Transformers 文档

PatchTSMixer

Hugging Face's logo
加入 Hugging Face 社区

并获取增强文档体验

开始使用

PatchTSMixer

概述

PatchTSMixer 模型由 Vijay Ekambaram、Arindam Jati、Nam Nguyen、Phanwadee Sinthong 和 Jayant Kalagnanam 在 TSMixer:用于多元时间序列预测的轻量级 MLP-Mixer 模型 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。在这个 HuggingFace 实现中,我们提供了 PatchTSMixer 的功能,可以轻松地促进跨补丁、通道和隐藏特征的轻量级混合,以便有效地进行多元时间序列建模。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,可以根据需要进行自定义。该模型可以进行预训练,随后可用于各种下游任务,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,仅由多层感知器 (MLP) 模块组成,专为分段时间序列上的多元预测和表示学习而设计。我们的模型借鉴了计算机视觉中 MLP-Mixer 模型的成功经验。我们展示了将 Vision MLP-Mixer 应用于时间序列所面临的挑战,并引入了经实证验证的组件以提高准确性。这包括一种新颖的设计范式,即将在线协调头附加到 MLP-Mixer 主干,以显式建模时间序列属性,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常见的挑战。此外,在主干中引入了一种简单的门控注意力机制来优先处理重要特征。通过整合这些轻量级组件,我们显着增强了简单 MLP 结构的学习能力,在计算量最小的前提下,性能超过了复杂的 Transformer 模型。此外,TSMixer 的模块化设计使其能够兼容监督和掩码自监督学习方法,使其成为时间序列基础模型的有希望的构建块。TSMixer 在预测方面以 8-60% 的可观优势优于最先进的 MLP 和 Transformer 模型。它还以显着减少的内存和运行时间 (2-3 倍) 优于最新的 Patch-Transformer 模型的强大基准 (1-2%)。

该模型由 ajativijaye12gsinthongnamctinwmgiffordkashif 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

该模型也可用于时间序列分类和时间序列回归。请参阅相应的 PatchTSMixerForTimeSeriesClassificationPatchTSMixerForRegression 类。

资源

  • 一篇深入解释 PatchTSMixer 的博文可以在这里找到 此处。该博文也可以在 Google Colab 中打开。

PatchTSMixerConfig

transformers.PatchTSMixerConfig

< >

( 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: Union = '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: Union = [2] mask_value: int = 0 masked_loss: bool = True channel_consistent_masking: bool = True unmasked_channel_indices: Optional = None head_dropout: float = 0.2 distribution_output: str = 'student_t' prediction_length: int = 16 prediction_channel_indices: list = None num_targets: int = 3 output_range: 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,将其设置为 1。
  • patch_stride (int, 可选,默认为 8) — 确定两个连续补丁之间的重叠。如果我们想要不重叠的补丁,则将其设置为 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。建议将其设置为 patch_length 的倍数(即 patch_length 的 2-5 倍)。较大的值表示更复杂的模型。
  • expansion_factor (int, 可选,默认为 2) — 在 MLP 内部使用的扩展因子。建议范围为 2-5。较大的值表示更复杂的模型。
  • num_layers (int, 可选,默认为 3) — 要使用的层数。建议范围为 3-15。较大的值表示更复杂的模型。
  • dropout (float, 可选,默认为 0.2) — PatchTSMixer 主干的 dropout 概率。建议范围为 0.2-0.7
  • mode (str, 可选,默认为 "common_channel") — Mixer 模式。确定如何处理通道。允许的值:“common_channel”、“mix_channel”。在“common_channel”模式下,我们遵循通道无关建模,没有显式的通道混合。通道混合以隐式方式通过跨通道共享权重发生。(首选第一种方法)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。(当通道相关性对模型非常重要时,首选方法)
  • 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) — 在补丁之间启用 Tiny 自注意力。当使用门控注意力的 Vanilla PatchTSMixer 的输出不令人满意时,可以启用此功能。启用此功能会导致跨补丁的显式成对注意力和建模。
  • 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) — 启用对小型自注意力层使用位置嵌入。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""sincos" 选项。仅当 use_positional_encoding 设置为 True 时有效
  • scaling (stringbool, 可选, 默认为 "std") — 是否通过“mean”缩放器、“std”缩放器或无缩放器(如果为 None)来缩放输入目标。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) — 是否使用来自 transformers 库的自定义权重初始化,或者 PyTorch 中的默认初始化。将其设置为 False 将执行 PyTorch 权重初始化。
  • norm_eps (float, 可选, 默认为 1e-05) — 添加到分母中的值,用于保证归一化的数值稳定性。
  • random_mask_ratio (float, 可选, 默认为 0.5) — 当 mask_typerandom 时使用的掩码比率。数值越高表示掩码越多。
  • num_forecast_mask_patches (intlist, 可选, 默认为 [2]) — 每个批次样本末尾需要掩码的补丁数量。如果为整数,则批次中的所有样本都将具有相同数量的掩码补丁。如果为列表,则批次中的样本将被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) — 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) — 当为真时,掩码在时间序列的所有通道中都相同。否则,掩码位置将在通道之间变化。
  • unmasked_channel_indices (list, 可选) — 预训练期间未被掩码的通道。
  • head_dropout (float, 可选, 默认为 0.2) — PatchTSMixer 头部的 dropout 概率。
  • distribution_output (string, 可选, 默认为 "student_t") — 当损失为“nll”时,模型的分布发射头部。可以是“student_t”、“normal”或“negative_binomial”。
  • prediction_length (int, 可选, 默认为 16) — 预测任务的预测时间步长。也称为预测范围。
  • prediction_channel_indices (list, 可选) — 需要预测的通道索引列表。如果为 None,则预测所有通道。目标数据预计包含所有通道,在损失计算之前,我们会在预测和目标中显式过滤通道。
  • output_range (列表, 可选) — 用于限制回归任务的输出范围。默认为 None。
  • head_aggregation (字符串, 可选, 默认为 "max_pool") — 用于分类或回归任务的聚合模式。允许的值为 None、“use_last”、“max_pool”、“avg_pool”。

