ดาวน์โหลด TimeDiffusion - ดาวน์โหลดซอร์สโค้ด TimeDiffusion

TimeDiffusion

โค้ดแหล่งที่มา AI

v0.4.1

ดาวน์โหลด

TimeDiffusion - Unified Framework สำหรับงานอนุกรมเวลาหลายงาน

รองรับข้อมูล 2D (ภาพ) และ 3D (วิดีโอ) เป็นอินพุตเพื่อวัตถุประสงค์ในการวิจัย

สารบัญ

ติดตั้ง
เริ่มต้นอย่างรวดเร็ว
ตัวอย่าง
ปรัชญา
รุ่นฐาน
สถาปัตยกรรมแบบจำลอง

ติดตั้ง

pip install timediffusion

เริ่มต้นอย่างรวดเร็ว

ชุดเวลาพยากรณ์

 # train sequence in shape [channels, sequence_length]
model = TD ( input_dims = train . shape ). to ( device = device )
training_losses = model . fit ( train )
# horizon : int - how many future values to forecast
predictions = model . forecast ( horizon )

การสร้างอนุกรมเวลาสังเคราะห์

 # sequence in shape [channels, sequence_length]
model = TD ( input_dims = seq . shape ). to ( device = device )
training_losses = model . fit ( seq )
# proximity - how close to original, samples - total synthetic time series
synthetic_data = model . synth ( proximity = 0.9 , samples = 3 , batch_size = 2 , step_granulation = 10 )

การใส่ชุดเวลา

 # sequence in shape [channels, sequence_length]
model = TD ( input_dims = seq . shape ). to ( device = device )
# mask - binary array of same shape, as sequence, with 1 in positions, that are unknown
training_losses = model . fit ( seq , mask = mask )
restored_seq = model . restore ( example = seq , mask = mask )

ตัวอย่าง

อนุกรมเวลา: ตัวอย่างงานหลายงาน

การพยากรณ์ตัวอย่างราคา bitcoin

ปรัชญา

บทสรุปหลักที่อยู่เบื้องหลังโมเดล TimeDiffusion คือในความเป็นจริงเมื่อทำงานกับอนุกรมเวลาเราไม่มีตัวอย่างมากมายเพราะอาจเป็นในสาขาการเรียนรู้ของเครื่องอื่น ๆ (เช่น CV, NLP) ดังนั้นวิธีการแบบอัตโนมัติแบบคลาสสิกเช่น ARIMA มีวิธีการที่เหมาะสมที่สุดในการปรับ / ฝึกอบรมเฉพาะในลำดับต้นฉบับ (อาจมีข้อมูลภายนอกบางอย่าง)

TimeDiffusion ใช้แรงบันดาลใจจากวิธีการที่จัดตั้งขึ้นเหล่านี้และรถไฟเฉพาะในตัวอย่างอินพุต แบบจำลองรวมเทคนิคการเรียนรู้ลึกที่ทันสมัยที่สุดเช่นกระบวนการแพร่กระจายการขยายตัวแบบทวีคูณการเชื่อมต่อที่เหลือและกลไกความสนใจ (ในหนึ่งในเวอร์ชัน)