paddlets.models.representation.dl.cost
- class CoST(segment_size: int, sampling_stride: int = 1, optimizer_fn: ~typing.Callable[[...], ~paddle.optimizer.optimizer.Optimizer] = <class 'paddle.optimizer.momentum.Momentum'>, optimizer_params: ~typing.Dict[str, ~typing.Any] = {'learning_rate': 0.001}, callbacks: ~typing.List[~paddlets.models.common.callbacks.callbacks.Callback] = [], batch_size: int = 128, max_epochs: int = 10, verbose: int = 1, seed: ~typing.Union[None, int] = None, repr_dims: int = 320, hidden_dims: int = 64, num_layers: int = 10, queue_size: int = 256, temperature: float = 0.07, alpha: float = 0.0005)[源代码]
基类：
ReprBaseModelCoST[1] 是2022年提出的一种时序表征模型(适用于长时序预测的新型时序表征框架), 它使用对比学习方法去学习解耦的季节-趋势表示(包含时域对比损失和频域对比损失, 分别学习可区分的趋势表征和季节表征)
[1] Woo G, et al. “CoST: Contrastive Learning of Disentangled Seasonal-Trend Representations for Time Series Forecasting”, https://arxiv.org/pdf/2202.01575.pdf
- 参数
segment_size (int) – 时序片段的长度.
sampling_stride (int) – 相邻样本间的采样间隔.
optimizer_fn (Callable[..., Optimizer]) – 优化算法.
optimizer_params (Dict[str, Any]) – 优化器参数.
callbacks (List[Callback]) – 自定义callback函数.
batch_size (int) – 训练数据的批大小.
max_epochs (int) – 训练的最大轮数.
verbose (int) – 模型训练过程中打印日志信息的间隔
seed (int|None) – 全局随机数种子, 注: 保证每次模型参数初始化一致.
repr_dims (int) – 表征向量的维度.
hidden_dims (int) – 空洞卷积网络的隐层通道数.
num_layers (int) – 空洞卷积网络的层数.
queue_size (int) – 用于保存负例样本的动态队列大小.
temperature (float) – 时域对比损失中的温度系数.
alpha (float) – 该参数用于调整损失函数中频域对比损失的占比.
- _segment_size
时序片段的长度.
- Type
int
- _sampling_stride
相邻样本间的采样间隔.
- Type
int
- _optimizer_fn
优化算法.
- Type
Callable[…, Optimizer]
- _optimizer_params
优化器参数.
- Type
Dict[str, Any]
- _batch_size
训练数据的批大小.
- Type
int
- _max_epochs
训练的最大轮数.
- Type
int
- _verbose
模型训练过程中打印日志信息的间隔
- Type
int
- _seed
全局随机数种子, 注: 保证每次模型参数初始化一致.
- Type
int|None
- _repr_dims
表征向量的维度.
- Type
int
空洞卷积网络的隐层通道数.
- Type
int
- _num_layers
空洞卷积网络的层数.
- Type
int
- _queue_size
用于保存负例样本的动态队列大小.
- Type
int
- _temperature
时域对比损失中的温度系数.
- Type
float
- _alpha
该参数用于调整损失函数中频域对比损失的占比.
- Type
float