这是用于存储 PatchTSMixerModel 配置的配置类。它用于根据指定的参数实例化 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。阅读 PretrainedConfig 的文档以获取更多信息。

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.config

PatchTSMixerModel

transformers.PatchTSMixerModel

< >

( 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会加载与模型关联的权重,仅加载配置。查看 from_pretrained() 方法以加载模型权重。
  • mask_input (布尔值, 可选, 默认为 False) — 如果为 True,则启用掩码。否则为 False。

用于时间序列预测的 PatchTSMixer 模型。

此模型继承自 PreTrainedModel。查看超类文档以了解库为其所有模型实现的通用方法(例如下载或保存、调整输入嵌入的大小、修剪注意力头等)。

此模型也是 PyTorch torch.nn.Module 的子类。将其用作常规 PyTorch 模块,并参考 PyTorch 文档了解与一般用法和行为相关的所有事项。

前向传播

< >

( past_values: 张量 observed_mask: 可选 = None output_hidden_states: 可选 = False return_dict: 可选 = None ) transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerModelOutput元组(torch.FloatTensor)

参数

  • past_values (torch.FloatTensor 形状为 (批大小, 序列长度, 输入通道数)) — 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/过去的时间序列值。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,输入通道数维度应为 1。对于多变量时间序列,它大于 1。

  • output_hidden_states (布尔值, 可选) — 是否返回所有层的隐藏状态。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • 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 被观测到,哪些缺失。掩码值选择在 [0, 1] 中:

    • 1 表示观测到的值,
    • 0 表示缺失的值(即被零替换的 NaN)。

返回

transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerModelOutputtuple(torch.FloatTensor)

一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerModelOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含根据配置 (PatchTSMixerConfig) 和输入的不同元素。

  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, num_channels, num_patches, d_model)) — 模型最后一层的输出处的隐藏状态。
  • hidden_states (tuple(torch.FloatTensor), 可选) — 模型在每一层输出处的隐藏状态。
  • patch_input (torch.FloatTensor 形状为 (batch_size, num_channels, num_patches, patch_length)) — 模型的补丁输入数据。
  • mask: (torch.FloatTensor 形状为 (batch_size, num_channels, num_patches),可选) — 布尔张量,指示掩码补丁中为 True,否则为 False。
  • loc: (torch.FloatTensor 形状为 (batch_size, 1, num_channels),可选) — 给出每个通道的上下文窗口的平均值。如果启用了 revin,则用于在模型外部进行 revin 反归一化。
  • scale: (torch.FloatTensor 形状为 (batch_size, 1, num_channels),可选) — 给出每个通道的上下文窗口的标准差。如果启用了 revin,则用于在模型外部进行 revin 反归一化。

PatchTSMixerModel 正向方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但此后应调用 Module 实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则静默地忽略它们。

