paddlets.models.anomaly.dl._anomaly_transformer.embedding

class PositionalEmbedding(d_model: int, max_len: int = 5000)[源代码]

基类：Layer

对数空间中计算位置向量编码。

参数

d_model (int) – anomaly transformer模型输入数据的特征维度。
max_len (int) – 位置编码数组的计算维度。

_nn

动态网络层。

Type: paddle.nn.Sequential

forward(x: Tensor) → Tensor[源代码]

位置向量编码前向网络。

参数: x (paddle.Tensor) – 输入张量。
返回: 输出位置编码向量。
返回类型: paddle.Tensor

class TokenEmbedding(c_in: int, d_model: int)[源代码]

基类：Layer

使用以下方法，对神经网络进行初始化。: 这是一种初始化参数分布的并超越人类表现的方法，它源于ImageNet神经网络分类论文。

参数

c_in (int) – 一维卷积通道数。
d_model (int) – anomaly transformer模型输入数据的特征维度。

_nn

动态网络层。

Type: paddle.nn.Sequential

forward(x: Tensor) → Tensor[源代码]

TokenEmbedding前向网络。

参数: x (paddle.Tensor) – 输入张量。
返回: TokenEmbedding输出。
返回类型: paddle.Tensor

class DataEmbedding(c_in: int, d_model: int, dropout: int = 0.0)[源代码]

基类：Layer

data embedding = PositionalEmbedding + TokenEmbedding.

参数

c_in (int) – 嵌入层的通道数。
d_model (int) – anomaly transformer模型输入数据的特征维度。
dropout (int) – 神经元丢弃概率。

_nn

动态网络层。

Type: paddle.nn.Sequential

forward(x: Tensor) → Tensor[源代码]

DataEmbedding 前向网络。

参数: x (paddle.Tensor) – 输入张量。
返回: 数据嵌入层输出。
返回类型: paddle.Tensor