InceptionTime：寻找时间序列分类中的AlexNet

InceptionTime：寻找时间序列分类中的AlexNet

InceptionTime 项目地址: https://gitcode.com/gh_mirrors/in/InceptionTime

本指南旨在帮助您了解并应用在《InceptionTime: Finding AlexNet for Time Series Classification》这篇论文中提出的方法。该研究工作发布于《数据挖掘与知识发现》期刊，并在ArXiv上可获取。本文档将涵盖安装指南、使用方法、API简介以及部署步骤。

安装指南

首先，确保您的环境中已安装Python。推荐使用Python 3.7或更高版本。接着，通过pip安装必要的依赖包。在项目根目录下找到requirements.txt文件，执行以下命令来安装所有必需的库：

pip install -r requirements.txt

这将自动处理如TensorFlow、PyTorch（取决于所选配置）、NumPy等库的安装。

项目使用说明

环境准备

1. 数据集下载：访问UCR/UEA时间序列分类档案，下载数据并解压至适当位置。

2. 配置根目录：编辑main.py中的root_dir变量，将其设置为包含解压缩后数据集的路径。并在root_dir内创建一个名为archives的子目录，存放时间序列数据。

运行实验

• 基本运行：若要基于单个数据集运行InceptionTime模型，打开终端或命令提示符，执行：

  python3 main.py InceptionTime
  

• 超参数搜索：进行超参数调整时使用：

  python3 main.py InceptionTime_xp
  

• 长度实验：针对特定数据集（例如InlineSkate）进行长度敏感实验，先生成重采样数据，然后指定实验：

  python3 main.py run_length_xps
  python3 main.py InceptionTime # 确保设置正确的数据集
  

结果保存

实验结果将被保存到以root_dir/results/nne/inception-.../UCR_TS_Archive_2015/具体数据集名/df_metrics.csv格式的路径下。

API使用文档

本项目没有传统意义上的API接口，但模块化的结构使得关键功能易于调用。主要入口点是main.py，而实际模型实现位于classifiers目录下的inception.py。函数调用和配置修改通常在这些脚本内部完成。

项目结构简述

• main.py：启动实验的主要脚本。
• classifiers：包含模型定义，特别是inception.py包含Inception网络模型。
• utils：辅助函数，用于数据读取、预处理和结果可视化。
• results-*.csv：存储实验结果的CSV文件。

训练与结果显示

训练过程中生成的时间对比图利用了matplotlib库。例如，训练时间与数据集大小和系列长度的关系图表，可在运行相应的脚本后查看。

引用

如果您使用本项目作为参考或在其基础上开发，务必正确引用原论文信息。

通过遵循上述步骤，您可以有效地探索和利用InceptionTime框架进行时间序列数据的分类任务。记得调整配置以适应您的硬件环境，并且享受深入学习时间序列的乐趣。

InceptionTime 项目地址: https://gitcode.com/gh_mirrors/in/InceptionTime