Transformers 文档
PatchTSMixer
并获得增强的文档体验
开始使用
PatchTSMixer
概述
PatchTSMixer 模型由 Vijay Ekambaram、Arindam Jati、Nam Nguyen、Phanwadee Sinthong 和 Jayant Kalagnanam 在 TSMixer: 轻量级 MLP-Mixer 模型用于多元时间序列预测 中提出。
PatchTSMixer 是一种基于 MLP-Mixer 架构的轻量级时间序列建模方法。在此 HuggingFace 实现中，我们提供了 PatchTSMixer 的功能，以轻松促进跨补丁、通道和隐藏特征的轻量级混合，从而实现有效的多元时间序列建模。它还支持各种注意力机制，从简单的门控注意力到更复杂的自注意力块，可以相应地进行自定义。该模型可以进行预训练，随后用于各种下游任务，例如预测、分类和回归。
论文摘要如下：
TSMixer 是一种轻量级神经网络架构，完全由多层感知器 (MLP) 模块组成，专为补丁化时间序列的多元预测和表示学习而设计。我们的模型从计算机视觉中 MLP-Mixer 模型的成功中汲取灵感。我们展示了将 Vision MLP-Mixer 适应时间序列所面临的挑战，并引入了经验验证的组件以提高准确性。这包括一种新颖的设计范式，即在 MLP-Mixer 骨干网络上附加在线协调头，用于明确建模时间序列属性，例如层次结构和通道相关性。我们还提出了一种混合通道建模方法，以有效处理嘈杂的通道交互和跨不同数据集的泛化，这是现有补丁通道混合方法中的常见挑战。此外，在骨干网络中引入了一种简单的门控注意力机制，以优先考虑重要特征。通过整合这些轻量级组件，我们显著增强了简单 MLP 结构的学习能力，以最小的计算量优于复杂的 Transformer 模型。此外，TSMixer 的模块化设计使其与监督和掩码自监督学习方法兼容，使其成为时间序列基础模型的有前景的构建块。TSMixer 在预测方面以 8-60% 的显著优势优于最先进的 MLP 和 Transformer 模型。它还以显著降低内存和运行时（2-3 倍）的优势优于最新的 Patch-Transformer 模型的强大基准（1-2%）。
该模型由 ajati、vijaye12、gsinthong、namctin、wmgifford、kashif 贡献。
使用示例
以下代码片段展示了如何随机初始化 PatchTSMixer 模型。该模型与 Trainer API 兼容。
from transformers import PatchTSMixerConfig, PatchTSMixerForPrediction
from transformers import Trainer, TrainingArguments,
config = PatchTSMixerConfig(context_length = 512, prediction_length = 96)
model = PatchTSMixerForPrediction(config)
trainer = Trainer(model=model, args=training_args,
train_dataset=train_dataset,
eval_dataset=valid_dataset)
trainer.train()
results = trainer.evaluate(test_dataset)使用技巧
该模型还可用于时间序列分类和时间序列回归。请参阅相应的 PatchTSMixerForTimeSeriesClassification 和 PatchTSMixerForRegression 类。
资源
- 此处提供了一篇深入解释 PatchTSMixer 的博客文章：此处。该博客也可在 Google Colab 中打开。
PatchTSMixerConfig
class transformers.PatchTSMixerConfig
< 来源 >( context_length: int = 32 patch_length: int = 8 num_input_channels: int = 1 patch_stride: int = 8 num_parallel_samples: int = 100 d_model: int = 8 expansion_factor: int = 2 num_layers: int = 3 dropout: float = 0.2 mode: str = 'common_channel' gated_attn: bool = True norm_mlp: str = 'LayerNorm' self_attn: bool = False self_attn_heads: int = 1 use_positional_encoding: bool = False positional_encoding_type: str = 'sincos' scaling: typing.Union[str, bool, NoneType] = 'std' loss: str = 'mse' init_std: float = 0.02 post_init: bool = False norm_eps: float = 1e-05 mask_type: str = 'random' random_mask_ratio: float = 0.5 num_forecast_mask_patches: typing.Union[list[int], int, NoneType] = [2] mask_value: int = 0 masked_loss: bool = True channel_consistent_masking: bool = True unmasked_channel_indices: typing.Optional[list[int]] = None head_dropout: float = 0.2 distribution_output: str = 'student_t' prediction_length: int = 16 prediction_channel_indices: typing.Optional[list] = None num_targets: int = 3 output_range: typing.Optional[list] = None head_aggregation: str = 'max_pool' **kwargs )
参数
- context_length (
int, 可选, 默认为 32) — 输入序列的上下文/历史长度。 - patch_length (
