from data_provider.data_factory import data_provider
from exp.exp_basic import Exp_Basic
from utils.tools import EarlyStopping, adjust_learning_rate, cal_accuracy
import torch
import torch.nn as nn
from torch import optim
import os
import time
import warnings
import numpy as np
import pdb
warnings.filterwarnings('ignore')
class Exp_Classification(Exp_Basic):
? ? def __init__(self, args):
? ? ? ? super(Exp_Classification, self).__init__(args)
? ? #创建模型
? ? def _build_model(self):
? ? ? ? # model input depends on data
? ? ? ?
? ? ? ? train_data, train_loader = self._get_data(flag='TRAIN')
? ? ? ? test_data, test_loader = self._get_data(flag='TEST')
? ? ? ? self.args.seq_len = max(train_data.max_seq_len, test_data.max_seq_len)
? ? ? ? self.args.pred_len = 0
? ? ? ? self.args.enc_in = train_data.feature_df.shape[1]
? ? ? ? self.args.num_class = len(train_data.class_names)
? ? ? ? # model init
? ? ? ? model = self.model_dict[self.args.model].Model(self.args).float()
? ? ? ? if self.args.use_multi_gpu and self.args.use_gpu:
? ? ? ? ? ? model = nn.DataParallel(model, device_ids=self.args.device_ids)
? ? ? ? return model
? ? #获取数据
? ? def _get_data(self, flag):
? ? ? ? data_set, data_loader = data_provider(self.args, flag)
? ? ? ? return data_set, data_loader
? ? #选择优化器
? ? def _select_optimizer(self):
? ? ? ? model_optim = optim.Adam(self.model.parameters(), lr=self.args.learning_rate)
? ? ? ? return model_optim
? ? #选择评估标准函数
? ? def _select_criterion(self):
? ? ? ? #交叉熵
? ? ? ? criterion = nn.CrossEntropyLoss()
? ? ? ? return criterion
? ? #验证方法，通过计算模型验证的误差来评估模型性能
? ? def vali(self, vali_data, vali_loader, criterion):
? ? ? ? total_loss = []
? ? ? ? preds = []
? ? ? ? trues = []
? ? ? ? #设置评估模式
? ? ? ? self.model.eval()
? ? ? ? #关闭梯度计算，节省内存和计算资源
? ? ? ? with torch.no_grad():
? ? ? ? ? ? for i, (batch_x, label, padding_mask) in enumerate(vali_loader):
? ? ? ? ? ? ? ? #将转化为浮点型的数据加载到cpu或gpu
? ? ? ? ? ? ? ? batch_x = batch_x.float().to(self.device)
? ? ? ? ? ? ? ? padding_mask = padding_mask.float().to(self.device)
? ? ? ? ? ? ? ? label = label.to(self.device)
? ? ? ? ? ? ? ? #传入输入数据并获取输出
? ? ? ? ? ? ? ? outputs = self.model(batch_x, padding_mask, None, None)
? ? ? ? ? ? ? ? pred = outputs.detach().cpu()
? ? ? ? ? ? ? ? loss = criterion(pred, label.long().squeeze().cpu())
? ? ? ? ? ? ? ? #将loss添加total_loss列表
? ? ? ? ? ? ? ? total_loss.append(loss)
? ? ? ? ? ? ? ? preds.append(outputs.detach())
? ? ? ? ? ? ? ? trues.append(label)
? ? ? ? #计算total_loss列表均值
? ? ? ? total_loss = np.average(total_loss)
? ? ? ? preds = torch.cat(preds, 0)
? ? ? ? trues = torch.cat(trues, 0)
? ? ? ? probs = torch.nn.functional.softmax(preds) ?# (total_samples, num_classes) est. prob. for each class and sample
