gluonts.torch.model.tide.estimator 模块#
- class gluonts.torch.model.tide.estimator.TiDEEstimator(freq: str, prediction_length: int, context_length: Optional[int] = None, feat_proj_hidden_dim: Optional[int] = None, encoder_hidden_dim: Optional[int] = None, decoder_hidden_dim: Optional[int] = None, temporal_hidden_dim: Optional[int] = None, distr_hidden_dim: Optional[int] = None, num_layers_encoder: Optional[int] = None, num_layers_decoder: Optional[int] = None, decoder_output_dim: Optional[int] = None, dropout_rate: Optional[float] = None, num_feat_dynamic_proj: Optional[int] = None, num_feat_dynamic_real: int = 0, num_feat_static_real: int = 0, num_feat_static_cat: int = 0, cardinality: Optional[List[int]] = None, embedding_dimension: Optional[List[int]] = None, layer_norm: bool = False, lr: float = 0.001, weight_decay: float = 1e-08, patience: int = 10, scaling: Optional[str] = 'mean', distr_output: gluonts.torch.distributions.output.Output = gluonts.torch.distributions.studentT.StudentTOutput(beta=0.0), 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一个训练 TiDE 模型的估计器，该模型源自论文 https://arxiv.org/abs/2304.08424，并已扩展用于概率预测。这个类使用了在
TiDEModel中定义的模型，并将其封装到TiDELightningModule中用于训练目的：训练使用 PyTorch Lightning 的pl.Trainer类进行。参数
- freq – 用于训练和预测的数据频率。
prediction_length (int) – 预测范围的长度。
context_length – 模型在预测时间之前作为输入的时间步数（默认值：
prediction_length）。feat_proj_hidden_dim – 特征投影层的尺寸（默认值：4）。
encoder_hidden_dim – 密集编码器层的尺寸（默认值：4）。
decoder_hidden_dim – 密集解码器层的尺寸（默认值：4）。
temporal_hidden_dim – 时间解码器层的尺寸（默认值：4）。
distr_hidden_dim – 分布投影层的尺寸（默认值：4）。
num_layers_encoder – 密集编码器中的层数（默认值：1）。
num_layers_decoder – 密集解码器中的层数（默认值：1）。
decoder_output_dim – 密集解码器的输出尺寸（默认值：4）。
dropout_rate – Dropout 正则化参数（默认值：0.3）。
num_feat_dynamic_proj – 特征投影层的输出尺寸（默认值：2）。
num_feat_dynamic_real – 数据中动态实数特征的数量（默认值：0）。
num_feat_static_real – 数据中静态实数特征的数量（默认值：0）。
num_feat_static_cat – 数据中静态类别特征的数量（默认值：0）。
cardinality – 每个类别特征的取值数量。如果
num_feat_static_cat > 0，则必须设置此项（默认值：None）。embedding_dimension – 类别特征嵌入的维度（默认值：
[16 for cat in cardinality]）。layer_norm – 是否启用层归一化（默认值：False）。
lr – 学习率（默认值：
1e-3）。weight_decay – 权重衰减正则化参数（默认值：
1e-8）。patience – 学习率调度器的 Patience 参数（默认值：10）。
distr_output – 用于评估观测值和采样预测的分布（默认值：StudentTOutput()）。
scaling – 用于缩放目标值的缩放方法（默认值：mean）。
batch_size – 用于训练的批次大小（默认值：32）。
num_batches_per_epoch – 每个训练 epoch 中要处理的批次数量（默认值：50）。
trainer_kwargs – 为构建
pl.Trainer提供额外参数。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（即计算损失）的网络。
返回值
- 给定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]#
- 创建并返回一个预测器对象。
transformation – 在数据进入模型之前应用的转换。
- freq – 用于训练和预测的数据频率。
module – 一个训练好的 pl.LightningModule 对象。
封装用于推理的 nn.Module 的预测器。
- 给定输入数据计算损失的网络。
预测器
- pl.LightningModule
create_training_data_loader(data: gluonts.dataset.Dataset, module: gluonts.torch.model.tide.lightning_module.TiDELightningModule, shuffle_buffer_length: Optional[int] = None, **kwargs) Iterable[source]#
- 创建一个用于训练目的的数据加载器。
data – 用于创建数据加载器的数据集。
- freq – 用于训练和预测的数据频率。
module – 将接收来自数据加载器的批次的 pl.LightningModule 对象。
数据加载器，即一个可迭代对象，遍历数据的批次。
- 给定输入数据计算损失的网络。
Iterable
- pl.LightningModule
create_transformation() gluonts.transform._base.Transformation[source]#
- 创建并返回训练和推理所需的转换。
将在训练和推理时逐条应用于数据集的转换。
- 创建一个用于验证目的的数据加载器。
lead_time: int#
- freq – 用于训练和预测的数据频率。
module – 将接收来自数据加载器的批次的 pl.LightningModule 对象。
数据加载器，即一个可迭代对象，遍历数据的批次。
- 给定输入数据计算损失的网络。
Iterable
- pl.LightningModule
create_transformation() gluonts.transform._base.Transformation[source]#
- prediction_length: int#