int, 可选, 默认为 8) — 输入序列的补丁长度。 - num_input_channels (
int, 可选, 默认为 1) — 输入变量的数量。对于单变量时间序列，设置为 1。 - patch_stride (
int, 可选, 默认为 8) — 确定两个连续补丁之间的重叠。如果需要非重叠补丁，请将其设置为 patch_length（或更大）。 - num_parallel_samples (
int, 可选, 默认为 100) — 为概率预测并行生成的样本数。 - d_model (
int, 可选, 默认为 8) — 模型的隐藏维度。建议设置为 patch_length 的倍数（即 patch_length 的 2-5 倍）。值越大表示模型越复杂。 - expansion_factor (
int, 可选, 默认为 2) — MLP 内部使用的扩展因子。建议范围为 2-5。值越大表示模型越复杂。 - num_layers (
int, 可选, 默认为 3) — 要使用的层数。建议范围为 3-15。值越大表示模型越复杂。 - dropout (
float, 可选, 默认为 0.2) —PatchTSMixer骨干网络的 dropout 概率。建议范围为 0.2-0.7。 - mode (
str, 可选, 默认为"common_channel") — 混合器模式。确定如何处理通道。允许的值：“common_channel”、“mix_channel”。在“common_channel”模式下，我们遵循通道独立建模，没有显式通道混合。通道混合通过跨通道共享权重以隐式方式发生。（首选方法）在“mix_channel”模式下，除了补丁和特征混合器之外，我们还遵循显式通道混合。（当通道相关性对于建模非常重要时，首选方法） - gated_attn (
bool, 可选, 默认为True) — 启用门控注意力。 - norm_mlp (
str, 可选, 默认为"LayerNorm") — 归一化层 (BatchNorm 或 LayerNorm)。 - self_attn (
bool, 可选, 默认为False) — 启用跨补丁的微小自注意力。当带有门控注意力的 Vanilla PatchTSMixer 输出不令人满意时，可以启用此功能。启用此功能会带来显式的补丁间成对注意力和建模。 - self_attn_heads (
int, 可选, 默认为 1) — 自注意力头的数量。仅当self_attn设置为True时有效。 - use_positional_encoding (
bool, 可选, 默认为False) — 是否为微小自注意力层启用位置嵌入。仅当self_attn设置为True时有效。 - positional_encoding_type (
str, 可选, 默认为"sincos") — 位置编码。支持"random"和"sincos"选项。仅当use_positional_encoding设置为True时有效。 - scaling (
string或bool, 可选, 默认为"std") — 是否通过“mean”缩放器、“std”缩放器缩放输入目标，如果为None则不缩放。如果为True，则缩放器设置为“mean”。 - loss (
string, 可选, 默认为"mse") — 与distribution_output头对应的模型的损失函数。对于参数分布，它是负对数似然 (“nll”)，对于点估计，它是均方误差 “mse”。 - init_std (
float, 可选, 默认为 0.02) — 截断正态权重初始化分布的标准差。 - post_init (
bool, 可选, 默认为False) — 是否使用transformers库中的自定义权重初始化，或PyTorch中的默认初始化。设置为False将执行PyTorch权重初始化。 - norm_eps (
float, 可选, 默认为 1e-05) — 为规范化数值稳定性添加到分母的值。 - mask_type (
str, 可选, 默认为"random") — 用于掩码预训练模式的掩码类型。允许的值为“random”、“forecast”。在随机掩码中，点被随机掩码。在预测掩码中，点被掩码到末尾。 - random_mask_ratio (
float, 可选, 默认为 0.5) — 当mask_type为random时使用的掩码比率。值越高表示掩码越多。 - num_forecast_mask_patches (
int或list, 可选, 默认为[2]) — 在每个批次样本末尾要掩码的补丁数量。如果为整数，则批次中的所有样本将具有相同数量的掩码补丁。如果为列表，则批次中的样本将由列表中定义的数字随机掩码。此参数仅用于预测预训练。 - mask_value (
float, 可选, 默认为0.0) — 要使用的掩码值。 - masked_loss (
bool, 可选, 默认为True) — 是否仅在掩码部分计算预训练损失，或在整个输出上计算。 - channel_consistent_masking (
bool, 可选, 默认为True) — 如果为 true，则时间序列所有通道的掩码将相同。否则，掩码位置将因通道而异。 - unmasked_channel_indices (
list, 可选) — 预训练期间未掩码的通道索引。 - head_dropout (
float, 可选, 默认为 0.2) —PatchTSMixer头的 dropout 概率。 - distribution_output (
string, 可选, 默认为"student_t") — 当损失为“nll”时，模型的分发输出头。可以是“student_t”、“normal”或“negative_binomial”。 - prediction_length (
int, 可选, 默认为 16) — 预测任务要预测的时间步数。也称为预测范围。 - prediction_channel_indices (
list, 可选) — 要预测的通道索引列表。如果为 None，则预测所有通道。目标数据预期包含所有通道，我们在计算损失之前显式过滤预测和目标中的通道。 - num_targets (
int, 可选, 默认为 3) — 回归任务的目标数量（回归变量的维度）。 - output_range (
list, 可选) — 用于回归任务的输出范围限制。默认为 None。 - head_aggregation (
str, 可选, 默认为"max_pool") — 分类或回归任务的聚合模式。允许的值为None、“use_last”、“max_pool”、“avg_pool”。