? ? ? ? predictions = torch.argmax(probs, dim=1).cpu().numpy() ?# (total_samples,) int class index for each sample
? ? ? ? trues = trues.flatten().cpu().numpy()
? ? ? ? accuracy = cal_accuracy(predictions, trues)
? ? ? ? #将模型切换成训练模型
? ? ? ? self.model.train()
? ? ? ? return total_loss, accuracy
? ? def train(self, setting):
? ? ? ? train_data, train_loader = self._get_data(flag='TRAIN')
? ? ? ? vali_data, vali_loader = self._get_data(flag='TEST')
? ? ? ? test_data, test_loader = self._get_data(flag='TEST')
? ? ? ? path = os.path.join(self.args.checkpoints, setting)
? ? ? ? if not os.path.exists(path):
? ? ? ? ? ? os.makedirs(path)
? ? ? ? #获取时间
? ? ? ? time_now = time.time()
? ? ? ? #训练长度
? ? ? ? train_steps = len(train_loader)
? ? ? ? #早起停止函数，避免过拟合 patience 容忍升高次数
? ? ? ? early_stopping = EarlyStopping(patience=self.args.patience, verbose=True)
? ? ? ? #选择优化器
? ? ? ? model_optim = self._select_optimizer()
? ? ? ? #选择损失函数，这里选择交叉熵
? ? ? ? criterion = self._select_criterion()
? ? ? ? for epoch in range(self.args.train_epochs):
? ? ? ? ? ? iter_count = 0
? ? ? ? ? ? train_loss = []
? ? ? ? ? ? #选择训练模式
? ? ? ? ? ? self.model.train()
? ? ? ? ? ? epoch_time = time.time()
? ? ? ? ? ? #加载训练数据
? ? ? ? ? ? for i, (batch_x, label, padding_mask) in enumerate(train_loader):
? ? ? ? ? ? ? ? iter_count += 1
? ? ? ? ? ? ? ? #将模型中的梯度设置为0
? ? ? ? ? ? ? ? model_optim.zero_grad()
? ? ? ? ? ? ? ? #将转化为浮点型的数据加载到cpu或gpu
? ? ? ? ? ? ? ? batch_x = batch_x.float().to(self.device)
? ? ? ? ? ? ? ? padding_mask = padding_mask.float().to(self.device)
? ? ? ? ? ? ? ? label = label.to(self.device)
? ? ? ? ? ? ? ? outputs = self.model(batch_x, padding_mask, None, None)
? ? ? ? ? ? ? ? loss = criterion(outputs, label.long().squeeze(-1))
? ? ? ? ? ? ? ? train_loss.append(loss.item())
? ? ? ? ? ? ? ? if (i + 1) % 100 == 0:
? ? ? ? ? ? ? ? ? ? print("\titers: {0}, epoch: {1} | loss: {2:.7f}".format(i + 1, epoch + 1, loss.item()))
? ? ? ? ? ? ? ? ? ? speed = (time.time() - time_now) / iter_count
? ? ? ? ? ? ? ? ? ? left_time = speed * ((self.args.train_epochs - epoch) * train_steps - i)
? ? ? ? ? ? ? ? ? ? print('\tspeed: {:.4f}s/iter; left time: {:.4f}s'.format(speed, left_time))
? ? ? ? ? ? ? ? ? ? iter_count = 0
? ? ? ? ? ? ? ? ? ? time_now = time.time()
? ? ? ? ? ? ? ? #计算当前梯度，反向传播
? ? ? ? ? ? ? ? loss.backward()
? ? ? ? ? ? ? ? nn.utils.clip_grad_norm_(self.model.parameters(), max_norm=4.0)
? ? ? ? ? ? ? ? #根据梯度更新网络参数
? ? ? ? ? ? ? ? model_optim.step()
? ? ? ? ? ? print("Epoch: {} cost time: {}".format(epoch + 1, time.time() - epoch_time))
? ? ? ? ? ? #计算train_loss列表均值
? ? ? ? ? ? train_loss = np.average(train_loss)
? ? ? ? ? ? #验证方法，通过计算模型验证的误差来评估模型性能
? ? ? ? ? ? vali_loss, val_accuracy = self.vali(vali_data, vali_loader, criterion)
? ? ? ? ? ? test_loss, test_accuracy = self.vali(test_data, test_loader, criterion)
