paddlets.models.representation.dl.ts2vec
- class TS2Vec(segment_size: int, sampling_stride: int = 1, optimizer_fn: ~typing.Callable[[...], ~paddle.optimizer.optimizer.Optimizer] = <class 'paddle.optimizer.adamw.AdamW'>, 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, temporal_unit: int = 0)[源代码]
基类：
ReprBaseModelTS2Vec[1] 是2021年提出的一种时序表征模型(一种在任意语义级别学习时序表征的通用框架), 它以层级的方式在不同的下文视角进行对比学习, 为每个时间戳得学习鲁棒的上下文表征.
[1] Yue Z, et al. “TS2Vec: Towards universal representation of time series”, https://arxiv.org/abs/2106.10466
- 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) – 表征维度。
hidden_dims (int) – 隐藏层的channel数。
num_layers (int) – 空洞卷积网络的层数.
temporal_unit (int) – 完成时间比较的最小单元。
- _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
表征维度。
- Type
int
隐藏层的channel数。
- Type
int
- _num_layers
空洞卷积网络的层数.
- Type
int
- _temporal_unit
完成时间比较的最小单元。
- Type
int