Informer复现 路径转换

于 2023-10-18 17:20:43 发布
阅读量184 收藏 2
点赞数 1
分类专栏： informer 深度学习 文章标签： python 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_43717832/article/details/133910517
版权

Informer复现

复现文件地址问题：

​ 问题描述： 使用informer官方文件，调整好所有路径参数，代码依旧使用之前的路径进行训练。

​ 原因：pycharm中使用了参数配置，因此在代码执行的过程中，优先加载pycharm中的参数。

问题展示：

​ 使用固定参数之后，在代码之中使用的数据优先级降低。
在这里插入图片描述

Informer设置参数过程：

  • 设置参数，点击Edit Configurations
    在这里插入图片描述

更改params中的参数设置：

在这里插入图片描述

  • 修改具体参数：
    在这里插入图片描述

    修改地址操作：
    main-informer文件中

weixin_43717832
关注
  • 1
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
informer时间序列预测
01-29
支持多步多变量输入，多步预测输出。 可以直接运行，代码简单。
AAAI最佳论文Informer 复现（含python notebook代码）
fluentn的博客
11-22 2020
Informer 算法复现代码 含notebook
记录复现Informer修改数据集遇到的问题FileNotFoundError: [Errno 2] No such file or directory: ‘./data/WTH.csv‘
weixin_47902668的博客
03-07 887
代码中路径没错但是运行报错：FileNotFoundError: [Errno 2] No such file or directory: './data/WTH.csv'
（pytorch进阶之路）Informer
qq_19841133的博客
02-27 1614
论文：Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting (AAAI’21 Best Paper)看了一下以前的论文学习学习
CGAN—LSGAN的原理与实现与informer代码理解（1）
weixin_44790306的博客
05-08 2682
文章目录摘要一. 摘要 一.
【论文复现】完爆LSTM！飞桨搭建Informer长时间序列模型
m0_63642362的博客
06-02 1936
由领航团团长手把手教你用PaddlePaddle搭建Informer长时间序列模型（2021 AAAI最佳论文）
时间序列预测-Transformer,Informer,Autoformer,FEDformer复现结果
11-15
时间序列预测-Transformer,Informer,Autoformer,FEDformer复现结果
Informer介绍，时间序列处理专用工具，22页ppt
07-10
Informer是一种用于时间序列预测的神经网络模型，它专注于处理多变量时间序列数据，并在预测过程中考虑到序列中的长期依赖关系。Informer模型由Zhou等人于2020年提出，并在时间序列预测任务中展现出良好的性能。 ...
PyTorch基于改进Informer模型的锂电池SOC估计（完整源码和数据）
最新发布
01-31
PyTorch基于改进Informer模型的时间序列预测（锂电池SOC估计）（完整源码和数据） 时序预测 | PyTorch基于改进Informer模型的时间序列预测，锂电池SOC估计 时间序列预测：informer改进模型（Fourier-Mixed Window ...
python-informer
03-22
通过dbus函数调用以通过gtalk发送消息的简单脚本。
Informer模型实战案例(代码+数据集+参数讲解)ProbSparse自注意力机制
11-15
1. ProbSparse自注意力机制：Informer引入了ProbSparse自注意力机制，该机制在时间复杂度和内存使用方面达到了O(Llog L)的水平，能够有效地捕捉序列之间的长期依赖关系。 2. 自注意力蒸馏：通过减少级联层的输入，自注意力蒸馏技术可以有效处理极长的输入序列，提高了模型处理长序列的能力
fasterseq:基于fairseq的更快，更高效的序列建模深度学习算法的实现，例如Lite-Transormer，Reformer，Linformer，注意力机制的有效变体等
03-09