PatchTSMixerForPrediction

transformers.PatchTSMixerForPrediction

< >

( config: PatchTSMixerConfig )

参数

  • config (PatchTSMixerConfig) — 配置。

用于预测应用的 PatchTSMixer

前向传播

< >

( past_values: Tensor observed_mask: Optional = None future_values: Optional = None output_hidden_states: Optional = False return_loss: bool = True return_dict: Optional = None ) transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPredictionOutputtuple(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,这表示用于预测掩码部分的输入时间序列。对于预测任务,这表示历史/过去的时间序列值。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。

  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • 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 被观测到,哪些缺失。掩码值选择在 [0, 1] 中:

    • 1 表示观测到的值,
    • 0 表示缺失的值(即被零替换的 NaN)。
  • future_values (torch.FloatTensor 形状为 (batch_size, target_len, num_input_channels) 用于预测,— (batch_size, num_targets) 用于回归,或 (batch_size,) 用于分类,可选):时间序列的目标值,作为模型的标签。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参数。

    对于预测任务,形状为 (batch_size, target_len, num_input_channels)。即使我们只想通过在 prediction_channel_indices 参数中设置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。

  • return_loss (bool, 可选) — 是否在 forward 调用中返回损失。

返回

transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPredictionOutputtuple(torch.FloatTensor)

一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPredictionOutputtorch.FloatTensor 的元组(如果传递了 return_dict=Falseconfig.return_dict=False),包含根据配置(PatchTSMixerConfig)和输入而变化的各种元素。

  • prediction_outputs (torch.FloatTensor 形状为 (batch_size, prediction_length, num_input_channels)) — 预测头产生的预测输出。
  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, num_input_channels, num_patches, d_model)) — 传递到头部之前的骨干嵌入。
  • hidden_states (tuple(torch.FloatTensor), 可选) — 模型在每一层输出处的隐藏状态,以及可选的初始嵌入输出。
  • loss (可选,当提供 y 时返回,torch.FloatTensor 形状为 ()) — 总损失。
  • loc (torch.FloatTensor, 可选,形状为 (batch_size, 1, num_input_channels)) — 输入均值
  • scale (torch.FloatTensor, 可选,形状为 (batch_size, 1, num_input_channels)) — 输入标准差

PatchTSMixerForPrediction 的 forward 方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但此后应调用 Module 实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则静默地忽略它们。

PatchTSMixerForTimeSeriesClassification

transformers.PatchTSMixerForTimeSeriesClassification

< >

( config: PatchTSMixerConfig )

参数

  • config (PatchTSMixerConfig) — 配置。

用于分类应用的 PatchTSMixer

前向传播

< >

( past_values: 张量 target_values: 张量 = None output_hidden_states: 可选 = False return_loss: bool = True return_dict: 可选 = None ) transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForTimeSeriesClassificationOutputtuple(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,这表示用于预测掩蔽部分的输入时间序列。对于预测任务,这表示历史/过去的时间序列值。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。

  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • target_values (对于预测任务,形状为 (batch_size, target_len, num_input_channels) — 对于回归任务,形状为 (batch_size, num_targets),或者对于分类任务,形状为 (batch_size,)可选):时间序列的目标值,作为模型的标签。给定 past_valuestarget_values 是 Transformer 在训练期间需要学习输出的内容。请注意,预训练任务不需要此参数。

    对于预测任务,形状为 (batch_size, target_len, num_input_channels)。即使我们希望通过在 prediction_channel_indices 参数中设置索引来仅预测特定通道,也请传递包含所有通道的目标数据,因为在损失计算之前,将手动应用预测和目标的通道过滤。

    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)

  • return_loss (bool, 可选) — 是否在 forward 调用中返回损失。

返回

transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForTimeSeriesClassificationOutputtuple(torch.FloatTensor)

一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForTimeSeriesClassificationOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含根据配置 (PatchTSMixerConfig) 和输入的不同元素。

  • prediction_outputs (torch.FloatTensor 形状为 (batch_size, num_labels)) — 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)) — 传递到头部之前的骨干嵌入。
  • hidden_states (tuple(torch.FloatTensor), 可选) — 模型在每一层输出处的隐藏状态,以及可选的初始嵌入输出。
  • loss (可选,当提供 y 时返回,torch.FloatTensor 形状为 ()) — 总损失。

The PatchTSMixerForTimeSeriesClassification 正向方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但此后应调用 Module 实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则静默地忽略它们。