这是配置类，用于存储 PatchTSMixerModel 的配置。它用于根据指定参数实例化 PatchTSMixer 模型，定义模型架构。使用默认值实例化配置将产生与 PatchTSMixer ibm/patchtsmixer-etth1-pretrain 架构类似的配置。
配置对象继承自 PretrainedConfig，可用于控制模型输出。有关更多信息，请阅读 PretrainedConfig 的文档。
示例
>>> from transformers import PatchTSMixerConfig, PatchTSMixerModel
>>> # Initializing a default PatchTSMixer configuration
>>> configuration = PatchTSMixerConfig()
>>> # Randomly initializing a model (with random weights) from the configuration
>>> model = PatchTSMixerModel(configuration)
>>> # Accessing the model configuration
>>> configuration = model.configPatchTSMixerModel
class transformers.PatchTSMixerModel
< 来源 >( config: PatchTSMixerConfig mask_input: bool = False )
参数
- config (PatchTSMixerConfig) — 模型配置类，包含模型的所有参数。使用配置文件初始化不加载与模型关联的权重，仅加载配置。请查看 from_pretrained() 方法以加载模型权重。
- mask_input (
bool, 可选, 默认为False) — 是否使用PatchTSMixerMasking模块对输入进行掩码。
用于时间序列预测的 PatchTSMixer 模型。
此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的一般方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 的子类。将其作为常规 PyTorch Module 使用，并参考 PyTorch 文档中所有与一般用法和行为相关的事项。
forward
< 来源 >( past_values: Tensor observed_mask: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = False return_dict: typing.Optional[bool] = None ) → transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerModelOutput 或 tuple(torch.FloatTensor)
参数
- past_values (形状为
(batch_size, seq_length, num_input_channels)的torch.FloatTensor) — 时间序列的上下文值。对于预训练任务，这表示用于预测掩码部分的输入时间序列。对于预测任务，这表示历史/过去时间序列值。类似地，对于分类或回归任务，它表示时间序列的适当上下文值。对于单变量时间序列，
num_input_channels维度应为 1。对于多变量时间序列，它大于 1。 - observed_mask (形状为
(batch_size, sequence_length, num_input_channels)的torch.FloatTensor, 可选) — 布尔掩码，指示哪些past_values被观测到，哪些缺失。掩码值在[0, 1]中选择：- 对于观测值，为 1，
- 对于缺失值（即被零替换的 NaN），为 0。
- output_hidden_states (
bool, 可选, 默认为False) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的hidden_states。 - return_dict (
bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerModelOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerModelOutput 或一个 torch.FloatTensor 元组（如果传递了 return_dict=False 或 config.return_dict=False），其中包含各种元素，具体取决于配置 (PatchTSMixerConfig) 和输入。
- last_hidden_state (形状为
(batch_size, num_channels, num_patches, d_model)的torch.FloatTensor) — 模型最后一层的隐藏状态输出。 - hidden_states (
tuple(torch.FloatTensor), 可选) — 模型每层的隐藏状态。 - patch_input (形状为
(batch_size, num_channels, num_patches, patch_length)的torch.FloatTensor) — 模型的补丁输入数据。 - mask (形状为
(batch_size, num_channels, num_patches)的torch.FloatTensor, 可选) — 布尔张量，指示掩码补丁为 True，否则为 False。 - loc (
torch.FloatTensor，形状为(batch_size, 1, num_channels)，可选) — 提供每个通道的上下文窗口平均值。如果启用了 revin，则用于模型外部的 revin denorm。 - scale (
torch.FloatTensor，形状为(batch_size, 1, num_channels)，可选) — 提供每个通道的上下文窗口标准差。如果启用了 revin，则用于模型外部的 revin denorm。
PatchTSMixerModel 的前向方法，覆盖了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应该调用 Module 实例而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
PatchTSMixerForPrediction
