(逐步系列)复现之前¶
约 400 个字 247 行代码 预计阅读时间 5 分钟
- git clone
-
下载数据集
-
conda activate、readme、python 版本
自动确认 y¶
Bash
# 创建新的conda环境（自动确认所有提示）
conda create -n mamba python==3.8 -y
# 激活环境
conda activate mamba
# 安装兼容版本的PyTorch（自动确认所有提示）
conda install pytorch==2.0.0 torchvision torchaudio pytorch-cuda==11.8 -c pytorch -c nvidia -y
### 稳定安装方法#
# 1. 通过此命令行查看安装的是哪个wheel文件:
pip install mamba-ssm --no-cache-dir --verbose
# 2. 复制给定的.wheel链接到浏览器,直接下载
# 3. 然后在对应的环境中直接
pip install mamba_ssm-2.2.2+cu118torch2.0cxx11abiFALSE-cp38-cp38-linux_x86_64.whl
安装\激活¶
Python
conda create -n dave python==3.8
conda activate dave
conda install pytorch==2.1.2 torchvision==0.16.2 torchaudio==2.1.2 pytorch-cuda=11.8 -c pytorch -c nvidia
conda install numpy
conda install scikit-image
conda install scikit-learn
conda install tqdm
conda install pycocotools
进入\退出¶
Python
# To activate this environment, use
# $ conda activate Autoformer
#
# To deactivate an active environment, use
#
# $ conda deactivate
requirements 安装¶
查看虚拟环境列表:¶
本地安装:¶
(1)wheel
- 下载(这种情况发生在我安装 mamba 的时候,下载时,会显示正在下载哪个 wheel 文件,直接将正在下载的 url链接复制到浏览器,会自动下载)
- 进入到有 wheel 文件的文件夹,记得保证在python虚拟环境中,然后,pip install 即可
- (2) git安装
Python
# 激活您的环境
conda activate mamba
# 卸载现有版本
pip uninstall -y mamba-ssm
# 克隆仓库
git clone https://github.com/state-spaces/mamba.git
cd mamba
# 安装
pip install -e .
执行 pip install -e . 时，pip 会在当前目录查找 setup.py 文件,执行该文件中的安装指令
- 调试 sh 文件
这里要安装 python 库：
修改 sh 文件：
Bash
python -u run_longExp.py
# 需要手动点击 调试，开始运行
python -m debugpy --listen 5998 --wait-for-client run_longExp.py
# 可以移除 --wait-for-client 参数，让程序不必等待客户端连接就开始运行
python -m debugpy --listen 5998 run_longExp.py \
修改配置文件 "configurations"
JSON
{
"name": "[这里更换为任意名称]",
"type": "debugpy",
"justMyCode": true,
"request": "attach",
"connect": {
"host": "localhost",
"port": 5998
}
},
- 新建python 文件，调试显示形状
导入
custom_repr.py
Python
import torch
import pandas as pd
import custom_repr
# -------------------- 自定义包装类 --------------------
class CustomBool:
def __init__(self, value):
self.value = bool(value)
def __repr__(self):
return f'{{bool}} {self.value}'
class CustomInt:
def __init__(self, value):
self.value = int(value)
def __repr__(self):
return f'{{int}} {self.value}'
class CustomStr:
def __init__(self, value):
self.value = str(value)
def __repr__(self):
return f'{{str}} {self.value}'
# 自定义 list 和 dict 子类
class CustomList(list):
def __repr__(self):
return f'{{list: {len(self)}}} {super().__repr__()}'
class CustomDict(dict):
def __repr__(self):
return f'{{dict: {len(self)}}} {super().__repr__()}'
# 自定义 Tensor 的 __repr__ (Torch)
original_tensor_repr = torch.Tensor.__repr__
def custom_tensor_repr(self):
return f'{{Tensor: {tuple(self.shape)}}} {original_tensor_repr(self)}'
torch.Tensor.__repr__ = custom_tensor_repr
# 自定义 DataFrame 的 __repr__ (Pandas)
original_dataframe_repr = pd.DataFrame.__repr__
def custom_dataframe_repr(self):
return f'{{DataFrame: {self.shape}}} {original_dataframe_repr(self)}'
pd.DataFrame.__repr__ = custom_dataframe_repr
# 自定义 DataLoader 的类
class DataLoader:
def __init__(self, data_size):
self.data_size = data_size
def __len__(self):
return self.data_size
def __repr__(self):
return f'{{DataLoader: {len(self)}}} DataLoader object'
# -------------------- __main__ 函数 --------------------
def main():
# 使用自定义类型代替原生类型
my_list = CustomList([1, 2, 3, 4, 5, 6])
my_dict = CustomDict({'a': 1, 'b': 2, 'c': 3})
my_bool = CustomBool(True)
my_int = CustomInt(42)
my_str = CustomStr("hello")
# 测试 Tensor
my_tensor = torch.randn(100, 512)
# 测试 DataFrame
my_dataframe = pd.DataFrame({'A': [1, 2, 3], 'B': [4, 5, 6], 'C': [7, 8, 9]})
# 测试 DataLoader
my_dataloader = DataLoader(220)
# 输出内容
print(my_list) # {list: 6} [1, 2, 3, 4, 5, 6]
print(my_dict) # {dict: 3} {'a': 1, 'b': 2, 'c': 3}
print(my_bool) # {bool} True
print(my_int) # {int} 42
print(my_str) # {str} 'hello'
print(my_tensor) # {Tensor: (100, 512)} tensor([...])
