pytorch forecasting 다운로드 -Pytorch pytorch forecasting 소스 코드 다운로드

pytorch forecasting

기타 소스코드

v1.2.0

다운로드

Pytorch Forecasting은 최첨단 딥 러닝 아키텍처를 사용하여 Pytorch 기반 패키지입니다. 고급 API를 제공하고 Pytorch Lightning을 사용하여 자동 로깅과 함께 GPU 또는 CPU에 대한 교육을 확장합니다.

	문서 · 튜토리얼 · 릴리스 노트
오픈 소스
지역 사회
CI/CD
암호

Data Science에 대한 우리의 기사는 패키지를 소개하고 배경 정보를 제공합니다.

Pytorch 예측은 실제 사례 및 연구를 위해 신경망으로 최첨단 시대의 예측을 완화하는 것을 목표로합니다. 목표는 전문가에게 최대한의 유연성과 초보자에게 합리적인 기본값을 제공하는 고급 API를 제공하는 것입니다. 구체적으로 패키지는 제공합니다

변수 변환, 결 측값, 무작위 서브 샘플링, 다중 기록 길이 등을 처리하는 TimesSeries 데이터 세트 클래스.
Tensorboard 로그인 및 실제 대 예측 및 종속성 플롯과 같은 일반적인 시각화와 함께 Timeseries 모델의 기본 교육을 제공하는 기본 모델 클래스
실제 배치를 위해 향상된 시간 예측을위한 여러 신경망 아키텍처
멀티 호라이즌 타임 서리 메트릭
Optuna를 사용한 하이퍼 파라미터 튜닝

이 패키지는 Pytorch-Lightning을 기반으로 CPU, 단일 및 다중 GPU에 대한 교육을 제공 할 수 있습니다.

설치

Windows에서 작업하는 경우 먼저 Pytorch를 설치해야합니다.

pip install torch -f https://download.pytorch.org/whl/torch_stable.html .

그렇지 않으면 진행할 수 있습니다

pip install pytorch-forecasting

또는 Conda를 통해 패키지를 설치할 수 있습니다

conda install pytorch-forecasting pytorch -c pytorch>=1.7 -c conda-forge

Pytorch는 이제 Conda-Forge 채널에서 설치되는 동안 Pytorch는 Pytorch 채널에서 설치됩니다.

MQF2 손실 (다변량 Quantile Loss)을 사용하려면 pip install pytorch-forecasting[mqf2] 설치하십시오.

선적 서류 비치

https://pytorch-forecasting.readthedocs.io를 방문하여 자세한 자습서가있는 문서를 읽으십시오.

사용 가능한 모델

문서는 사용 가능한 모델을 비교합니다.

벤치 마크에서 Amazon의 Deepar를 능가하는 해석 가능한 멀티 호리 존 시계열 예측을위한 시간 퓨전 변압기
N-BEATS : 앙상블로 사용 된 경우 해석 가능한 시계열 예측에 대한 신경 기반 확장 분석은 M4 경쟁에서 전통적인 정적 방법의 앙상블을 포함하여 다른 모든 방법을 능가했습니다. M4 경쟁은 아마도 일 변량 시계열 예측을위한 가장 중요한 벤치 마크 일 것입니다.
N-HITS : 공변량을 지원하고 일관되게 N- 비트를 이겼던 시계열 예측을위한 신경 계층 적 보간. 또한 장거리 예측에 특히 적합합니다.
Deepar : 가장 인기있는 예측 알고리즘 중 하나이며 종종 기준으로 사용되는 자동 회귀 재발 네트워크를 통한 확률 론적 예측
기준선을위한 간단한 표준 네트워크 : LSTM 및 GRU 네트워크 및 디코더의 MLP
항상 최신 알려진 값을 예측하는 기준 모델

새로운 모델 또는 기타 사용자 정의 구성 요소를 구현하려면 새로운 모델 구현 방법 자습서를 참조하십시오. 기본 및 고급 아키텍처를 다룹니다.

사용 예제

네트워크는 Pandas Dataframes에서 Pytorch Lighning 트레이너와 함께 처음 TimeseriesDataset으로 변환 될 수 있습니다.