? ? ? ? ? ? print(
? ? ? ? ? ? ? ? "Epoch: {0}, Steps: {1} | Train Loss: {2:.3f} Vali Loss: {3:.3f} Vali Acc: {4:.3f} Test Loss: {5:.3f} Test Acc: {6:.3f}"
? ? ? ? ? ? ? ? .format(epoch + 1, train_steps, train_loss, vali_loss, val_accuracy, test_loss, test_accuracy))
? ? ? ? ? ? #早起停止函数，避免过拟合 patience 容忍升高次数
? ? ? ? ? ? early_stopping(-val_accuracy, self.model, path)
? ? ? ? ? ? if early_stopping.early_stop:
? ? ? ? ? ? ? ? print("Early stopping")
? ? ? ? ? ? ? ? break
? ? ? ? ? ? if (epoch + 1) % 5 == 0:
? ? ? ? ? ? ? ? adjust_learning_rate(model_optim, epoch + 1, self.args)
? ? ? ? #加载训练模型
? ? ? ? best_model_path = path + '/' + 'checkpoint.pth'
? ? ? ? self.model.load_state_dict(torch.load(best_model_path))
? ? ? ? return self.model
? ? def test(self, setting, test=0):
? ? ? ? test_data, test_loader = self._get_data(flag='TEST')
? ? ? ? if test:
? ? ? ? ? ? print('loading model')
? ? ? ? ? ? self.model.load_state_dict(torch.load(os.path.join('./checkpoints/' + setting, 'checkpoint.pth')))
? ? ? ? preds = []
? ? ? ? trues = []
? ? ? ? #检测是否已经创建文件路径，未存在路径则创建该文件
? ? ? ? folder_path = './test_results/' + setting + '/'
? ? ? ? if not os.path.exists(folder_path):
? ? ? ? ? ? os.makedirs(folder_path)
? ? ? ? #设置评估模型
? ? ? ? self.model.eval()
? ? ? ? #关闭梯度计算，节省内存和计算资源
? ? ? ? with torch.no_grad():
? ? ? ? ? ? #迭代测试数据加载器，每次迭代添加数据标签
? ? ? ? ? ? for i, (batch_x, label, padding_mask) in enumerate(test_loader):
? ? ? ? ? ? ? ? #将数据的数据类型转化为浮点型，加载到GPU或CPU
? ? ? ? ? ? ? ? batch_x = batch_x.float().to(self.device)
? ? ? ? ? ? ? ? padding_mask = padding_mask.float().to(self.device)
? ? ? ? ? ? ? ? label = label.to(self.device)
? ? ? ? ? ? ? ? #根据模型计算
? ? ? ? ? ? ? ? outputs = self.model(batch_x, padding_mask, None, None)
? ? ? ? ? ? ? ? preds.append(outputs.detach())
? ? ? ? ? ? ? ? trues.append(label)
? ? ? ??
? ? ? ? preds = torch.cat(preds, 0)
? ? ? ? trues = torch.cat(trues, 0)
? ? ? ? print('test shape:', preds.shape, trues.shape)
? ? ? ? probs = torch.nn.functional.softmax(preds) ?# (total_samples, num_classes) est. prob. for each class and sample
? ? ? ? predictions = torch.argmax(probs, dim=1).cpu().numpy() ?# (total_samples,) int class index for each sample
? ? ? ? trues = trues.flatten().cpu().numpy()
? ? ? ? #准确率计算
? ? ? ? accuracy = cal_accuracy(predictions, trues)
? ? ? ? # result save
? ? ? ? folder_path = './results/' + setting + '/'
? ? ? ? if not os.path.exists(folder_path):
? ? ? ? ? ? os.makedirs(folder_path)
? ? ? ? #准确率打印存储
? ? ? ? print('accuracy:{}'.format(accuracy))
? ? ? ? file_name='result_classification.txt'
? ? ? ? f = open(os.path.join(folder_path,file_name), 'a')
? ? ? ? f.write(setting + " ?\n")
? ? ? ? f.write('accuracy:{}'.format(accuracy))
? ? ? ? f.write('\n')
? ? ? ? f.write('\n')
? ? ? ? f.close()
? ? ? ? return
?