gluonts.torch.model.patch_tst.module 模块

class gluonts.torch.model.patch_tst.module.PatchTSTModel(prediction_length: int, context_length: int, patch_len: int, stride: int, padding_patch: str, d_model: int, nhead: int, dim_feedforward: int, dropout: float, activation: str, norm_first: bool, num_encoder_layers: int, scaling: str, distr_output=gluonts.torch.distributions.studentT.StudentTOutput(beta=0.0))

实现 PatchTST 模型用于预测的模块，如 https://arxiv.org/abs/2211.14730 中所述，并扩展为概率模型。

参数

prediction_length – 要预测的时间点数。

• context_length – 模型在预测时间之前考虑的时间步数。

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

• distr_output – 用于评估观测值和样本预测值的分布。默认值：StudentTOutput()。

describe_inputs(batch_size=1) → gluonts.model.inputs.InputSpec

forward(past_target: torch.Tensor, past_observed_values: torch.Tensor) → Tuple[Tuple[torch.Tensor, ...], torch.Tensor, torch.Tensor]

定义每次调用时执行的计算。

所有子类都应重写此方法。

注意

尽管前向传播的实现应在此函数内定义，但之后应调用 Module 实例而不是直接调用此函数，因为前者负责运行已注册的钩子，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

training: bool

class gluonts.torch.model.patch_tst.module.SinusoidalPositionalEmbedding(num_positions: int, embedding_dim: int)

基类：torch.nn.modules.sparse.Embedding

此模块生成任意长度的正弦位置嵌入。

embedding_dim: int

forward(input_ids_shape: torch.Size, past_key_values_length: int = 0) → torch.Tensor

input_ids_shape 期望格式为 [bsz x seqlen x …]。

freeze: bool

max_norm: Optional[float]

norm_type: float

num_embeddings: int

padding_idx: Optional[int]

scale_grad_by_freq: bool

sparse: bool

training: bool

weight: torch.Tensor