Informer开源项目(2)

【关键参数】

• 输入的数据和预测细节的参数

#想要用官方定义的方法还是你自己的数据集进行定义数据加载器，如果是自己的数据集就输入custom
parser.add_argument('--data', type=str, required=True, default='ETTh1', help='data')
#数据集文件的路径，不要到具体的文件，到目录级别即可
parser.add_argument('--root_path', type=str, default='./data/ETT/', help='root path of the data file')
#数据集文件的名称
parser.add_argument('--data_path', type=str, default='ETTh1.csv', help='data file')    
#特征有三个选项M，MS，S。分别是多元预测多元，多元预测单元，单元预测单元
parser.add_argument('--features', type=str, default='M', help='forecasting task, options:[M, S, MS]; M:multivariate predict multivariate, S:univariate predict univariate, MS:multivariate predict univariate')
#数据集中想要预测那一列数据名称，指定标签
parser.add_argument('--target', type=str, default='OT', help='target feature in S or MS task')
#时间的间隔，数据集每一条数据之间的时间间隔，默认为小时，可以自己设定秒，年，月，日，周等
parser.add_argument('--freq', type=str, default='h', help='freq for time features encoding, options:[s:secondly, t:minutely, h:hourly, d:daily, b:business days, w:weekly, m:monthly], you can also use more detailed freq like 15min or 3h')

• 进一步影响预测进度的参数，需要根据数据的特性来设置

#用过去的多少条数据来预测未来的数据，也就是encoder输入序列的长度
parser.add_argument('--seq_len', type=int, default=96, help='input sequence length of Informer encoder')
# Decoder中输入的没有掩码部分序列长度
parser.add_argument('--label_len', type=int, default=48, help='start token length of Informer decoder')
#预测未来多少个时间点的数据，Decoder输入中用0掩码的序列长度
parser.add_argument('--pred_len', type=int, default=24, help='prediction sequence length')
# Informer decoder input: concat[start token series(label_len), zero padding series(pred_len)]

• 需要根据数据集的特征数量和前面features的设定来配合设置

#输入数据的特征数量，要减去时间的那一列，encoder和decoder是一样的
parser.add_argument('--enc_in', type=int, default=7, help='encoder input size')
parser.add_argument('--dec_in', type=int, default=7, help='decoder input size')

#输出数据的维度
#如果features填写的是M那么和上面就一样，是数据列数，如果填写的MS那么这里要输入1因为你的输出只有一列数据。
parser.add_argument('--c_out', type=int, default=7, help='output size')

• 指定网络架构的参数

#编码器中使用的注意力类型，默认为"prob"论文的主要改进点，提出的注意力机制
parser.add_argument('--attn', type=str, default='prob', help='attention used in encoder, options:[prob, full]')
#设置注意力机制中的d_model，默认值为512。可以根据需要调整该参数的数值来改变模型的维度
parser.add_argument('--d_model', type=int, default=512, help='dimension of model')
#设置模型中的注意力头数，默认值为8
parser.add_argument('--n_heads', type=int, default=8, help='num of heads')
#设置编码器的层数，默认为2层
parser.add_argument('--e_layers', type=int, default=2, help='num of encoder layers')
#设置解码器的层数，默认为1层
parser.add_argument('--d_layers', type=int, default=1, help='num of decoder layers')
#设置堆叠编码器的层数
parser.add_argument('--s_layers', type=str, default='3,2,1', help='num of stack encoder layers')
#模型中全连接网络（FCN）的维度，默认值为2048
parser.add_argument('--d_ff', type=int, default=2048, help='dimension of fcn')
#是否在编码器中使用蒸馏操作，默认为True也是论文中比较重要的一个改进
parser.add_argument('--distil', action='store_false', help='whether to use distilling in encoder, using this argument means not using distilling', default=True)
#激活函数，在不同的位置使用了不同的激活函数，我们在代码中看具体激活函数的使用
parser.add_argument('--activation', type=str, default='gelu',help='activation')

• 调用GPU的参数群

#是否使用GPU训练，根据自身来选择
parser.add_argument('--use_gpu', type=bool, default=True, help='use gpu')
#GPU的编号
parser.add_argument('--gpu', type=int, default=0, help='gpu')
#是否使用多个GPU训练。
parser.add_argument('--use_multi_gpu', action='store_true', help='use multiple gpus', default=False)
parser.add_argument('--devices', type=str, default='0,1,2,3',help='device ids of multile gpus')

• 一般不改变的默认参数

#是否进行预测
parser.add_argument('--do_predict', action='store_true', help='whether to predict unseen future data')
#自注意力中的因子，默认值为5
parser.add_argument('--factor', type=int, default=5, help='probsparse attn factor')
#填充类型，默认值为0，如果不够数据就填写0
parser.add_argument('--padding', type=int, default=0, help='padding type')
#丢弃的概率，防止过拟合
parser.add_argument('--dropout', type=float, default=0.05, help='dropout')
#时间特征的编码方式，默认为"timeF"
parser.add_argument('--embed', type=str, default='timeF', help='time features encoding, options:[timeF, fixed, learned]')
#是否在编码器中输出注意力，默认为False
parser.add_argument('--output_attention', action='store_true', help='whether to output attention in ecoder')
#在生成式解码器中是否使用混合注意力，默认为True
parser.add_argument('--mix', action='store_false', help='use mix attention in generative decoder', default=True)
#从数据文件中选择特定的列作为输入特征，不常用
parser.add_argument('--cols', type=str, nargs='+', help='certain cols from the data files as the input features')
#线程数量。windows最好设置成0避免报线程错误,linux系统可随便设置
parser.add_argument('--num_workers', type=int, default=0, help='data loader num workers')
#实验运行的次数，默认为2
parser.add_argument('--itr', type=int, default=2, help='experiments times')
#训练的次数
parser.add_argument('--train_epochs', type=int, default=6, help='train epochs')
#一次往模型内输入多少数据
parser.add_argument('--batch_size', type=int, default=32, help='batch size of train input data')
#早停机制，如果损失多少个epochs没有改变就停止训练
parser.add_argument('--patience', type=int, default=3, help='early stopping patience')
#学习率
parser.add_argument('--learning_rate', type=float, default=0.0001, help='optimizer learning rate')
#实验描述，默认为"test"
parser.add_argument('--des', type=str, default='test',help='exp description')
#损失函数，默认为"mse"
parser.add_argument('--loss', type=str, default='mse',help='loss function')
#学习率的调整方式，默认为"type1"
parser.add_argument('--lradj', type=str, default='type1',help='adjust learning rate')
#混合精度训练
parser.add_argument('--use_amp', action='store_true', help='use automatic mixed precision training', default=False)
#是否将归一化后的数据转换为原始值
parser.add_argument('--inverse', action='store_true', help='inverse output data', default=False)