<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_33712422的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/qq_33712422</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_33712422]]></copyright><item><title><![CDATA[时间序列（Time-Series）SelfAttention_Family.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/136057407</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/136057407</guid><author>qq_33712422</author><pubDate>Tue, 06 Feb 2024 15:15:41 +0800</pubDate><description><![CDATA[前向传播函数，首先处理时间序列数据并使用注意力机制，然后通过一个路由器（router）处理数据的维度。#前向传播函数，和DSAttention类似，计算注意力分数，并应用掩码和dropout。#在初始化函数中，设置了一些基础的参数，如缩放因子、掩码标志、是否输出注意力矩阵等。#前向传播函数，先对查询、键、值进行线性变换，然后通过内部注意力机制计算输出。#定义了一个内部函数，用于调整查询长度，以适应LSH自注意力要求的特定长度。#定义了一个内部函数，用于从K中对Q进行采样，并选出Q中的top-k项。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）Pyraformer_EncDec.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/136057373</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/136057373</guid><author>qq_33712422</author><pubDate>Tue, 06 Feb 2024 15:14:24 +0800</pubDate><description><![CDATA[定义了一个函数来获取注意力掩码，这个掩码用于PAM-Naive（Pyramid Attention Mechanism）的注意力层。#定义了编码器层，由两个子层组成：一个自注意力层和一个位置前馈网络。#定义了一个瓶颈卷积层结构，用于构造跨尺度卷积（CSCM）。# #最终反转掩码矩阵以创建实际使用的掩码。#定义了一个函数来收集来自PAM层级结构序列的特征。#初始化一个列表，用于存放每一层的尺寸。#定义了一个包含自注意力机制的编码器模型。#定义了一个卷积层类，用于降低序列的维度。#定义了一个常规掩码类。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）MultiWaveletCorrelation.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/136056799</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/136056799</guid><author>qq_33712422</author><pubDate>Tue, 06 Feb 2024 14:48:04 +0800</pubDate><description><![CDATA[定义了一个执行多小波变换卷积操作的神经网络模块。这个类结合了多小波变换和卷积操作，用于深度学习模型中的特征提取。#定义了一个基于傅里叶变换的交叉注意力模块。#定义了一个基于多小波变换的交叉注意力模块。这个类结合了交叉注意力和多小波变换，用于捕捉序列间的关系。#定义了一个执行稀疏核傅里叶变换的神经网络模块。#定义了一个基于多小波变换的神经网络模块。这个类执行多小波变换，用于深度学习模型中的特征变换。#这两行导入了PyTorch的神经网络模块和函数模块。#这个函数计算多项式基函数和关于基base的检验函数。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）FourierCorrelation.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/136055886</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/136055886</guid><author>qq_33712422</author><pubDate>Tue, 06 Feb 2024 14:01:22 +0800</pubDate><description><![CDATA[modes是频率域关注的模式数，mode_select_method是选择这些模式的方法，默认为'random'。#这行定义了一个名为get_frequency_modes的函数，它接受序列长度seq_len，模式数modes，和模式选择方法mode_select_method作为参数。#返回处理后的结果x和一个占位符None，因为通常注意力机制会返回一个额外的输出，例如注意力权重，但在这里并未使用。#在FourierBlock的实例中，调用get_frequency_modes函数来获取频率模式的索引。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）ETSformer_EncDec.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/136030811</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/136030811</guid><author>qq_33712422</author><pubDate>Sun, 04 Feb 2024 18:37:09 +0800</pubDate><description><![CDATA[self._smoothing_weight = nn.Parameter(torch.randn(nhead, 1))#定义权重。self.v0 = nn.Parameter(torch.randn(1, 1, nhead, dim))#定义偏置。#结合水平（level）、增长（growth）和季节性（season）分量的模型层。#实现编码器层，结合了增长、季节性、水平分量以及一个前馈网络。#实现解码器层，其中阻尼增长和固定季节性分量用于长期预测。#实现一个增长层，用来模拟时间序列中的趋势部分。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）ETSformer_EncDec.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/136030800</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/136030800</guid><author>qq_33712422</author><pubDate>Sun, 04 Feb 2024 18:36:04 +0800</pubDate><description><![CDATA[self.conv1和self.conv2、self.norm1、self.norm2、self.norm3、self.dropout：与编码层类似，定义相应的卷积层、归一化层和dropout层。#self.self_attention和self.cross_attention：定义自注意力机制和交叉注意力机制。#self.conv1和self.conv2：定义两个1维卷积层用于在注意力操作后对特征进行转换。#self.norm1和self.norm2：定义两个层归一化操作用于稳定网络输出。]]