print(my_dataframe) # {DataFrame: (3, 3)} A B C
print(my_dataloader) # {DataLoader: 220} DataLoader object
# 如果是直接运行文件，则调用 main 函数
if __name__ == "__main__":
main()
- 删除 .git文件
- 可选） 由于是 fork 来的代码，会保留原有作者的版本控制记录
拥有一个干净的仓库，并且不会显示原作者的版本记录，同时可以选择地是否从原仓库获取更新。
（1）彻底清除项目的所有之前的提交历史
完全重新开始，创建全新的仓库
Bash
# 1. 备份当前代码
cp -r UnetTSF UnetTSF_backup
# 2. 删除旧的 Git 目录
rm -rf UnetTSF/.git
# 3. 初始化新的 Git 仓库
cd UnetTSF
git init
# 4. 添加所有文件并提交
git add .
git commit -m "Initial commit: Forked from original repo with modifications"
与我自己的远程仓库关联
Python
# 添加你自己的远程仓库
git remote add origin https://github.com/你的用户名/仓库名.git
git remote add origin https://github.com/dearRongerr/TSF_Reproduction.git
# 推送代码
git push -u origin main
如果还想从原始仓库获取更新，保留原始仓库作为上游
Bash
# 添加原始仓库作为上游
git remote add upstream https://github.com/原作者/原仓库.git
# 获取上游更新（当需要时）
git fetch upstream
git merge upstream/master # 或者 main
（2）保留完整历史记录：所有之前的提交历史都会保留
Bash
# 查看当前远程仓库
git remote -v
# 显示结果通常为：
# origin https://github.com/原作者/原仓库.git (fetch)
# origin https://github.com/原作者/原仓库.git (push)
# 移除原始的远程仓库引用
git remote rm origin
# 添加你自己的仓库作为新的 origin
git remote add origin https://github.com/你的用户名/你的仓库.git
# 添加原作者的仓库作为 upstream (方便日后同步更新)
git remote add upstream https://github.com/原作者/原仓库.git
更新 .gitignore 文件
Bash
# Python 缓存文件
__pycache__/
*.py[cod]
*$py.class
.pytest_cache/
.coverage
htmlcov/
# 虚拟环境
venv/
env/
ENV/
# 分布式训练
*.out
*.err
*.log
# 模型检查点和结果
checkpoints/
results/
*.pth
*.pt
*.bin
*.h5
# 临时文件
.ipynb_checkpoints
.DS_Store
.idea/
.vscode/
# 数据文件 (根据需要调整)
*.csv
*.tsv
*.pkl
*.npy
模型修改与版本控制¶
Python
# 进行多次提交开发一个特性
git commit -m "初始化多尺度卷积结构"
git commit -m "添加自注意力机制"
git commit -m "优化特征融合方法"
git commit -m "完成多尺度时间卷积与注意力机制"
# 特性完成后，打一个标签
git tag -a feature-multiscale-complete -m "多尺度时间卷积与注意力机制完整实现"
# 运行实验后，标记结果
git tag -a exp-etth1-96h-mae0.412 -m "ETTh1数据集96小时预测最佳结果"
提交&打标签
标签是对提交的引用，所以必须先有提交才能打标签
Bash
# 首先提交代码
git add models/Time_Unet.py
git commit -m "完成多尺度时间卷积与注意力机制实现"
# 然后在这个提交上打标签
git tag -a v0.1-multiscale -m "多尺度时间卷积特性完成"
2025-04-13 09:44:272025-04-20 10:08:19