PatchTSMixerForPretraining

transformers.PatchTSMixerForPretraining

< >

( config: PatchTSMixerConfig )

参数

  • config (PatchTSMixerConfig) — 配置。

用于掩码预训练的 PatchTSMixer

前向传播

< >

( past_values: 张量 observed_mask: 可选 = None output_hidden_states: 可选 = False return_loss: bool = True return_dict: 可选 = None ) transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPreTrainingOutputtuple(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,这表示用于预测掩蔽部分的输入时间序列。对于预测任务,这表示历史/过去的时间序列值。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。

  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • observed_mask (torch.FloatTensor 形状为 (batch_size, sequence_length, num_input_channels), 可选) — 布尔掩码,用于指示哪些 past_values 被观测到,哪些缺失。掩码值在 [0, 1] 中选择:

    • 1 表示观测到的值,
    • 0 表示缺失的值(即被零替换的 NaN)。
  • return_loss (bool, 可选) — 是否在 forward 调用中返回损失。

返回

transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPreTrainingOutputtuple(torch.FloatTensor)

一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForPreTrainingOutput 或一个 torch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含取决于配置 (PatchTSMixerConfig) 和输入的各种元素。

  • prediction_outputs (torch.FloatTensor 形状为 (batch_size, num_input_channels, num_patches, patch_length)) — 预训练头部的预测输出。
  • hidden_states (tuple(torch.FloatTensor), 可选) — 模型在每一层输出处的隐藏状态。
  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, num_input_channels, num_patches, d_model)) — 传递到头部之前的骨干嵌入。
  • loss (可选,当提供 y 时返回,torch.FloatTensor 形状为 ()) — 总损失

PatchTSMixerForPretraining 的前向方法,覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但此后应调用 Module 实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则静默地忽略它们。

PatchTSMixerForRegression

transformers.PatchTSMixerForRegression

< >

( config: PatchTSMixerConfig )

参数

  • config (PatchTSMixerConfig) — 配置。

用于回归应用的 PatchTSMixer

前向传播

< >

( past_values: 张量 target_values: 张量 = None output_hidden_states: 可选 = False return_loss: bool = True return_dict: 可选 = None ) transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForRegressionOutputtuple(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,这表示用于预测掩码部分的输入时间序列。对于预测任务,这表示历史/过去的时间序列值。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。

  • output_hidden_states (bool, 可选) — 是否返回所有层的隐藏状态。
  • return_dict (bool, 可选) — 是否返回 ModelOutput 而不是普通元组。
  • target_values (对于预测任务,形状为 (batch_size, target_len, num_input_channels) — 对于回归任务,形状为 (batch_size, num_targets),或者对于分类任务,形状为 (batch_size,)可选):时间序列的目标值,作为模型的标签。给定 past_valuestarget_values 是 Transformer 在训练期间需要学习输出的内容。请注意,预训练任务不需要此参数。

    对于预测任务,形状为 (batch_size, target_len, num_input_channels)。即使我们想通过在 prediction_channel_indices 参数中设置索引来预测特定通道,也要传递包含所有通道的目标数据,因为在损失计算之前,将手动应用预测和目标的通道过滤。

    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)

  • return_loss (bool, 可选) — 是否在 forward 调用中返回损失。

返回

transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForRegressionOutputtuple(torch.FloatTensor)

一个 transformers.models.patchtsmixer.modeling_patchtsmixer.PatchTSMixerForRegressionOutputtorch.FloatTensor 的元组(如果传递了 return_dict=False 或当 config.return_dict=False 时),包含根据配置 (PatchTSMixerConfig) 和输入而变化的各种元素。

  • regression_outputs (torch.FloatTensor 形状为 (batch_size, num_targets)) — 回归头部的预测输出。
  • last_hidden_state (torch.FloatTensor 形状为 (batch_size, num_input_channels, num_patches, d_model)) — 传递到头部之前的骨干嵌入。
  • hidden_states (tuple(torch.FloatTensor), 可选) — 模型在每一层输出处的隐藏状态,以及可选的初始嵌入输出。
  • loss (可选,当提供 y 时返回,torch.FloatTensor 形状为 ()) — 总损失。

PatchTSMixerForRegression 的前向方法覆盖了 __call__ 特殊方法。

虽然正向传递的配方需要在此函数中定义,但此后应调用 Module 实例,而不是此函数,因为前者负责运行预处理和后处理步骤,而后者则静默地忽略它们。

< > 在 GitHub 上更新