Informer源码学习记录之 "模型搭建build_model"

标签：features nn self 源码 build Informer 512 True out

一、初始化

　　1. 代码结构

　　　　main_informer.py:

　　　　　　exp = Exp(args)   # set experiments

　　　　exp_basic.py:

　　　　　　class Exp_Informer(Exp_Basic):

　　　　　　　　class Exp_Basic(object):
　　　　　　　　　　def __init__(self, args):

　　　　　　　　　　　　self._build_model()                      #  搭建模型,继承了父类Exp_Basic中的_build_model()函数
　　　　　　　　　　　　　　model = model_dict[self.args.model]   # 创建模型对象

　　　　model.py:　　　　　

　　　　　　class Informer(nn.Module):
　　　　　　　　　# DataEmbedding， 编码操作（对输入序列进行向量化、位置编码以及时间特征编码过程）
　　　　　　　　　self.enc_embedding = DataEmbedding(...) 　　　　
　　　　　　　　  self.dec_embedding = DataEmbedding(...)
　　　　　　　　　self.encoder = Encoder(...)　　　　　　　# Encoder， 创建编码器对象，搭建编码器结构，并实现初始化
　　　　　　　   self.decoder = Decoder(...)　　　　　　　# Decoder, 创建解码器对象，搭建解码器结构，并实现初始化
　　　　　　　　　self.projection = nn.Linear(...)

　　2. 功能结构

　　（1）编码操作（DataEmbedding）

　　models(文件夹)

　　　 embed.py:

　　　　　　　class DataEmbedding(nn.Module):

　　　　　　　self.value_embedding = TokenEmbedding(...) # 向量化操作

　　　　　　　self.position_embedding = PositionalEmbedding(...) # 位置编码操作

　　　　　　　self.temporal_embedding = TemporalEmbedding(...) # 时间特征编码操作

　　　　　　　self.dropout = nn.Dropout(p=dropout) 　　　　　　 # 防止或减轻过拟合， p=0.05，每个神经元有0.05的可能性不被激活

　　（2）编码器（Encoder）　　　　　　

　　models(文件夹)

　　　　model.py：

　　 attn.py:

　　　class ProbAttention(nn.Module):

　　　　　self.dropout = nn.Dropout(attention_dropout) 　# 防止或减轻过拟合， p=0.05，每个神经元有0.05的可能性不被激活

　　　class AttentionLayer(nn.Module):

　　　　 # query查询项，初始化一个线性层对象（int_features=512，out_features=512，bias=True）

　　　　 self.query_projection = nn.Linear(...)

　　　　 # key键项，初始化一个线性层对象（int_features=512，out_features=512，bias=True）

　　　　　self.key_projection = nn.Linear(...)　　　　

　　　　# value值项，初始化一个线性层对象（int_features=512，out_features=512，bias=True）

　　　　　self.value_projection = nn.Linear(...)　　　

　　　 # out输出项，初始化一个线性层对象（int_features=512，out_features=512，bias=True）

　　　　　self.out_projection = nn.Linear(...)　　　　　　

　　　class EncoderLayer(nn.Module):

　　　　# 创建一个1维卷积层对象（输入序列的通道数=512，卷积产生的通道数=2048，卷积核的大小=1）

　　　　　self.conv1 = nn.Conv1d(...)　　

　　　　# 创建一个1维卷积层对象（输入序列的通道数=2048，卷积产生的通道数=512，卷积核的大小=1）

　　　　　self.conv2 = nn.Conv1d(...)　　　　　　　

　　　　　self.norm1 = nn.LayerNorm(...)　　　　　　 # 创建一个归一化层对象，归一化的维度=512

　　　　　self.norm2 = nn.LayerNorm(...)　　　　　　 # 创建一个归一化层对象，归一化的维度=512

　　　　　self.dropout = nn.Dropout(...)　　　　　　　# 防止或减轻过拟合， p=0.05，每个神经元有0.05的可能性不被激活

　 encoder.py:

　　　class ConvLayer(nn.Module):

　　　　# 创建一个1维卷积层对象（输入..道数=512，卷积..道数=512，卷积核的大小=3，填充=1，填充类型=circular）

　　　　　self.downConv = nn.Conv1d(...)

　　　　　self.norm = nn.BatchNorm1d(...) # 创建一个归一化层对象，归一化的维度=512

　　　　　self.activation = nn.ELU()　　　 # 创建elu激活函数对象

　　　　　self.maxPool = nn.MaxPool1d(...) # 创建一个1维最大化池化层（卷积核的大小=3，步长为2，填充=1）

　　　class Encoder(nn.Module):

　　　　# nn.ModuleList,一个存储不同model，并自动将每个model的parameters添加到网络之中的容器

　　　　　self.attn_layers = nn.ModuleList(attn_layers)

　　　　　 self.conv_layers = nn.ModuleList(conv_layers)

ModuleList(
(0): EncoderLayer(
　　(attention): AttentionLayer(
　　　　(inner_attention): ProbAttention(
　　　　　　(dropout): Dropout(p=0.05, inplace=False)
　　　　)

　　　　(query_projection): Linear(in_features=512, out_features=512, bias=True)
　　　　(key_projection): Linear(in_features=512, out_features=512, bias=True)
　　　　(value_projection): Linear(in_features=512, out_features=512, bias=True)
　　　　(out_projection): Linear(in_features=512, out_features=512, bias=True)
　　)

　　(conv1): Conv1d(512, 2048, kernel_size=(1,), stride=(1,))
　　(conv2): Conv1d(2048, 512, kernel_size=(1,), stride=(1,))
　　(norm1): LayerNorm((512,), eps=1e-05, elementwise_affine=True)
　　(norm2): LayerNorm((512,), eps=1e-05, elementwise_affine=True)
　　(dropout): Dropout(p=0.05, inplace=False)

) # (0): EncoderLayer

(1): EncoderLayer(
　　(attention): AttentionLayer(
　　　　(inner_attention): ProbAttention(
　　　　　　(dropout): Dropout(p=0.05, inplace=False)
　　　　)

) # (1): EncoderLayer
) # ModuleList

ModuleList(
(0): ConvLayer(
　　(downConv): Conv1d(512, 512, kernel_size=(3,), stride=(1,), padding=(1,), padding_mode=circular)
　　(norm): BatchNorm1d(512, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)
　　(activation): ELU(alpha=1.0)
　　(maxPool): MaxPool1d(kernel_size=3, stride=2, padding=1, dilation=1, ceil_mode=False)

) # (0): ConvLayer
) # ModuleList

norm_layer=torch.nn.LayerNorm(d_model) # 创建一个LayerNorm归一化层对象，归一化的维度=512

　　（3）解码器（Decoder）

　　model.py:

ModuleList(
(0): DecoderLayer(
　　(self_attention): AttentionLayer(
　　　　(inner_attention): ProbAttention(
　　　　　　(dropout): Dropout(p=0.05, inplace=False)
　　　　)# AttentionLayer

　　(cross_attention): AttentionLayer(
　　　　(inner_attention): FullAttention(
　　　　　　(dropout): Dropout(p=0.05, inplace=False)
　　　　) # FullAttention

) # (0): DecoderLayer
) # ModuleList

norm_layer=torch.nn.LayerNorm(d_model) # 创建一个LayerNorm归一化层对象，归一化的维度=512

标签：features,nn,self,源码,build,Informer,512,True,out
From： https://www.cnblogs.com/sgqlog/p/17065868.html

Informer源码学习记录之 "模型搭建build_model"

相关文章

赞助商

阅读排行