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, batch_size: int = 32)[source]#

基类: gluonts.mx.model.estimator.GluonEstimator

SimpleFeedForwardEstimator 展示了如何构建一个简单的 MLP 模型，用于根据先前的目标时间步预测后续的目标时间步。

鉴于我们要定义一个可通过 SGD 训练的 gluon 模型，我们继承了父类 GluonEstimator，该类处理了拟合神经网络的大部分逻辑。

因此，我们只需要定义

  1. 数据在输入模型前如何进行转换

    def create_transformation(self) -> Transformation

  2. 训练过程如何进行

    def create_training_network(self) -> HybridBlock

  3. 如何在给定训练好的网络的情况下对批量数据进行预测

    def create_predictor(
     self,
     transformation: Transformation,
     trained_net: HybridBlock,
) -> Predictor
参数

  • prediction_length (int) – 预测范围长度

  • trainer – 要使用的训练器对象 (默认: Trainer())

  • num_hidden_dimensions – 每层隐藏节点的数量 (默认: [40, 40])

  • context_length – 用于条件预测的时间单位数量 (默认: None，此时 context_length = prediction_length)

  • distr_output – 要拟合的分布 (默认: StudentTOutput())

  • batch_normalization – 是否使用批量归一化 (默认: False)

  • mean_scaling – 将网络输入按数据均值缩放，网络输出按其逆进行缩放 (默认: True)

  • num_parallel_samples – 每条时间序列的评估样本数量，用于增加推理时的并行度。这是一个模型优化，不影响准确性 (默认: 100)

  • train_sampler – 控制训练期间窗口采样。

  • validation_sampler – 控制验证期间窗口采样。

  • batch_size – 训练和预测使用的批量大小。

create_predictor(transformation, trained_network)[source]#

创建并返回一个预测器对象。

参数

  • transformation – 应用于数据输入模型前的转换。

  • module – 一个训练好的 HybridBlock 对象。

返回

包装了用于推理的 HybridBlock 的预测器。

返回类型

Predictor

create_training_data_loader(data: gluonts.dataset.Dataset, **kwargs) → Iterable[Dict[str, Any]][source]#

创建用于训练目的的数据加载器。

参数

data – 用于创建数据加载器的数据集。

返回

数据加载器，即数据批次的迭代器。

返回类型

DataLoader

create_training_network() → mxnet.gluon.block.HybridBlock[source]#

创建并返回用于训练（即计算损失）的网络。

返回

根据输入数据计算损失的网络。

返回类型

HybridBlock

create_transformation() → gluonts.transform._base.Transformation[source]#

创建并返回训练和推理所需的转换。

返回

在训练和推理时，逐条应用于数据集的转换。

返回类型

Transformation

create_validation_data_loader(data: gluonts.dataset.Dataset, **kwargs) → Iterable[Dict[str, Any]][source]#

创建用于验证目的的数据加载器。

参数

data – 用于创建数据加载器的数据集。

返回

数据加载器，即数据批次的迭代器。

返回类型

DataLoader

lead_time: int#
prediction_length: int#