class transformers.PatchTSMixerForPrediction
< source >( config: PatchTSMixerConfig )
用于预测应用的 PatchTSMixer。
forward
< source >( past_values: Tensor observed_mask: typing.Optional[torch.Tensor] = None future_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = False return_loss: bool = True return_dict: typing.Optional[bool] = None ) → transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPredictionOutput 或 tuple(torch.FloatTensor)
参数
- past_values (
torch.FloatTensor，形状为(batch_size, seq_length, num_input_channels)) — 时间序列的上下文值。对于预训练任务，这表示用于预测被掩码部分的输入时间序列。对于预测任务，这表示历史/过去时间序列值。类似地，对于分类或回归任务，它表示时间序列的相应上下文值。对于单变量时间序列，
num_input_channels维度应为 1。对于多变量时间序列，它大于 1。 - observed_mask (
torch.FloatTensor，形状为(batch_size, sequence_length, num_input_channels)，可选) — 布尔掩码，指示哪些past_values被观察到，哪些是缺失的。掩码值选择在[0, 1]中：- 1 表示**已观察**到的值，
- 0 表示**缺失**的值（即被零替换的 NaNs）。
- future_values (
torch.FloatTensor，形状为用于预测的(batch_size, target_len, num_input_channels)，用于回归的(batch_size, num_targets)，或用于分类的(batch_size,)，可选)：时间序列的目标值，用作模型的标签。future_values是 Transformer 在训练期间需要学习输出的内容，给定past_values。请注意，预训练任务不需要此项。对于预测任务，形状为
(batch_size, target_len, num_input_channels)。即使我们只想通过设置prediction_channel_indices参数中的索引来预测特定通道，也要传递包含所有通道的目标数据，因为预测和目标的通道过滤将在损失计算之前手动应用。 - output_hidden_states (
bool，可选，默认为False) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的hidden_states。 - return_loss (
bool，可选) — 是否在forward调用中返回损失。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPredictionOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPredictionOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置（PatchTSMixerConfig）和输入而异的各种元素。
- loss (
*可选*，在提供y时返回，torch.FloatTensor，形状为()) — 总损失。 - prediction_outputs (
torch.FloatTensor，形状为(batch_size, prediction_length, num_input_channels)) — 来自预测头的预测输出。 - last_hidden_state (
torch.FloatTensor，形状为(batch_size, num_input_channels, num_patches, d_model)) — 经过头部之前的骨干嵌入。 - hidden_states (
tuple(torch.FloatTensor)，可选) — 模型在每个层输出的隐藏状态以及可选的初始嵌入输出。 - loc (
torch.FloatTensor，可选，形状为(batch_size, 1, num_input_channels)) — 输入平均值 - scale (
torch.FloatTensor，可选，形状为(batch_size, 1, num_input_channels)) — 输入标准差
PatchTSMixerForPrediction 的前向方法，覆盖了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应该调用 Module 实例而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
PatchTSMixerForTimeSeriesClassification
class transformers.PatchTSMixerForTimeSeriesClassification
< source >( config: PatchTSMixerConfig )
用于分类应用的 PatchTSMixer。
forward
< source >( past_values: Tensor target_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = False return_loss: bool = True return_dict: typing.Optional[bool] = None ) → transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForTimeSeriesClassificationOutput 或 tuple(torch.FloatTensor)
参数
- past_values (
torch.FloatTensor，形状为(batch_size, seq_length, num_input_channels)) — 时间序列的上下文值。对于预训练任务，这表示用于预测被掩码部分的输入时间序列。对于预测任务，这表示历史/过去时间序列值。类似地，对于分类或回归任务，它表示时间序列的相应上下文值。对于单变量时间序列，