关于FasterSeq 随着物联网和其他移动设备的快速发展，更快，更高效的深度学习技术的部署需要更多的努力。 我创建了这个资料库，以探索和开发最新的加速计算和有效的深度学习技术，以进行更快的序列建模。 我们选择的基础库是 ，它是由Facebook人工智能研究实验室开发和维护的用于序列建模的开源库。 要求和安装 版本> = 1.4.0 Python版本> = 3.6 要训​​练新型号，您还需要NVIDIA GPU和 要安装fairseq并在本地进行开发： git clone https://github.com/pytorch/fairseq cd fairseq pip install --editable ./ # on MacOS: # CFLAGS="-stdlib=libc++" pip install --editable ./ 为了更快地进行培训，请安装NVIDIA的
Informer2020:AAAI 2021接受论文“ Informer”的GitHub存储库
03-10
告密者：用于长序列时间序列预测的超越高效变压器（AAAI'21最佳论文） 这是以下文章中Informer的原始Pytorch实现： 。 特别感谢 Jieqi Peng @ 建立此存储库。 :triangular_flag: 新闻（2021年2月22日）：我们提供了供友好使用。 :triangular_flag: 新闻（2021年2月8日）：我们的线人论文被授予！ 我们将继续进行这方面的研究，并对此仓库进行更新。 如果您发现我们的工作对您有帮助，请加注该回购并引用我们的论文。 图1. Informer的体系结构。 稀疏注意 自我注意分数形成一个长尾分布，其中“活动”查询位于“头”分数中，而“懒惰”查询位于“尾”区域中。 我们设计了ProbSparse Attention以选择“活动”查询而不是“惰性”查询。 带有Top-u查询的ProbSparse Attention通过概率分布形成了一个稀疏的Transformer。 Why not us
Informer讲解PPT介绍【超详细】--AAAI 2021最佳论文：比Transformer更有效的长时间序列预测
weixin_44790306的博客
06-13 6418
本章再次重温informer 的重点细节，对Informer模型的问题背景与应用数据场景有了更进一步理解，按作者的表达，适用于具有周期性的数据集，适合做一个较长的时序预测，如果过于短期的预测反而不能很好的体现informer应有的性能。继续从三大挑战出发，提出三点对应的处理方法，从数学推导到实际模型验证的过程。以及论文源码中出现的一些小技巧的学习，比如 EarlyStopping的原理与使用技巧。Reference： 1.细读informer与项目学习 2. 类Transformer模型的长序列分析预测新方
细读informer与项目学习
weixin_44790306的博客
04-17 7268
文章目录
Informer源码分析
jrh1223的博客
12-28 1万+
首先是数据准备阶段的入口函数，位于Exp_Informer类的train函数内 self._get_data的实现如下，该函数主要就是根据所选择的数据集加载数据，之后构建DataSet和DataLoader： 数据集的加载可以按照不同的时间粒度进行构建，这里以Dataset_ETT_hour类为例子，其__init__函数如下 在初始化时最重要的函数就是_read_data_ 1.1 时间的处理 在上面read_data中需要详细了解的是time_features函数，该函数的实现如下： time_feat
Informer代码详解
热门推荐
悟以往之不谏，知来者之可追
05-28 2万+
Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting 论文：https://arxiv.org/abs/2012.07436 代码：https://github.com/zhouhaoyi/Informer2020 1 数据集 该数据集每条记录由8个特征组成，每个特征会经过conv1d变为512维向量。如果进行多变量预测任务，则预测为后7列变量的值，如果进行的是单变量预测任务，则预测最后一列变量的值
Informer模型与基础学习
weixin_44790306的博客
04-10 1万+
文章目录摘要文献阅读一. Informer: 一个基于Transformer改进的高效的长时间序列预测模型1.1 论文摘要1.2 研究内容1.3 Informer模型架构预备知识LSTF问题定义Encoder-Decoder 体系结构1.4 创新点1.5二. pytorch 基础2.1 损失函数与反向传播2.2 优化器2.3 VGG16模型的使用与修改2.4 完整网络模型的训练套路简单汇总2.4.1 网络模型的保存与读取2.4.2 完整模型套路创建网络模型（model.py要确保与train.py在同一文件
informer代码复现
09-11
Informer代码复现是指根据Informer模型的原始论文和开源代码，重新实现该模型的过程。通过引用和可以得知，Informer是一种对Transformer模型进行了改进的方法，以提高计算、内存和体系结构的效率。同时，作者也提供...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值