Informer论文：https://arxiv.org/pdf/2012.07436.pdfInformer源码：GitHub-zhouhaoyi/Informer2020:TheGitHubrepositoryforthepaper"Informer"acceptedbyAAAI2021.Transformer笔记：《AttentionIsAllYouNeed》_郑烯烃快去学习的博客-CSDN博客目录0x01Transformer存在的问题0x02Informer研究背景0x03Informer整体架构（一）ProbSparseSelf-attention（二）Self-attention
原始题目：Informer:BeyondEfficientTransformerforLongSequenceTime-SeriesForecasting中文翻译：Informer:超越有效变换器进行长序列时间序列预测发表时间：2021-05-18平台：ProceedingsoftheAAAIConferenceonArtificialIntelligence文章链接：https://ojs.aaai.org/index.php/AAAI/article/view/17325开源代码：https://github.com/zhouhaoyi/Informer2020摘要许多现实世界的应用都需要
本文分析k8scontroller中informer启动的基本流程不论是k8s自身组件，还是自己编写controller，都需要通过apiserver监听etcd事件来完成自己的控制循环逻辑。如何高效可靠进行事件监听，k8s客户端工具包client-go提供了一个通用的informer包，通过informer，可以方便和高效的进行controller开发。informer包提供了如下的一些功能：1、本地缓存(store)2、索引机制(indexer)3、Handler注册功能(eventHandler)1、informer架构整个informer机制架构如下图（图片源自Client-go）:图
开源项目说明读完代码解析篇，我们针对开源项目中的模型预测方法做一下介绍。作者在Github上给出了模型预测方法以及Q、K图的做法，这里提供下载链接首先，在不更改任何参数的情况下跑完代码，会在项目文件夹中生成两个子文件夹checkpoints文件夹中包含训练完成的模型，后缀名为.pth，该模型文件包含完整的模型架构与各层权重，可以通过torch.load函数加载模型results文件夹中包含metrics.npy、pred.npy、true.npy三个文件，pred.npy表示模型预测值，true.npy表示序列真实值我们可以先将pred.npy与true.npy文件作图进行对比，观察模型效果s
一、安装Anaconda1.下载Anaconda安装包去官网 https://www.anaconda.com/download下载适合自己操作系统的Anaconda安装包。（以Windows为例）2.安装Anaconda双击下载后的“Anaconda3-2023.09-0-Windows-x86_64.exe”，进行安装。点击“Next”。 选择安装路径，最好选择C盘以外的路径。选择“安装选项”，根据自己的需求选择。附中文解释。Createstartshortcuts(supportedpackagesonly).创建开始快捷方式(仅支持包)。AddAnaconda3tomyPATHenvi
目录informer相关模型数据集划分模型参数跑通自定义数据集预测结果可视化informer相关论文：https://arxiv.org/abs/2012.07436感谢论文作者对AI科学做出的贡献，才能像我这种普通人能有机会接触这么nice的文章。作者的github：GitHub-zhouhaoyi/Informer2020:TheGitHubrepositoryforthepaper"Informer"acceptedbyAAAI2021.模型数据集划分假设数据维度是317天的数据，滑动窗口为120天预测未来20天数据，num_train=221，num_test=63，num_vali=
Informer模型是一种用于时间序列预测的深度学习模型，由中国科学院自动化研究所的研究团队提出。与传统的RNN、LSTM、GRU等模型不同，Informer模型采用了一种新的注意力机制，能够很好地处理长期依赖和序列中的缺失值。Informer模型的主要特点包括：多尺度时间编码器和解码器：Informer模型采用了一种多尺度时间编码器和解码器的结构，可以同时考虑不同时间尺度上的信息。自适应长度的注意力机制：Informer模型采用了一种自适应长度的注意力机制，可以根据序列长度自动调整注意力范围，从而很好地处理长序列。门控卷积单元：Informer模型采用了一种新的门控卷积单元，可以减少模型中的
针对Informer中时序数据ETT油温数据分析油温数据介绍数据问题介绍数据分析油温数据介绍电力变压器油温数据，由国家电网提供，该数据集是来自中国同一个省的两个不同县的变压器数据，时间跨度为2年，原始数据每分钟记录一次（用m标记），每个数据集包含2年*365天*24小时*60分钟=1,051,200数据点。由于数据量的庞大，将数据粒度改为每15分钟1个数据点，记为ETTm1、ETTm2，或一个小时级别粒度的数据集变体使用（用h标记），记为ETTh1、ETTh2。每个数据点均包含8维特征，包括数据点记录日期，预测目标值oiltemperature和6个不同类型功率负载特征。数据问题介绍电力分配问
目录AAAI2021最佳论文：比Transformer更有效的长时间序列预测BackgroundWhyattention编辑编辑编辑Methods:thedetailsofInformerSolve_Challenge_1:最基本的一个思路就是降低Attention的计算量，仅计算一些非常重要的或者说有代表性的Attention即可，一些相近的思路在近期不断的提出，比如Sparse-Attention，这个方法涉及了稀疏化Attention的操作，来减少Attention计算量，然后涉及的呈log分部的稀疏化方法，LogSparse-Attention更大程度上减小Attention计算
代码解析参考资料建议大家在阅读前有一定Transformer模型基础，可以先看看Transformer论文，论文下载链接阅读Informer时序模型论文，重点关注作者针对Transformer模型做了哪些改进，论文下载链接Informer时序模型Github地址，数据没有包含在项目中，需要自行下载，这里提供下载地址(包含代码文件和数据)参数设定模块(main_informer)值得注意的是'--model'、'--data'参数需要去掉required参数，否则运行代码可能会报'--model'、'--data'错误修改完参数后运行该模块，保证代码运行不报错的情况下进行debug参数含义下面是
