动机 : 逐步复现»摘出模型文件
从哪里开始? TSF 时序库有
TIME-SERIES-LIBRARY » models » TimesMixer.py
新建虚拟环境, 激活虚拟环境
1
2
3
|
conda create -n dave python==3.8 -y
conda activate dave
pip install torchinfo
|
- 注意, 要 ==切换左下角 VSCode 的运行环境== , 保证点击小虫子,调试 run.py 时 使用的是 想要的是虚拟环境
- VScode 虚拟环境的管理 GUI 和 命令行 是不一样的
- 一句话 : 命令行运行命令, 使用的就是命令行的环境; GUI 点击, 使用的就是 GUI 的激活环境
调试环境
① run.py 右上角 $>>$ 小虫子 $>>$ 使用 launch.json 进行调试 $>>$ 添加 "justMyCode": true
1
2
3
4
5
6
7
8
|
{
"name": "Python 调试程序: 当前文件",
"type": "debugpy",
"request": "launch",
"program": "${file}",
"justMyCode": true,
"console": "integratedTerminal"
}
|
② 点击 左上角 小虫子 , 调试运行 即可
新建 项目文件夹
现在看 250506-TimeMixer
- 新建
custom_repr.py (点击查看填写的内容) ,
- 复制
run.py
- 复制
TimesMixer.py : TIME-SERIES-LIBRARY >> models >> TimesMixer.py 到 250506-TimeMixer
现在看 TimeMixer.py
1
2
3
4
5
6
|
import torch
import torch.nn as nn
import torch.nn.functional as F
from layers.Autoformer_EncDec import series_decomp
from layers.Embed import DataEmbedding_wo_pos
from layers.StandardNorm import Normalize
|
① 新建 layers 文件夹
② 需要什么 去 layers 中找什么 , 粘贴什么, 并检查没有使用自定义类了
现在看 run.py
(1) 导入
1
2
3
|
from TimeMixer import Model
import custom_repr
from torchinfo import summary
|
(2) 删除 print_args(args) 后面的所有内容
1
2
3
4
5
6
7
8
|
if args.use_gpu and args.use_multi_gpu:
args.devices = args.devices.replace(' ', '')
device_ids = args.devices.split(',')
args.device_ids = [int(id_) for id_ in device_ids]
args.gpu = args.device_ids[0]
print('Args in experiment:')
print_args(args)
|
(3) 后面添加新的内容, 对照官方仓库ETTh1脚本, 传入自定义参数 , 类似这种 , 在两个 print 之间添加, 保正打印的是正在使用的参数
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
|
print('Args in experiment:')
args.model = 'TimeMixer'
args.seq_len = 96
args.label_len = 0
args.pred_len = 720
args.enc_in = 7
args.c_out = 7
args.is_training = 1
args.features = "M"
args.e_layers=2
args.des = 'Exp'
args.itr = 1
args.down_sampling_layers=3
args.down_sampling_window=2
args.down_sampling_method = "avg "
args.learning_rate=0.01
args.d_model=16
args.d_ff=32
args.train_epochs=10
args.patience=10
args.batch_size=16
args.learning_rate=0.01
print_args(args)
|
在 print_args(args) 后面 继续添加以下内容:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
args.batch_size=16
args.learning_rate=0.01
print_args(args)
x_enc = torch.randn(args.batch_size,args.seq_len,args.enc_in)
x_mark_enc = torch.randn(args.batch_size,args.seq_len,4)
x_dec = torch.randn(args.batch_size,args.pred_len,args.enc_in)
x_mark_dec = torch.randn(args.batch_size,args.pred_len,4)
model = Model(args)
summary(model, input_data=[x_enc, x_mark_enc, x_dec, x_mark_dec])
print(model)
outputs = model(x_enc,x_mark_enc,x_dec,x_mark_dec)
print(outputs.shape)
|
(4) 运行
① run.py 右上角 $>>$ 小虫子 $>>$ 使用 launch.json 进行调试
② 后面可以 直接 点击 左上角 小虫子运行
③ torchinfo summary 执行一次即可, 需要执行一次完整的前向传播过程
- 还是会有一些小错误,缝缝补补, 比如自定义库的调用
1
2
3
4
5
6
7
8
9
10
11
12
|
import argparse
import os
import torch
import torch.backends
# from exp.exp_long_term_forecasting import Exp_Long_Term_Forecast
# from exp.exp_imputation import Exp_Imputation
# from exp.exp_short_term_forecasting import Exp_Short_Term_Forecast
# from exp.exp_anomaly_detection import Exp_Anomaly_Detection
# from exp.exp_classification import Exp_Classification
# from utils.print_args import print_args
import random
import numpy as np
|
- 提示错误 : 以下参数是必填参数
required
1
|
run.py: error: the following arguments are required: --task_name, --is_training, --model_id, --model, --data
|
1
2
|
parser.add_argument('--task_name', type=str, required=True, default='long_term_forecast',
help='task name, options:[long_term_forecast, short_term_forecast, imputation, classification, anomaly_detection]')
|
1
|
args.down_sampling_method = "avg"
|
summary
新建 summary.log 存储模型一次前向传播的过程
然后注意掉即可
model
model.log & 参数数量