做外贸的网站有何用处,网站设计师主要做什么,做网站建设一年能赚多少,wordpress如何让导航栏浮动这是我的第351篇原创文章。 一、引言
LSTM在1990年代被提出#xff0c;用以解决循环神经网络#xff08;RNN#xff09;的梯度消失问题。LSTM在多种领域取得了成功#xff0c;但随着Transformer技术的出现#xff0c;其地位受到了挑战。如果将LSTM扩展到数十亿参数#…这是我的第351篇原创文章。 一、引言
LSTM在1990年代被提出用以解决循环神经网络RNN的梯度消失问题。LSTM在多种领域取得了成功但随着Transformer技术的出现其地位受到了挑战。如果将LSTM扩展到数十亿参数并利用现代大型语言模型LLM的技术同时克服LSTM的已知限制我们能在语言建模上走多远
论文介绍了两种新的LSTM变体sLSTM具有标量记忆和更新和mLSTM具有矩阵记忆和协方差更新规则并将它们集成到残差块中形成xLSTM架构。
sLSTM引入了指数门控和新的存储混合技术允许LSTM修订其存储决策。
mLSTM将LSTM的记忆单元从标量扩展到矩阵提高了存储容量并引入了协方差更新规则使得mLSTM可以完全并行化。
xLSTM架构通过将sLSTM和mLSTM集成到残差块中构建了xLSTM架构。 二、实现过程
2.1 加载数据
data pd.read_csv(data.csv, usecols[1], enginepython)
dataset data.values.astype(float32)
2.2 归一化处理
scaler MinMaxScaler(feature_range(0, 1))
dataset scaler.fit_transform(dataset)
2.3 划分数据集
train_size int(len(dataset) * 0.67)
test_size len(dataset) - train_size
train, test dataset[0:train_size, :], dataset[train_size:len(dataset), :]trainX, trainY create_dataset(train, seq_len)
testX, testY create_dataset(test, seq_len)# Create data loaders
train_dataset TensorDataset(trainX, trainY)
test_dataset TensorDataset(testX, testY)train_loader DataLoader(train_dataset, batch_sizebatch_size, shuffleTrue)
test_loader DataLoader(test_dataset, batch_sizebatch_size, shuffleFalse)
2.4 构建模型
models {xLSTM: xLSTM(input_size, head_size, num_heads, batch_firstTrue, layersmsm),LSTM: nn.LSTM(input_size, head_size, batch_firstTrue, proj_sizeinput_size),sLSTM: sLSTM(input_size, head_size, num_heads, batch_firstTrue),mLSTM: mLSTM(input_size, head_size, num_heads, batch_firstTrue)
}
2.5 训练模型
定义训练函数
def train_model(model, model_name, epochs20, learning_rate0.01):criterion nn.MSELoss()optimizer torch.optim.Adam(model.parameters(), lrlearning_rate)train_losses []for epoch in tqdm(range(epochs), descfTraining {model_name}):model.train()epoch_loss 0for i, (inputs, targets) in enumerate(train_loader):optimizer.zero_grad()outputs, _ model(inputs)outputs outputs[:, -1, :]loss criterion(outputs, targets)loss.backward()optimizer.step()epoch_loss loss.item()train_losses.append(epoch_loss / len(train_loader))plt.plot(train_losses, labelmodel_name)plt.title(fTraining Loss for {model_name})plt.xlabel(Epochs)plt.ylabel(MSE Loss)plt.legend()plt.show()return model, train_losses
开始训练
trained_models {}
all_train_losses {}
for model_name, model in models.items():trained_models[model_name], all_train_losses[model_name] train_model(model, model_name)
绘制所有模型的损失函数曲线
plt.figure()
for model_name, train_losses in all_train_losses.items():plt.plot(train_losses, labelmodel_name)# Plot all model losses compared
plt.title(Training Losses for all Models)
plt.xlabel(Epochs)
plt.ylabel(MSE Loss)
plt.legend()
plt.show() 2.6 预测评估
预测
def evaluate_model(model, data_loader):model.eval()predictions []with torch.no_grad():for inputs, _ in data_loader:outputs, _ model(inputs)predictions.extend(outputs[:, -1, :].numpy())return predictionstest_predictions {}
for model_name, model in trained_models.items():test_predictions[model_name] evaluate_model(model, test_loader)
预测结果可视化
# Plot predictions for each model
for model_name, preds in test_predictions.items():# Inverse transform the predictions and actual valuespreds scaler.inverse_transform(np.array(preds).reshape(-1, 1))actual scaler.inverse_transform(testY.numpy().reshape(-1, 1))plt.figure()plt.plot(actual, labelActual)plt.plot(preds, labelmodel_name Predictions)plt.title(f{model_name} Predictions vs Actual)plt.legend()plt.show()# Plot all model predictions compared
plt.figure()
plt.plot(actual, labelActual)
for model_name, preds in test_predictions.items():# Inverse transform the predictionspreds scaler.inverse_transform(np.array(preds).reshape(-1, 1))plt.plot(preds, labelmodel_name Predictions)plt.title(All Models Predictions vs Actual)
plt.legend()
plt.show()
结果 作者简介 读研期间发表6篇SCI数据挖掘相关论文现在某研究院从事数据算法相关科研工作结合自身科研实践经历不定期分享关于Python、机器学习、深度学习、人工智能系列基础知识与应用案例。致力于只做原创以最简单的方式理解和学习关注我一起交流成长。需要数据集和源码的小伙伴可以关注底部公众号添加作者微信。