></description><category></category></item><item><title><![CDATA[在Python中.values的一种使用方法]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135938761</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135938761</guid><author>qq_33712422</author><pubDate>Tue, 30 Jan 2024 18:05:28 +0800</pubDate><description><![CDATA[在Python中，.values属性通常与Pandas库关联，它是DataFrame或Series对象的一个属性。Pandas是一个流行的数据分析和处理库，它提供了强大的数据结构和方法来处理表格数据。当你调用.values属性时，它会返回PandasDataFrame或Series对象中的数据作为一个NumPy数组（ndarray这使得你可以快速地将Pandas对象中存储的数据转换为一个NumPy格式的数组，这对于进行数学运算或数据分析来说很有用。以下是.values。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）Embed.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135937692</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135937692</guid><author>qq_33712422</author><pubDate>Tue, 30 Jan 2024 17:18:44 +0800</pubDate><description><![CDATA[x = self.tokenConv(x.permute(0, 2, 1)).transpose(1, 2) #在前向传播中，对输入x进行维度交换，应用卷积，然后再次交换维度，使其回到原始的形状。# position = torch.arange(0, max_len).float().unsqueeze(1) 创建一个0到max_len的连续值，并增加一个维度。# x = self.value_embedding(x) + self.position_embedding(x) 应用值嵌入和位置嵌入。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）Crossformer_EncDec.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135871290</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135871290</guid><author>qq_33712422</author><pubDate>Fri, 26 Jan 2024 17:23:53 +0800</pubDate><description><![CDATA[初始化方法，参数包括模型的配置configs，窗口大小win_size，模型维度d_model，注意力头数n_heads，前馈网络的维度d_ff，模块的深度depth，dropout率，段数seg_num以及一个因子factor。#初始化方法接收自注意力和交叉注意力层，段长度seg_len，模型维度d_model，可选的前馈网络维度d_ff，以及dropout率。#如果是第一次迭代，将最终预测设置为该层预测，否则将该层预测累加到最终预测上。#将注意力层的输出加到输入上，并应用dropout。]]></description><category></category></item><item><title><![CDATA[边缘计算在电力行业的应用：挑战与机遇]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135869180</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135869180</guid><author>qq_33712422</author><pubDate>Fri, 26 Jan 2024 16:20:27 +0800</pubDate><description><![CDATA[本文探讨了边缘计算在电力行业的应用现状，面临的挑战以及应对策略，展望了边缘计算技术在智慧电网、分布式发电和灾害响应中的潜力。参考文献： [1] 边缘计算技术联盟. (2022). 边缘计算在电力行业的应用指南. [2] 国际电力网协会. (2023). 边缘计算技术白皮书. [3] 智能电网创新中心. (2022). 边缘计算对智慧电网的影响研究.提高实时性：通过在本地处理数据，边缘计算能够减少数据在网络中的传输时间，提供更快的响应速度，对于保障电网稳定运行至关重要。一、边缘计算在电力行业的应用背景。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）Conv_Blocks.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135851927</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135851927</guid><author>qq_33712422</author><pubDate>Thu, 25 Jan 2024 19:13:38 +0800</pubDate><description><![CDATA[与V1类似，但构建卷积层的方式不同，它使用了不对称的卷积核代替了对称的卷积核，并在最后额外添加了一个1x1的卷积层。#创建一个列表kernels并使用循环添加num_kernels个二维卷积层（nn.Conv2d），每个核的大小逐渐增加，从1x1开始，步长为2，每层使用适当的填充以保持特征图大小不变。#forward方法与V1版本类似，只是在遍历卷积核时，考虑到额外添加的1x1卷积，迭代次数变为self.num_kernels + 1。#num_kernels: 要使用的不同核大小的数量，默认为6。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）Autoformer_EncDec.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135849279</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135849279</guid><author>qq_33712422</author><pubDate>Thu, 25 Jan 2024 17:08:56 +0800</pubDate><description><![CDATA[self.conv1 = nn.Conv1d(in_channels=d_model, out_channels=d_ff, kernel_size=1, bias=False)   #一维卷积层，用于处理序列数据。self.conv2 = nn.Conv1d(in_channels=d_ff, out_channels=d_model, kernel_size=1, bias=False)   #一维卷积层，用于处理序列数据。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）AutoCorrelation.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135826824</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135826824</guid><author>qq_33712422</author><pubDate>Wed, 24 Jan 2024 17:03:18 +0800</pubDate><description><![CDATA[它接受查询 (queries)，键 (keys)，值 (values) 以及注意力掩码 (attn_mask)，应用傅立叶变换来发现周期性依赖，然后使用聚合函数来处理时间延迟。self.dropout = nn.Dropout(attention_dropout) #注意力机制的dropout率。self.mask_flag = mask_flag                   #掩码。#实现自相关的训练聚合，该方法首先要找到最重要的时间延迟，然后根据延迟进行聚合。#提供完整的注意力层接口。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）TimesNet.