0 导入库
from data.data_loader import Dataset_ETT_hour, Dataset_ETT_minute, Dataset_Custom, Dataset_Pred
from exp.exp_basic import Exp_Basic
from models.model import Informer, InformerStack
from utils.tools import EarlyStopping, adjust_learning_rate
from utils.metrics import metric
import numpy as np
import torch
import torch.nn as nn
from torch import optim
from torch.utils.data import DataLoader
import os
import time
import warnings
warnings.filterwarnings('ignore')
1 Exp_Informer
class Exp_Informer(Exp_Basic):
def __init__(self, args):
super(Exp_Informer, self).__init__(args)
1.1 build_model
'''
用于构建模型。它根据提供的参数来实例化特定类型的模型
'''
def _build_model(self):
model_dict = {
'informer':Informer,
'informerstack':InformerStack,
}
if self.args.model=='informer' or self.args.model=='informerstack':
e_layers = self.args.e_layers if self.args.model=='informer' else self.args.s_layers
model = model_dict[self.args.model](
self.args.enc_in,
self.args.dec_in,
self.args.c_out,
self.args.seq_len,
self.args.label_len,
self.args.pred_len,
self.args.factor,
self.args.d_model,
self.args.n_heads,
e_layers, # self.args.e_layers,
self.args.d_layers,
self.args.d_ff,
self.args.dropout,
self.args.attn,
self.args.embed,
self.args.freq,
self.args.activation,
self.args.output_attention,
self.args.distil,
self.args.mix,
self.device
).float()
#用提供的参数实例化模型
if self.args.use_multi_gpu and self.args.use_gpu:
model = nn.DataParallel(model, device_ids=self.args.device_ids)
#如果设置为使用多 GPU，那么模型将被包装在 nn.DataParallel 中，以便在多个 GPU 上并行运行。
return model
1.2 get_data
'''
根据指定的模式（如训练、测试或预测）获取数据
'''
def _get_data(self, flag):
args = self.args
data_dict = {
'ETTh1':Dataset_ETT_hour,
'ETTh2':Dataset_ETT_hour,
'ETTm1':Dataset_ETT_minute,
'ETTm2':Dataset_ETT_minute,
'WTH':Dataset_Custom,
'ECL':Dataset_Custom,
'Solar':Dataset_Custom,
'custom':Dataset_Custom,
}
'''
定义了一个字典，映射不同的数据集名称到相应的数据集类。
例如，'ETTh1' 和 'ETTh2' 映射到 Dataset_ETT_hour 类。
'''
Data = data_dict[self.args.data]
#根据参数中指定的数据集名称选择相应的数据集类
timeenc = 0 if args.embed!='timeF' else 1
#设置时间编码标志。如果嵌入类型不是 'timeF'，则 timeenc 设置为 0，否则设置为 1。
if flag == 'test':
shuffle_flag = False; drop_last = True; batch_size = args.batch_size; freq=args.freq
elif flag=='pred':
shuffle_flag = False; drop_last = False; batch_size = 1; freq=args.detail_freq
Data = Dataset_Pred
else:
shuffle_flag = True; drop_last = True; batch_size = args.batch_size; freq=args.freq
'''
根据 flag 参数（指示数据集用途，如 'test', 'pred', 或其他）设置不同的参数：
shuffle_flag：是否打乱数据。
drop_last：在数据批次不足时是否丢弃最后一批数据。
batch_size：每批数据的大小。
freq：数据频率，用于确定数据处理的时间间隔。
'''
data_set = Data(
root_path=args.root_path,
data_path=args.data_path,
flag=flag,
size=[args.seq_len, args.label_len, args.pred_len],
features=args.features,
target=args.target,
inverse=args.inverse,
timeenc=timeenc,
freq=freq,
cols=args.cols
)
'''
使用指定参数实例化数据集。这里包括了
数据路径
标志（如 'train', 'test'）
序列长度、标签长度、预测长度
特征类型 (M,S,MS)
目标列
时间编码标志
频率
需要使用的列
'''
print(flag, len(data_set))
data_loader = DataLoader(
data_set,
batch_size=batch_size,
shuffle=shuffle_flag,
num_workers=args.num_workers,
drop_last=drop_last)
'''
使用 DataLoader 创建一个数据加载器，用于批量加载数据
同时指定是否打乱、是否丢弃最后一个批次、使用的工作进程数量等。
'''
return data_set, data_loader
#返回数据集和数据加载器的实例
1.3 optimizer & criterion
def _select_optimizer(self):
model_optim = optim.Adam(self.model.parameters(), lr=self.args.learning_rate)
return model_optim
def _select_criterion(self):
criterion = nn.MSELoss()
return criterion
