网站开发工具与技术网站服务器费用

网站开发工具与技术,网站服务器费用,python必背入门代码,建设外贸类网站基于上一篇文章文献阅读#xff1a;LEARNING FAST AND SLOW FORONLINE TIME SERIES FORECASTING-CSDN博客过后#xff0c;这里去根据论文中的代码仓库进行了一个实验。尊重原创代码#xff1a;GitHub - DMIRLAB-Group/LSTD 问题 这里发现给的配置文件不是很全面#xff0c…基于上一篇文章文献阅读LEARNING FAST AND SLOW FORONLINE TIME SERIES FORECASTING-CSDN博客过后这里去根据论文中的代码仓库进行了一个实验。尊重原创代码GitHub - DMIRLAB-Group/LSTD问题这里发现给的配置文件不是很全面基于全部的深度学习环境安装过后我的实验环境是RTX 5060ti 16g。基于论文中的计算KL散度会爆显存该放到学校的算力资源上a800 80g显存的情况下依然会爆显存。这里只能多用一张a800或者调低batchsize到原来的一半。依赖文件numpy 1.23.5 pandas 1.5.3 einops0.4.0 tqdm4.64.1 wandb numexpr scikit-learn参考d{ Traffic:{ 1: --method LSTD --root_path ./data/ --data Traffic --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 1 --depth 10 --hidden_dim 512 --hidden_layers 1 --tau 0.7 --batch_size 16 --learning_rate 0.003 --mode time, 24: --method LSTD --root_path ./data/ --data Traffic --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 24 --depth 9 --hidden_dim 512 --hidden_layers 2 --tau 0.75 --batch_size 8 --learning_rate 0.003 --mode time, 48: --method LSTD --root_path ./data/ --data Traffic --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 48 --depth 10 --hidden_dim 512 --hidden_layers 2 --tau 0.7 --batch_size 4 --learning_rate 0.003 --mode time }, Exchange:{ 1: --method LSTD --root_path ./data/ --data Exchange --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 1 --depth 10 --hidden_dim 448 --hidden_layers 1 --tau 0.7 --batch_size 4 --learning_rate 0.003 --mode time, 24: --method LSTD --root_path ./data/ --data Exchange --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 24 --depth 10 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 8 --learning_rate 0.003 --mode time, 48: --method LSTD --root_path ./data/ --data Exchange --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.0001 --zc_kl_weight 0.0001 --pred_len 48 --depth 9 --hidden_dim 448 --hidden_layers 1 --tau 0.75 --batch_size 8 --learning_rate 0.003 --mode time }, WTH: { 1: --method LSTD --root_path ./data/ --data WTH --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 1 --depth 9 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 8 --learning_rate 0.003 --mode time, 24: --method LSTD --root_path ./data/ --data WTH --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 24 --depth 9 --hidden_dim 256 --hidden_layers 1 --tau 0.7 --batch_size 4 --learning_rate 0.002 --mode var, 48: --method LSTD --root_path ./data/ --data WTH --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 48 --depth 9 --hidden_dim 256 --hidden_layers 1 --tau 0.7 --batch_size 4 --learning_rate 0.001 --mode var }, ECL: { 1: --method LSTD --root_path ./data/ --data ECL --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 1 --depth 9 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 16 --learning_rate 0.002 --mode time, 24: --method LSTD --root_path ./data/ --data ECL --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 24 --depth 9 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 8 --learning_rate 0.002 --mode var, 48: --method LSTD --root_path ./data/ --data ECL --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 48 --depth 9 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 8 --learning_rate 0.002 --mode var }, ETTh2: { 1: --method LSTD --root_path ./data/ --data ETTh2 --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 1 --depth 9 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 4 --learning_rate 0.003 --mode time, 24: --method LSTD --root_path ./data/ --data ETTh2 --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 24 --depth 9 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 