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135818394</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135818394</guid><author>qq_33712422</author><pubDate>Wed, 24 Jan 2024 11:45:11 +0800</pubDate><description><![CDATA[top_list = top_list.detach().cpu().numpy()    #从gpu转移cpu并转换为numpy数组。return period, abs(xf).mean(-1)[:, top_list]  #返回周期和这些周期对应的平均振幅。_, top_list = torch.topk(frequency_list, k)   #找到top k个频率成分。frequency_list = abs(xf).mean(0).mean(-1)     #计算变换后振幅的均值。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）exp_short_term_forecasting.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135777199</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135777199</guid><author>qq_33712422</author><pubDate>Tue, 23 Jan 2024 17:25:26 +0800</pubDate><description><![CDATA[from utils.losses import mape_loss, mase_loss, smape_loss   #自定义损失函数。from data_provider.data_factory import data_provider    #数据提供模块。#选择优化器，该函数使用adam优化器，从传入的参数self 添加self.args.learning_rate学习率。#验证方法，通过计算模型验证的误差来评估模型性能，即向前传播时不根据学习率计算梯度。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）exp_imputation.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135777089</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135777089</guid><author>qq_33712422</author><pubDate>Tue, 23 Jan 2024 17:22:43 +0800</pubDate><description><![CDATA[mask[mask <= self.args.mask_rate] = 0  # masked  #被掩盖。mask[mask > self.args.mask_rate] = 1  # remained  #保留。mask[mask <= self.args.mask_rate] = 0  # masked  #被掩盖。mask[mask > self.args.mask_rate] = 1  # remained  #保留。#将数据的数据类型转化为浮点型，加载到GPU或CPU。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）exp_long_term_forecasting.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135755570</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135755570</guid><author>qq_33712422</author><pubDate>Mon, 22 Jan 2024 18:41:32 +0800</pubDate><description><![CDATA[将输入数据和真实标签的最后一维拼接起来，形成gt（真实值图），将输入数据和预测结果的最后一维拼接起来，形成pd预测图。#选择优化器，该函数使用adam优化器，从传入的参数self 添加self.args.learning_rate学习率。#从data_provider函数获取数据集合和数据加载器，并提供标志（train，val，test）#将输出和真实标签从模型运行的设备转移到cpu，并将数据转换为numpy格式。#验证方法，通过计算模型验证的误差来评估模型性能，即向前传播时不根据学习率计算梯度。]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）exp_anomaly_detection.py代码解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135755527</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135755527</guid><author>qq_33712422</author><pubDate>Mon, 22 Jan 2024 18:39:18 +0800</pubDate><description><![CDATA[将attens_energy列表中的所有numpy数组连接起来，并转换为一维数组train_energy。#将attens_energy列表中的所有numpy数组连接起来，并转换为一维数组test_energy。#从data_provider函数获取数据集合和数据加载器，并提供标志（train，val，test）#将test_labels列表中的所有数组连接起来，并转换为一维数组test_labels。#将train_energy、test_energy列表中的数组连接起来，]]></description><category></category></item><item><title><![CDATA[时间序列（Time-Series）exp_classification.py脚本解析]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135755486</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135755486</guid><author>qq_33712422</author><pubDate>Mon, 22 Jan 2024 18:35:46 +0800</pubDate><description><![CDATA[将数据的数据类型转化为浮点型，加载到GPU或CPU。#早起停止函数，避免过拟合 patience 容忍升高次数。#将转化为浮点型的数据加载到cpu或gpu。#早起停止函数，避免过拟合 patience 容忍升高次数。#将转化为浮点型的数据加载到cpu或gpu。#验证方法，通过计算模型验证的误差来评估模型性能。#验证方法，通过计算模型验证的误差来评估模型性能。#将模型中的梯度设置为0。#计算当前梯度，反向传播。#根据梯度更新网络参数。#关闭梯度计算，节省内存和计算资源。#关闭梯度计算，节省内存和计算资源。]]></description><category></category></item><item><title><![CDATA[nilmtk环境安装]]></title><link>https://blog.youkuaiyun.com/qq_33712422/article/details/135293383</link><guid>https://blog.youkuaiyun.com/qq_33712422/article/details/135293383</guid><author>qq_33712422</author><pubDate>Fri, 29 Dec 2023 16:28:08 +0800</pubDate><description><![CDATA[nilmtk环境安装]]></description><category></category></item></channel></rss>