#选择优化器和损失函数
1.4 vali
'''
在验证集上评估模型
'''
def vali(self, vali_data, vali_loader, criterion):
self.model.eval() #将模型设置为评估模式
total_loss = []
for i, (batch_x,batch_y,batch_x_mark,batch_y_mark) in enumerate(vali_loader):
#遍历验证数据加载器中的每个批次
pred, true = self._process_one_batch(
vali_data, batch_x, batch_y, batch_x_mark, batch_y_mark)
#调用 _process_one_batch 方法处理一个批次的数据。这个方法会返回预测值（pred）和真实值（true）
loss = criterion(pred.detach().cpu(), true.detach().cpu())
#计算预测值和真实值之间的损失
total_loss.append(loss)
#将计算出的损失添加到 total_loss 列表中
total_loss = np.average(total_loss)
#计算所有批次损失的平均值。这个平均损失表示在验证数据集上模型的整体性能。
self.model.train()
#将模型重新设置为训练模式，继续训练模型
return total_loss
#返回计算出的平均损失值
1.5 train
'''
训练模型
'''
def train(self, setting):
train_data, train_loader = self._get_data(flag = 'train')
vali_data, vali_loader = self._get_data(flag = 'val')
test_data, test_loader = self._get_data(flag = 'test')
#使用 _get_data 方法加载训练、验证和测试数据集。
path = os.path.join(self.args.checkpoints, setting)
if not os.path.exists(path):
os.makedirs(path)
#创建用于保存模型检查点的目录
time_now = time.time()
train_steps = len(train_loader)
early_stopping = EarlyStopping(patience=self.args.patience, verbose=True)
#使用EarlyStopping 检查是否应停止训练
model_optim = self._select_optimizer()
criterion = self._select_criterion()
if self.args.use_amp:
scaler = torch.cuda.amp.GradScaler()
'''
初始化一些变量：
train_steps：训练数据加载器中的批次总数。
early_stopping：如果验证损失在一定迭代次数后没有改善，则停止训练。
model_optim：选择优化器。
criterion：选择损失函数。
如果启用了自动混合精度（AMP），则初始化 scaler。
'''
for epoch in range(self.args.train_epochs):
iter_count = 0
train_loss = []
self.model.train()
epoch_time = time.time()
for i, (batch_x,batch_y,batch_x_mark,batch_y_mark) in enumerate(train_loader):
#遍历训练数据加载器中的所有批次
iter_count += 1
model_optim.zero_grad() #清除模型优化器的梯度
pred, true = self._process_one_batch(
train_data, batch_x, batch_y, batch_x_mark, batch_y_mark)
#使用 _process_one_batch 处理批次数据，计算损失
loss = criterion(pred, true)
#计算这一个batch预测值和实际值的差距
train_loss.append(loss.item())
if (i+1) % 100==0:
print("\titers: {0}, epoch: {1} | loss: {2:.7f}".format(i + 1, epoch + 1, loss.item()))
speed = (time.time()-time_now)/iter_count
left_time = speed*((self.args.train_epochs - epoch)*train_steps - i)
print('\tspeed: {:.4f}s/iter; left time: {:.4f}s'.format(speed, left_time))
iter_count = 0
time_now = time.time()
#每100次迭代打印损失和预计剩余时间
if self.args.use_amp:
scaler.scale(loss).backward()
scaler.step(model_optim)
scaler.update()
else:
loss.backward()
model_optim.step()
#损失后向传播和优化器步骤，如果启用了 AMP，则使用 scaler 进行这些步骤
print("Epoch: {} cost time: {}".format(epoch+1, time.time()-epoch_time))
train_loss = np.average(train_loss)
vali_loss = self.vali(vali_data, vali_loader, criterion)
#对模型进行validation
test_loss = self.vali(test_data, test_loader, criterion)
print("Epoch: {0}, Steps: {1} | Train Loss: {2:.7f} Vali Loss: {3:.7f} Test Loss: {4:.7f}".format(
epoch + 1, train_steps, train_loss, vali_loss, test_loss))
early_stopping(vali_loss, self.model, path)
if early_stopping.early_stop:
print("Early stopping")
break
adjust_learning_rate(model_optim, epoch+1, self.args)
best_model_path = path+'/'+'checkpoint.pth'
self.model.load_state_dict(torch.load(best_model_path))
#在训练结束后，加载表现最好的模型状态
return self.model
1.6 test
'''
在测试集上评估模型
'''
def test(self, setting):
test_data, test_loader = self._get_data(flag='test')
#加载测试数据集
self.model.eval()
preds = []
trues = []
#存储模型的预测和相应的真实值
for i, (batch_x,batch_y,batch_x_mark,batch_y_mark) in enumerate(test_loader):
