运行 informer的主文件
import argparse
import os
import torchfrom exp.exp_informer import Exp_Informer1 参数
parser.add_argument的这些
| 参数名称 | 参数描述 |
| model | 实验模型。可以设置为informer、informerstack、informerlight(TBD) |
| data | 数据集名称 |
| root_path | 数据文件的根路径（默认为./data/ETT/） |
| data_path | 数据文件名称（默认为ETTh1.csv） |
| features | 预测任务（默认为M）。可以设置为M、S、MS （M：多变量预测多变量，S：单变量预测单变量，MS：多变量预测单变量） |
| target | S或MS任务中的目标特征（默认为OT） |
| freq | 时间特征编码的频率（默认为h） 可以设置为s（秒）、t（分钟）、h（小时）、d（日）、b（工作日）、w（周）、m（月）。也可以使用更详细的频率，如15min或3h |
| checkpoints | 模型检查点的位置（默认为./checkpoints/） |
| seq_len | Informer编码器的输入序列长度（默认为96） |
| label_len | Informer解码器的起始标记长度（默认为48） |
| pred_len | 预测序列长度（默认为24） |
| enc_in | 编码器输入大小（默认为7） |
| dec_in | 解码器输入大小（默认为7） |
| c_out | 输出大小（默认为7） |
| d_model | 模型的维度（默认为512） |
| n_heads | 头的数量（默认为8） |
| e_layers | 编码器层的数量（默认为2） |
| d_layers | 解码器层的数量（默认为1） |
| s_layers | 堆叠编码器层的数量（默认为3,2,1） |
| d_ff | fcn的维度（默认为2048） |
| factor | Probsparse attn因子（默认为5） |
| padding | 填充类型（默认为0） |
| distil | 是否在编码器中使用提炼，使用此参数表示不使用提炼（默认为True） |
| dropout | 丢弃的概率（默认为0.05） |
| attn | 编码器中使用的注意力（默认为prob）。可以设置为prob（informer）、full（transformer） |
| embed | 时间特征的编码（默认为timeF）。可以设置为timeF、fixed、learned |
| activation | 激活函数（默认为gelu） |
| output_attention | 是否在编码器中输出注意力，使用此参数表示输出注意力（默认为False） |
| do_predict | 是否预测未见的未来数据，使用此参数表示进行预测（默认为False） |
| mix | 是否在生成解码器中使用混合注意力，使用此参数表示不使用混合注意力（默认为True） |
| cols | 数据文件中作为输入特征的某些列 |
| num_workers | Data loader的工作数（默认为0） |
| itr | 实验次数（默认为2） |
| train_epochs | 训练周期（默认为6） |
| batch_size | 训练输入数据的批量大小（默认为32） |
| patience | 提前停止的耐心（默认为3） |
| learning_rate | 优化器学习率（默认为0.0001） |
| des | 实验描述（默认为test） |
| loss | 损失函数（默认为mse） |
| lradj | 调整学习率的方式（默认为type1） |
| use_amp | 是否使用自动混合精度训练，使用此参数表示使用amp（默认为False） |
| inverse | 是否反转输出数据，使用此参数表示反转输出数据（默认为False） |
| use_gpu | 是否使用gpu（默认为True） |
| gpu | 用于训练和推理的gpu编号（默认为0） |
| use_multi_gpu | 是否使用多个gpu，使用此参数表示使用多个gpu（默认为False） |
| devices | 多个gpu的设备ID（默认为0,1,2,3） |
2 其他部分
2.1 GPU 相关
args = parser.parse_args()
#解析命令行参数args.use_gpu = True if torch.cuda.is_available() and args.use_gpu else False
#检查是否可以使用 GPUif args.use_gpu and args.use_multi_gpu:args.devices = args.devices.replace(' ','')device_ids = args.devices.split(',')args.device_ids = [int(id_) for id_ in device_ids]args.gpu = args.device_ids[0]#如果启用了 GPU 且设置了多 GPU 使用，代码会解析 GPU 设备 ID，并准备相应的 GPU 设置。2.2 数据集相关
data_parser = {'ETTh1':{'data':'ETTh1.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},'ETTh2':{'data':'ETTh2.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},'ETTm1':{'data':'ETTm1.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},'ETTm2':{'data':'ETTm2.csv','T':'OT','M':[7,7,7],'S':[1,1,1],'MS':[7,7,1]},'WTH':{'data':'WTH.csv','T':'WetBulbCelsius','M':[12,12,12],'S':[1,1,1],'MS':[12,12,1]},'ECL':{'data':'ECL.csv','T':'MT_320','M':[321,321,321],'S':[1,1,1],'MS':[321,321,1]},'Solar':{'data':'solar_AL.csv','T':'POWER_136','M':[137,137,137],'S':[1,1,1],'MS':[137,137,1]},
}
'''
这是一个数据解析器字典，包含不同数据集的配置信息如文件名，目标列，输入输出目标维度（M：多变量预测多变量，S：单变量预测单变量，MS：多变量预测单变量）
'''
if args.data in data_parser.keys():data_info = data_parser[args.data]args.data_path = data_info['data']args.target = data_info['T']args.enc_in, args.dec_in, args.c_out = data_info[args.features]
'''
检查输入的数据集是否在 data_parser 中定义，如果是，则从字典中获取相应的配置。数据路径、目标列、encoder输入、decoder输入、decoder输出的维度
'''2.3 设置参数
args.s_layers = [int(s_l) for s_l in args.s_layers.replace(' ','').split(',')]
#解析并设置堆叠层的数量args.detail_freq = args.freq
#将频率详细信息保存在另一个参数中args.freq = args.freq[-1:]
#频率的最后一个元素（一般是h,s,m这些）print('Args in experiment:')
print(args)2.4
Exp = Exp_Informerfor ii in range(args.itr):# 对于每次迭代，根据实验参数设置进行训练和测试。setting = '{}_{}_ft{}_sl{}_ll{}_pl{}_dm{}_nh{}_el{}_dl{}_df{}_at{}_fc{}_eb{}_dt{}_mx{}_{}_{}'.format(args.model, args.data, args.features, args.seq_len, args.label_len, args.pred_len,args.d_model, args.n_heads, args.e_layers, args.d_layers, args.d_ff, args.attn, args.factor, args.embed, args.distil, args.mix, args.des, ii)exp = Exp(args) # 使用给定参数实例化实验对象print('>>>>>>>start training : {}>>>>>>>>>>>>>>>>>>>>>>>>>>'.format(setting))exp.train(setting)print('>>>>>>>testing : {}<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<'.format(setting))exp.test(setting)#分别对模型进行训练和测试if args.do_predict:print('>>>>>>>predicting : {}<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<<'.format(setting))exp.predict(setting, True)#如果设置为进行预测，那么执行预测torch.cuda.empty_cache()
