gluonts.torch.model.d_linear 包#

class gluonts.torch.model.d_linear.DLinearEstimator(prediction_length: int, context_length: Optional[int] = None, hidden_dimension: Optional[int] = None, lr: float = 0.001, weight_decay: float = 1e-08, scaling: Optional[str] = 'mean', distr_output: gluonts.torch.distributions.output.Output = gluonts.torch.distributions.studentT.StudentTOutput(beta=0.0), kernel_size: int = 25, batch_size: int = 32, num_batches_per_epoch: int = 50, trainer_kwargs: Optional[Dict[str, Any]] = None, train_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None, validation_sampler: Optional[gluonts.transform.sampler.InstanceSampler] = None)[source]#

基类: gluonts.torch.model.estimator.PyTorchLightningEstimator

该估计器用于训练论文 https://arxiv.org/pdf/2205.13504.pdf 中的 d-linear 模型，并扩展用于概率预测。

此类使用了 DLinearModel 中定义的模型，并将其封装到 DLinearLightningModule 中用于训练目的：训练使用 PyTorch Lightning 的 pl.Trainer 类进行。

参数

  • prediction_length (int) – 预测范围的长度。

  • context_length – 模型作为输入的时间步数（预测时间之前）(默认: 10 * prediction_length)。

  • hidden_dimension – 表示的大小。

  • lr – 学习率 (默认: 1e-3)。

  • weight_decay – 权重衰减正则化参数 (默认: 1e-8)。

  • distr_output – 用于评估观测值和采样预测的分布 (默认: StudentTOutput())。

  • kernel_size –

  • batch_size – 用于训练的批次大小 (默认: 32)。

  • num_batches_per_epoch –

    每个训练 epoch 处理的批次数量

    (默认: 50)。

  • trainer_kwargs – 构造 pl.Trainer 时提供的附加参数。

  • train_sampler – 控制训练期间窗口的采样。

  • validation_sampler – 控制验证期间窗口的采样。

create_lightning_module() → lightning.pytorch.core.module.LightningModule[source]#

创建并返回用于训练的网络（即计算损失）。

返回

根据输入数据计算损失的网络。

返回类型

pl.LightningModule

create_predictor(transformation: gluonts.transform._base.Transformation, module) → gluonts.torch.model.predictor.PyTorchPredictor[source]#

创建并返回预测器对象。

参数

  • transformation – 数据进入模型前需要应用的转换。

  • module – 一个已训练的 pl.LightningModule 对象。

返回

一个封装 nn.Module 用于推理的预测器。

返回类型

预测器

create_training_data_loader(data: gluonts.dataset.Dataset, module: gluonts.torch.model.d_linear.lightning_module.DLinearLightningModule, shuffle_buffer_length: Optional[int] = None, **kwargs) → Iterable[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。

  • module – 将接收数据加载器批次的 pl.LightningModule 对象。

返回

数据加载器，即一个可以迭代数据批次的迭代器。

返回类型

Iterable

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

创建并返回训练和推理所需的转换。

返回

在训练和推理时将逐条应用于数据集的转换。

返回类型

Transformation

create_validation_data_loader(data: gluonts.dataset.Dataset, module: gluonts.torch.model.d_linear.lightning_module.DLinearLightningModule, **kwargs) → Iterable[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。

  • module – 将接收数据加载器批次的 pl.LightningModule 对象。

返回

数据加载器，即一个可以迭代数据批次的迭代器。

返回类型

Iterable

lead_time: int#
prediction_length: int#
class gluonts.torch.model.d_linear.DLinearLightningModule(model_kwargs: dict, lr: float = 0.001, weight_decay: float = 1e-08)[source]#

基类: lightning.pytorch.core.module.LightningModule

一个 pl.LightningModule 类，可用于使用 PyTorch Lightning 训练 DLinearModel。

这是对（封装的）DLinearModel 对象的一个薄封装层，它暴露了评估训练和验证损失的方法。

参数

  • model_kwargs – 构造待训练的 DLinearModel 的关键字参数。

  • loss – 用于训练的损失函数。

  • lr – 学习率。

  • weight_decay – 权重衰减正则化参数。

configure_optimizers()[source]#

返回要使用的优化器。

forward(*args, **kwargs)[source]#

与 torch.nn.Module.forward() 相同。

参数

  • *args – 您决定传递给 forward 方法的任何参数。

  • **kwargs – 关键字参数也是可以的。

返回

您的模型的输出

training_step(batch, batch_idx: int)[source]#

执行训练步骤。

validation_step(batch, batch_idx: int)[source]#

执行验证步骤。

class gluonts.torch.model.d_linear.DLinearModel(prediction_length: int, context_length: int, hidden_dimension: int, distr_output=gluonts.torch.distributions.studentT.StudentTOutput(beta=0.0), kernel_size: int = 25, scaling: str = 'mean')[source]#

基类: torch.nn.modules.module.Module

实现论文 https://arxiv.org/pdf/2205.13504.pdf 中前馈模型的模块，并扩展用于概率预测。

参数

  • prediction_length – 预测的时间点数量。

  • context_length – 模型在预测时间之前作为输入的时间步数量。

  • hidden_dimension – 前馈网络中最后一个隐藏层的大小。

  • distr_output – 用于评估观测值和采样预测的分布。

describe_inputs(batch_size=1) → gluonts.model.inputs.InputSpec[source]#
forward(past_target: torch.Tensor, past_observed_values: torch.Tensor) → Tuple[Tuple[torch.Tensor, ...], torch.Tensor, torch.Tensor][source]#

定义每次调用时执行的计算。

应由所有子类覆盖。

注意

虽然前向传播的逻辑需要在此函数中定义，但之后应该调用 Module 实例而不是此函数，因为前者会运行已注册的钩子（hooks），而后者会静默忽略它们。

loss(past_target: torch.Tensor, past_observed_values: torch.Tensor, future_target: torch.Tensor, future_observed_values: torch.Tensor) → torch.Tensor[source]#
training: bool#