 # imports for training
import lightning . pytorch as pl
from lightning . pytorch . loggers import TensorBoardLogger
from lightning . pytorch . callbacks import EarlyStopping , LearningRateMonitor
# import dataset, network to train and metric to optimize
from pytorch_forecasting import TimeSeriesDataSet , TemporalFusionTransformer , QuantileLoss
from lightning . pytorch . tuner import Tuner

# load data: this is pandas dataframe with at least a column for
# * the target (what you want to predict)
# * the timeseries ID (which should be a unique string to identify each timeseries)
# * the time of the observation (which should be a monotonically increasing integer)
data = ...

# define the dataset, i.e. add metadata to pandas dataframe for the model to understand it
max_encoder_length = 36
max_prediction_length = 6
training_cutoff = "YYYY-MM-DD"  # day for cutoff

training = TimeSeriesDataSet (
    data [ lambda x : x . date <= training_cutoff ],
    time_idx = ...,  # column name of time of observation
    target = ...,  # column name of target to predict
    group_ids = [ ... ],  # column name(s) for timeseries IDs
    max_encoder_length = max_encoder_length ,  # how much history to use
    max_prediction_length = max_prediction_length ,  # how far to predict into future
    # covariates static for a timeseries ID
    static_categoricals = [ ... ],
    static_reals = [ ... ],
    # covariates known and unknown in the future to inform prediction
    time_varying_known_categoricals = [ ... ],
    time_varying_known_reals = [ ... ],
    time_varying_unknown_categoricals = [ ... ],
    time_varying_unknown_reals = [ ... ],
)

# create validation dataset using the same normalization techniques as for the training dataset
validation = TimeSeriesDataSet . from_dataset ( training , data , min_prediction_idx = training . index . time . max () + 1 , stop_randomization = True )

# convert datasets to dataloaders for training
batch_size = 128
train_dataloader = training . to_dataloader ( train = True , batch_size = batch_size , num_workers = 2 )
val_dataloader = validation . to_dataloader ( train = False , batch_size = batch_size , num_workers = 2 )

# create PyTorch Lighning Trainer with early stopping
early_stop_callback = EarlyStopping ( monitor = "val_loss" , min_delta = 1e-4 , patience = 1 , verbose = False , mode = "min" )
lr_logger = LearningRateMonitor ()
trainer = pl . Trainer (
    max_epochs = 100 ,
    accelerator = "auto" ,  # run on CPU, if on multiple GPUs, use strategy="ddp"
    gradient_clip_val = 0.1 ,
    limit_train_batches = 30 ,  # 30 batches per epoch
    callbacks = [ lr_logger , early_stop_callback ],
    logger = TensorBoardLogger ( "lightning_logs" )
)

# define network to train - the architecture is mostly inferred from the dataset, so that only a few hyperparameters have to be set by the user
tft = TemporalFusionTransformer . from_dataset (
    # dataset
    training ,
    # architecture hyperparameters
    hidden_size = 32 ,
    attention_head_size = 1 ,
    dropout = 0.1 ,
    hidden_continuous_size = 16 ,
    # loss metric to optimize
    loss = QuantileLoss (),
    # logging frequency
    log_interval = 2 ,
    # optimizer parameters
    learning_rate = 0.03 ,
    reduce_on_plateau_patience = 4
)
print ( f"Number of parameters in network: { tft . size () / 1e3 :.1f } k" )

# find the optimal learning rate
res = Tuner ( trainer ). lr_find (
    tft , train_dataloaders = train_dataloader , val_dataloaders = val_dataloader , early_stop_threshold = 1000.0 , max_lr = 0.3 ,
)
# and plot the result - always visually confirm that the suggested learning rate makes sense
print ( f"suggested learning rate: { res . suggestion () } " )
fig = res . plot ( show = True , suggest = True )
fig . show ()

# fit the model on the data - redefine the model with the correct learning rate if necessary
trainer . fit (
    tft , train_dataloaders = train_dataloader , val_dataloaders = val_dataloader ,
)