num_input_channels维度应为 1。对于多变量时间序列，它大于 1。 - target_values (
torch.FloatTensor，形状为用于预测的(batch_size, target_len, num_input_channels)，用于回归的(batch_size, num_targets)，或用于分类的(batch_size,)，可选)：时间序列的目标值，用作模型的标签。target_values是 Transformer 在训练期间需要学习输出的内容，给定past_values。请注意，预训练任务不需要此项。对于预测任务，形状为
(batch_size, target_len, num_input_channels)。即使我们只想通过设置prediction_channel_indices参数中的索引来预测特定通道，也要传递包含所有通道的目标数据，因为预测和目标的通道过滤将在损失计算之前手动应用。对于分类任务，其形状为
(batch_size,)。对于回归任务，其形状为
(batch_size, num_targets)。 - output_hidden_states (
bool，可选，默认为False) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的hidden_states。 - return_loss (
bool，可选) — 是否在forward调用中返回损失。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForTimeSeriesClassificationOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForTimeSeriesClassificationOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置（PatchTSMixerConfig）和输入而异的各种元素。
- loss (
*可选*，在提供y时返回，torch.FloatTensor，形状为()) — 总损失。 - prediction_outputs (
torch.FloatTensor，形状为(batch_size, num_labels)) — 来自分类头的预测输出。 - last_hidden_state (
torch.FloatTensor，形状为(batch_size, num_input_channels, num_patches, d_model)) — 经过头部之前的骨干嵌入。 - hidden_states (
tuple(torch.FloatTensor)，可选) — 模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
PatchTSMixerForTimeSeriesClassification 的前向方法，覆盖了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应该调用 Module 实例而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
PatchTSMixerForPretraining
class transformers.PatchTSMixerForPretraining
< source >( config: PatchTSMixerConfig )
参数
- config (PatchTSMixerConfig) — 模型的配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法以加载模型权重。
用于掩码预训练的 PatchTSMixer。
此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的一般方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 的子类。将其作为常规 PyTorch Module 使用，并参考 PyTorch 文档中所有与一般用法和行为相关的事项。
forward
< source >( past_values: Tensor observed_mask: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = False return_loss: bool = True return_dict: typing.Optional[bool] = None ) → transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPreTrainingOutput 或 tuple(torch.FloatTensor)
参数
- past_values (
torch.FloatTensor，形状为(batch_size, seq_length, num_input_channels)) — 时间序列的上下文值。对于预训练任务，这表示用于预测被掩码部分的输入时间序列。对于预测任务，这表示历史/过去时间序列值。类似地，对于分类或回归任务，它表示时间序列的相应上下文值。对于单变量时间序列，
num_input_channels维度应为 1。对于多变量时间序列，它大于 1。 - observed_mask (
torch.FloatTensor，形状为(batch_size, sequence_length, num_input_channels)，可选) — 布尔掩码，指示哪些past_values被观察到，哪些是缺失的。掩码值选择在[0, 1]中：- 1 表示**已观察**到的值，
- 0 表示**缺失**的值（即被零替换的 NaNs）。
- output_hidden_states (
bool，可选，默认为False) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的hidden_states。 - return_loss (
bool，可选) — 是否在forward调用中返回损失。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPreTrainingOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPreTrainingOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置（PatchTSMixerConfig）和输入而异的各种元素。
