解码器MLP#

class pytorch_forecasting.models.mlp._decodermlp.DecoderMLP(activation_class: str = 'ReLU', hidden_size: int = 300, n_hidden_layers: int = 3, dropout: float = 0.1, norm: bool = True, static_categoricals: List[str] | None = None, static_reals: List[str] | None = None, time_varying_categoricals_encoder: List[str] | None = None, time_varying_categoricals_decoder: List[str] | None = None, categorical_groups: Dict[str, List[str]] | None = None, time_varying_reals_encoder: List[str] | None = None, time_varying_reals_decoder: List[str] | None = None, embedding_sizes: Dict[str, Tuple[int, int]] | None = None, embedding_paddings: List[str] | None = None, embedding_labels: Dict[str, ndarray] | None = None, x_reals: List[str] | None = None, x_categoricals: List[str] | None = None, output_size: int | List[int] = 1, target: str | List[str] = None, loss: 多视角指标 = None, logging_metrics: ModuleList = None, **kwargs)[来源]#

基础: BaseModelWithCovariates

解码器上的MLP。

仅根据解码器中可用信息预测输出的MLP。

Parameters:

  • activation_class (str, 可选) – PyTorch 激活类。默认为 “ReLU”。

  • hidden_size (int, 可选) – 隐藏的循环大小 - 与 n_hidden_layers 一起是最重要的超参数。默认为 10。

  • n_hidden_layers (int, 可选) – 隐藏层的数量 - 重要的超参数。默认为 2。

  • dropout (float, optional) – 随机失活。默认为 0.1。

  • norm (bool, 可选) – 是否在MLP中使用归一化。默认值为True。

  • static_categoricals – 静态分类变量的位置整数

  • static_reals – 静态连续变量的位置的整数

  • time_varying_categoricals_encoder – 编码器的分类变量的位置的整数

  • time_varying_categoricals_decoder – 解码器中分类变量的位置的整数

  • time_varying_reals_encoder – 编码器的连续变量位置的整数

  • time_varying_reals_decoder – 解码器中连续变量的位置的整数

  • categorical_groups – 字典，其中值是分类变量的列表，这些变量共同形成一个新的分类变量，该变量是字典中的键

  • x_reals – 传递给前向函数的张量中连续变量的顺序

  • x_categoricals – 传递给前向函数的张量中的分类变量的顺序

  • embedding_sizes – 字典，将（字符串）索引映射到分类类的数量和嵌入大小的元组

  • embedding_paddings – 嵌入的索引列表，负责将零的嵌入转化为零向量

  • embedding_labels – 字典，将（字符串）索引映射到分类标签的列表

  • output_size (Union[int, List[int]], optional) – 输出的数量（例如，QuantileLoss 的分位数数量和一个目标或输出大小列表）。

  • target (str, 可选) – 目标变量或目标变量列表。默认为 None。

  • loss (MultiHorizonMetric, 可选) – loss: 损失函数，接受预测值和目标值。默认值为 QuantileLoss。

  • logging_metrics (nn.ModuleList, 可选) – 训练期间记录的指标。默认为 nn.ModuleList([SMAPE(), MAE(), RMSE(), MAPE(), MASE()]).

方法

forward(x[, n_samples])

前馈网络

from_dataset(数据集, **kwargs)

从数据集中创建模型并设置与协变量相关的参数。
forward(x: Dict[str, Tensor], n_samples: int = None) → Dict[str, Tensor][来源]#

前向网络

classmethod from_dataset(dataset: 时间序列数据集, **kwargs)[来源]#

从数据集中创建模型并设置与协变量相关的参数。

Parameters:

  • dataset – 时间序列数据集

  • allowed_encoder_known_variable_names – 允许在编码器中使用的已知变量列表，默认为所有

  • **kwargs – 额外的参数，例如模型的超参数（见 __init__()）

Returns:

Lightning模块