Модель трансформатора для плато прогнозирования временных рядов – ищу предложения ⇐ Python

[Anonymous]

Я немного новичок в области машинного обучения, поэтому извините, если этот вопрос является простым. Я использую простой преобразователь для данных временных рядов, чтобы прогнозировать конкретные непрерывные значения. Раньше я добивался некоторой точности со случайными лесами и надеялся улучшить ее с помощью преобразователя. Однако производительность моей модели трансформатора, похоже, стабильна, независимо от ее сложности.
Я экспериментировал с размерами пакетов (16, 32, 64, 128, 200), различными скоростями обучения и различные методы нормализации. После тестирования различных функций потерь (MSE, MAE, потерь Коши, потерь Хубера и RMSE) я обнаружил, что размер пакета 200, скорость обучения 0,005 и MSE работают лучше всего.
Я также визуализировал центры внимания, чтобы идентифицировать важные функции, обучил вариационный автоэнкодер и использовал его веса в своем преобразователе, а также попробовал трансферное обучение. Несмотря на эти усилия, производительность модели по-прежнему стабилизируется.
Недавно я наткнулся на эту статью от Anthropic (https://transformer-circuits.pub/2024/s ... index.html). но еще не реализовал свои предложения.
Есть ли у кого-нибудь рекомендации по дальнейшему улучшению или исследованию модели? Я считаю, что в какой-то момент он застревает, и буду очень признателен за любые идеи. Обратите внимание: я нанес на график выбросы и наблюдал MSE между образцами с высоким MSE и их взаимосвязью друг с другом, но не вижу ничего, что могло бы объяснить проблему. Ниже я вставил простую модель трансформатора, которую использую. Вместе с графиком, показывающим кривые потерь набора данных поезда (25 000) и проверки (1000). Ось X — это эпохи, а ось Y — MSE.

Код: Выделить всё

class PositionalEncoding(nn.Module):

def __init__(self, d_model, max_len=1000):
super(PositionalEncoding, self).__init__()
pe = torch.zeros(max_len, d_model)
position = torch.arange(0, max_len, dtype=torch.float).unsqueeze(1)
div_term = torch.exp(torch.arange(0, d_model, 2).float() * (-math.log(10000.0) / d_model))
#div_term = torch.randn(19)
print('div term', div_term.shape)
print('sine',torch.sin(position * div_term).shape)
print('cosine',torch.cos(position * div_term).shape)
print('position', position.shape)
print('pe', pe.shape)
pe[:, 0::2] = torch.sin(position * div_term)
pe[:, 1::2] = torch.cos(position * div_term)
pe = pe.unsqueeze(0).transpose(0, 1)

self.register_buffer('pe', pe)

def forward(self, x):
return x + self.pe[:x.size(0), :]

def attention_hook(module, input, output):
queries, keys, values = input[0], input[1], input[2]

class TransAm(nn.Module):
def __init__(self,feature_size=20,num_layers=1,dropout=0.1):
super(TransAm, self).__init__()
self.model_type = 'Transformer'

self.src_mask = None
self.pos_encoder = PositionalEncoding(feature_size)
self.encoder_layer = nn.TransformerEncoderLayer(d_model=feature_size, nhead=10, dropout=dropout)
self.transformer_encoder = nn.TransformerEncoder(self.encoder_layer, num_layers=num_layers)
self.decoder = nn.Linear(feature_size,1)
self.init_weights()

def init_weights(self):

nn.init.constant_(self.decoder.bias.data, 0)

nn.init.xavier_uniform_(self.decoder.weight)

def forward(self,src):
if self.src_mask is None or self.src_mask.size(0) != len(src):
device = src.device
mask = self._generate_square_subsequent_mask(len(src)).to(device)
self.src_mask = mask

src = self.pos_encoder(src)
output = self.transformer_encoder(src,self.src_mask)
output = self.decoder(output)
return output

def _generate_square_subsequent_mask(self, sz):
mask = (torch.triu(torch.ones(sz, sz)) == 1).transpose(0, 1)
mask = mask.float().masked_fill(mask == 0, float('-inf')).masked_fill(mask == 1, float(0.0))
return mask

model = TransAm().to(device)

input_tensor = torch.tensor(np.random.rand(32, 20), dtype = torch.float32).to(device)
print("Input tensor shape:", input_tensor.shape)
output = model(input_tensor)
output.shape

Подробнее здесь: https://stackoverflow.com/questions/785 ... suggestion