- loss (
*可选*，在提供y时返回，torch.FloatTensor，形状为()) — 总损失 - prediction_outputs (
torch.FloatTensor，形状为(batch_size, num_input_channels, num_patches, patch_length)) — 来自预训练头的预测输出。 - last_hidden_state (
torch.FloatTensor，形状为(batch_size, num_input_channels, num_patches, d_model)) — 经过头部之前的骨干嵌入。 - hidden_states (
tuple(torch.FloatTensor), 可选) — 模型每层的隐藏状态。
PatchTSMixerForPretraining 的前向方法，覆盖了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应该调用 Module 实例而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。
PatchTSMixerForRegression
class transformers.PatchTSMixerForRegression
< source >( config: PatchTSMixerConfig )
参数
- config (PatchTSMixerConfig) — 模型的配置类，包含模型的所有参数。使用配置文件初始化不会加载与模型相关的权重，只加载配置。请查看 from_pretrained() 方法以加载模型权重。
用于回归应用的 PatchTSMixer。
此模型继承自 PreTrainedModel。请查看超类文档，了解库为其所有模型实现的一般方法（例如下载或保存、调整输入嵌入大小、修剪头部等）。
此模型也是 PyTorch torch.nn.Module 的子类。将其作为常规 PyTorch Module 使用，并参考 PyTorch 文档中所有与一般用法和行为相关的事项。
forward
< source >( past_values: Tensor target_values: typing.Optional[torch.Tensor] = None output_hidden_states: typing.Optional[bool] = False return_loss: bool = True return_dict: typing.Optional[bool] = None ) → transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForRegressionOutput 或 tuple(torch.FloatTensor)
参数
- past_values (
torch.FloatTensor，形状为(batch_size, seq_length, num_input_channels)) — 时间序列的上下文值。对于预训练任务，这表示用于预测被掩码部分的输入时间序列。对于预测任务，这表示历史/过去时间序列值。类似地，对于分类或回归任务，它表示时间序列的相应上下文值。对于单变量时间序列，
num_input_channels维度应为 1。对于多变量时间序列，它大于 1。 - target_values (
torch.FloatTensor，形状为用于预测的(batch_size, target_len, num_input_channels)，用于回归的(batch_size, num_targets)，或用于分类的(batch_size,)，可选)：时间序列的目标值，用作模型的标签。target_values是 Transformer 在训练期间需要学习输出的内容，给定past_values。请注意，预训练任务不需要此项。对于预测任务，形状为
(batch_size, target_len, num_input_channels)。即使我们只想通过设置prediction_channel_indices参数中的索引来预测特定通道，也要传递包含所有通道的目标数据，因为预测和目标的通道过滤将在损失计算之前手动应用。对于分类任务，其形状为
(batch_size,)。对于回归任务，其形状为
(batch_size, num_targets)。 - output_hidden_states (
bool，可选，默认为False) — 是否返回所有层的隐藏状态。有关更多详细信息，请参阅返回张量下的hidden_states。 - return_loss (
bool，可选) — 是否在forward调用中返回损失。 - return_dict (
bool，可选) — 是否返回 ModelOutput 而不是普通元组。
返回
transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForRegressionOutput 或 tuple(torch.FloatTensor)
一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForRegressionOutput 或一个 torch.FloatTensor 元组（如果传递 return_dict=False 或当 config.return_dict=False 时），包含根据配置（PatchTSMixerConfig）和输入而异的各种元素。
- loss (
*可选*，在提供y时返回，torch.FloatTensor，形状为()) — 总损失。 - regression_outputs (
torch.FloatTensor，形状为(batch_size, num_targets)) — 来自回归头的预测输出。 - last_hidden_state (
torch.FloatTensor，形状为(batch_size, num_input_channels, num_patches, d_model)) — 经过头部之前的骨干嵌入。 - hidden_states (
tuple(torch.FloatTensor)，可选) — 模型在每个层输出的隐藏状态以及可选的初始嵌入输出。
PatchTSMixerForRegression 的前向方法，覆盖了 __call__ 特殊方法。
尽管前向传播的实现需要在该函数中定义，但之后应该调用 Module 实例而不是直接调用此函数，因为前者负责运行预处理和后处理步骤，而后者会默默地忽略它们。