4 --learning_rate 0.003 --mode var, 48: --method LSTD --root_path ./data/ --data ETTh2 --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 48 --depth 9 --hidden_dim 256 --hidden_layers 2 --tau 0.7 --batch_size 32 --learning_rate 0.003 --mode var }, ETTm1: { 1: --method LSTD --root_path ./data/ --data ETTm1 --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 1 --depth 9 --hidden_dim 512 --hidden_layers 1 --tau 0.75 --batch_size 8 --learning_rate 0.003 --mode time, 24: --method LSTD --root_path ./data/ --data ETTm1 --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 24 --depth 9 --hidden_dim 256 --hidden_layers 1 --tau 0.7 --batch_size 4 --learning_rate 0.003 --mode var, 48: --method LSTD --root_path ./data/ --data ETTm1 --n_inner 1 --test_bsz 1 --features M --seq_len 60 --label_len 0 --des Exp --itr 1 --train_epochs 6 --online_learning full --L1_weight 0.001 --dropout 0 --L2_weight 0.001 --zd_kl_weight 0.001 --zc_kl_weight 0.001 --pred_len 48 --depth 9 --hidden_dim 256 --hidden_layers 1 --tau 0.7 --batch_size 4 --learning_rate 0.002 --mode var }, }提示如果你的显卡是50系列cuda版本必须上12.8python版本必须3.10以上才能行数据文件放置位置应如图运行命令#!/bin/bash # 1. 定义你要跑的所有数据集名称 (必须和字典里的 Key 完全一致) # 如果只想跑其中几个可以在这里删减 datasets(Exchange WTH ECL ETTh2 ETTm1) # 2. 定义你要跑的长度 lengths(1 24 48) # 3. 定义种子 seed42 # 核心循环逻辑 for data in ${datasets[]}; do for len in ${lengths[]}; do echo ---------------------------------------------------------------- echo 正在启动任务: Dataset $data | Length $len | Seed $seed echo 当前时间: $(date) echo ---------------------------------------------------------------- # 执行 Python 命令 python run_LSTD.py -seed $seed -dataset $data -len $len # 检查是否报错 (如果报错打印提示但继续跑下一个) if [ $? -ne 0 ]; then echo 警告: $data ($len) 运行失败或被中断 else echo 成功: $data ($len) 运行完毕。 fi echo done done echo 所有任务执行结束这里的sh脚本执行直接在linux上起一个名字如 vim run_all.shbash 你的脚本.sh就行实验效果在ECL数据集上Namespace(dropout0.0, depth9, hidden_dim512, hidden_layers1, batch_size4, learning_rate0.002, tau0.75, zd_kl_weight0.001, zc_kl_weight0.001, L1_weight0.001, L2_weight0.001, rec_weight0.5, modevar, n_class4, No_priorTrue, is_bnFalse, dynamic_dim128, lags1, dataECL, root_path./data/, data_pathECL.csv, featuresM, targetOT, freqh, checkpoints./checkpoints/, seq_len60, label_len0, pred_len24, enc_in321, dec_in321, c_out321, d_model32, n_heads8, e_layers2, d_layers1, s_layers[3, 2, 1], d_ff128, factor5, padding0, distilTrue, attnprob, embedtimeF, activationgelu, output_attentionFalse, do_predictFalse, mixTrue, colsNone, num_workers0, itr1, train_epochs6, patience3, learning_rate_w0.001, learning_rate_bias0.001, weight_decay0.001, desExp, lossmse, lradjtype1, use_ampFalse, inverseFalse, methodLSTD, fc_dropout0.05, head_dropout0.0, patch_len16, stride8, padding_patchend, revin0, affine0, subtract_last0, decomposition0, kernel_size25, tcn_output_dim320, tcn_layer2, tcn_hidden160, individual1, teacher_forcingFalse, online_learningfull, optadam, test_bsz1, n_inner1, channel_crossFalse, use_gpuTrue, gpu0, use_multi_gpuFalse, devices0,1,2,3, finetuneFalse, finetune_model_seed42, aug0, lr_test0.001, versionWavelets, mode_selectrandom, modes64, L3, baselegendre, cross_activationtanh, moving_avg[24], gamma0.1, m24, loss_aug0.5, use_adbfgsTrue, period_len12, mlp_depth3, mlp_width256, station_lr0.0001, sleep_interval1, sleep_epochs1, sleep_kl_pre0, delay_fbFalse, online_adjust0.5, offline_adjust0.5, online_adjust_var0.5, var_weight0.0, alpha_w0.0001, alpha_d0.003, test_lr0.1, seed42, detail_freqh)42mse:1.7189000650215682, mae:0.2748529085257549mse误差比论文中的最好效果高了0.3。往往轻量级别的时间序列数据集显存16G就吃得消了且精度达不到文章中的最好效果确实能跑但是效果确实达不到论文中的水平