图卷积神经网络模型——雨滴模型代码调试

预处理

原本使用数据为txt格式，并且主要就是不同时间序列的特征提取。使用普通的数据预处理方式。将数据先切分为训练集和测试集，接着将测试集切分为验证集和测试集

主要就是与原本的处理方式不同，核心还是对图卷积神经网络的学习

图卷积神经网络

 将embedding调到2，复制倍数调到2

            # 定时清内存
            import torch, gc
            gc.collect()
            torch.cuda.empty_cache()

放在了使用cuda之后

之后就是少一个文件夹，重新建立即可。

models_rd.py运行

代码函数运行顺序

首先运行顺序

class PositionalEncodingTF(nn.Module):
    def __init__(self, d_model, max_len=500, MAX=10000):

# 本身函数还未调用所以先没有运行

def getPE(self, P_time):

def forward(self, P_time):

class Raindrop(nn.Module):

class Raindrop_v2(nn.Module):

 进入Raindrop_V2函数

    # 模型属性定义
    def __init__(self, d_inp=36, d_model=64, nhead=4, nhid=128, nlayers=2, dropout=0.3,
max_len=215, d_static=9,MAX=100, perc=0.5, aggreg='mean', n_classes=2,
global_structure=None, sensor_wise_mask=False, static=True):

    # 权重初始化
    def init_weights(self):

    # 前向传播
    def forward(self, src, static, times, lengths):

Raindrop函数和Raindrop_V2函数的内部运行顺序相同。

主程序学习结果

将主要的epoch值和复制倍数折半的减少，程序调通，主要问题在于电脑配置。剩下的问题等下次再写。