pred, true = self._process_one_batch(
test_data, batch_x, batch_y, batch_x_mark, batch_y_mark)
preds.append(pred.detach().cpu().numpy())
trues.append(true.detach().cpu().numpy())
'''
遍历测试数据加载器中的每个批次。
使用 _process_one_batch 方法处理每个批次的数据。
将预测值和真实值添加到各自的列表中。
'''
preds = np.array(preds)
trues = np.array(trues)
print('test shape:', preds.shape, trues.shape)
preds = preds.reshape(-1, preds.shape[-2], preds.shape[-1])
trues = trues.reshape(-1, trues.shape[-2], trues.shape[-1])
print('test shape:', preds.shape, trues.shape)
# result save
folder_path = './results/' + setting +'/'
if not os.path.exists(folder_path):
os.makedirs(folder_path)
#创建一个文件夹来存储测试结果
mae, mse, rmse, mape, mspe = metric(preds, trues)
#使用自定义的 metric 函数计算各种性能指标，如 MAE（平均绝对误差）、MSE（均方误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差）和 MSPE（均方百分比误差）。
print('mse:{}, mae:{}'.format(mse, mae))
np.save(folder_path+'metrics.npy', np.array([mae, mse, rmse, mape, mspe]))
np.save(folder_path+'pred.npy', preds)
np.save(folder_path+'true.npy', trues)
return
1.7 predict
#在新数据上进行模型预测
def predict(self, setting, load=False):
pred_data, pred_loader = self._get_data(flag='pred')
#加载预测数据集
if load:
path = os.path.join(self.args.checkpoints, setting)
best_model_path = path+'/'+'checkpoint.pth'
self.model.load_state_dict(torch.load(best_model_path))
#如果 load 为 True，则从保存的路径加载最佳模型的状态。
self.model.eval()
preds = []
for i, (batch_x,batch_y,batch_x_mark,batch_y_mark) in enumerate(pred_loader):
pred, true = self._process_one_batch(
pred_data, batch_x, batch_y, batch_x_mark, batch_y_mark)
preds.append(pred.detach().cpu().numpy())
'''
遍历预测数据加载器中的每个批次。
使用 _process_one_batch 方法处理每个批次的数据。
将预测值添加到 preds 列表中。
'''
preds = np.array(preds)
preds = preds.reshape(-1, preds.shape[-2], preds.shape[-1])
# result save
folder_path = './results/' + setting +'/'
if not os.path.exists(folder_path):
os.makedirs(folder_path)
np.save(folder_path+'real_prediction.npy', preds)
#保存预测结果
return
1.8 process_one_batch
'''
处理一个数据批次
'''
def _process_one_batch(self, dataset_object, batch_x, batch_y, batch_x_mark, batch_y_mark):
batch_x = batch_x.float().to(self.device)
batch_y = batch_y.float()
batch_x_mark = batch_x_mark.float().to(self.device)
batch_y_mark = batch_y_mark.float().to(self.device)
# decoder input
if self.args.padding==0:
dec_inp = torch.zeros([batch_y.shape[0], self.args.pred_len, batch_y.shape[-1]]).float()
elif self.args.padding==1:
dec_inp = torch.ones([batch_y.shape[0], self.args.pred_len, batch_y.shape[-1]]).float()
#根据 self.args.padding 的值创建一个全零或全一的张量作为解码器的初始输入
dec_inp = torch.cat([batch_y[:,:self.args.label_len,:], dec_inp], dim=1).float().to(self.device)
#将这个张量与 batch_y 的一部分拼接，形成完整的解码器输入
# encoder - decoder
if self.args.use_amp:
with torch.cuda.amp.autocast():
if self.args.output_attention:
outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]
else:
outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
else:
if self.args.output_attention:
outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)[0]
else:
outputs = self.model(batch_x, batch_x_mark, dec_inp, batch_y_mark)
if self.args.inverse:
outputs = dataset_object.inverse_transform(outputs)
#encoder-decoder的输出
f_dim = -1 if self.args.features=='MS' else 0
batch_y = batch_y[:,-self.args.pred_len:,f_dim:].to(self.device)
#从 batch_y 中选择与预测长度相对应的部分，并移动到指定设备。
#f_dim 变量用于确定特征维度。
return outputs, batch_y
