Блог

Я обрабатываю набор данных временных рядов с n временными интервалами, m объектами и k объектами. В результате мой вектор объектов имеет форму (n, k, m), в то время как моя целевая форма равна (n, m)

Я хочу предсказать цели для каждого временного шага и объекта, но с одинаковыми весами для каждого операционного объекта. Также моя функция потерь выглядит следующим образом.

 average_loss = loss_func(prediction, labels)
sum_loss = loss_func(sum(prediction), sum(labels))
loss = loss_weight * average_loss   (1-loss_weight) * sum_loss
 

Мой план состоит не только в том, чтобы убедиться, что я предсказываю каждый элемент как можно лучше, но и в том, чтобы сумма всех элементов была предсказана. loss_weights — это константа.

В настоящее время я делаю такое уродливое решение:

 features = local_batch.squeeze(dim = 0)
labels = torch.unsqueeze(local_labels.squeeze(dim = 0), 1)
prediction = net(features)
 

Я установил свой batchsize = 1. И сожмите его, чтобы сделать k объектов моей партией.

Моя сеть выглядит следующим образом:

 def __init__(self, n_feature, n_hidden, n_output):
    super(Net, self).__init__()
    self.hidden = torch.nn.Linear(n_feature, n_hidden)   # hidden layer
    self.predict = torch.nn.Linear(n_hidden, n_output)   # output layer

def forward(self, x):
    x = F.relu(self.hidden(x))      # activation function for hidden layer
    x = self.predict(x)             # linear output
    return x
 

Как мне убедиться, что я выполняю разумную свертку по измерению opject, чтобы сохранить одинаковые веса для всех объектов, не привязываясь к batchsize = 1? Кроме того, как мне достичь той же функции потерь, где я вычисляю потерю суммы прогноза по сравнению с целевой суммой для любой временной метки?

Это не совсем некрасиво — я бы сделал то же самое, но немного обобщил его для использования размера пакета> 1 view .

 # Using your notations
n, k, m = features.shape
features = local_batch.view(n*k, m)
prediction = net(features).view(n, k, m)
 

С предсказанием в правильной форме ( n*k*m ) реализация вашей функции потерь не должна быть сложной.