from data_provider.data_factory import data_provider
from exp.exp_basic import Exp_Basic
from utils.tools import EarlyStopping, adjust_learning_rate, visual
from utils.metrics import metric
import torch
import torch.nn as nn
from torch import optim
import os
import time
import warnings
import numpy as np
warnings.filterwarnings('ignore')
#定义类，，并继承基类Exp_Basic
class Exp_Imputation(Exp_Basic):
? ? #结构函数-类的初始化
? ? def __init__(self, args):
? ? ? ? super(Exp_Imputation, self).__init__(args)
? ? #创建模型
? ? def _build_model(self):
? ? ? ? model = self.model_dict[self.args.model].Model(self.args).float()
? ? ? ? #若是使用多gpu且gpu可用，使用DataParallel打包model
? ? ? ? if self.args.use_multi_gpu and self.args.use_gpu:
? ? ? ? ? ? model = nn.DataParallel(model, device_ids=self.args.device_ids)
? ? ? ? return model
? ? #获取数据集的方法
? ? 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
? ? #选择损失函数的方法
? ? def _select_criterion(self):
? ? ? ? criterion = nn.MSELoss()
? ? ? ? return criterion
? ? #定义验证方法
? ? def vali(self, vali_data, vali_loader, criterion):
? ? ? ? total_loss = []
? ? ? ? #切换为评估模式
? ? ? ? self.model.eval()
? ? ? ? #开启上下文管理器，关闭梯度计算，节省内存和计算资源
? ? ? ? with torch.no_grad():
? ? ? ? ? ? #为每个批次的数据执行模型预测
? ? ? ? ? ? for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) 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)
? ? ? ? ? ? ? ? batch_x_mark = batch_x_mark.float().to(self.device)
? ? ? ? ? ? ? ? # random mask
? ? ? ? ? ? ? ? B, T, N = batch_x.shape
? ? ? ? ? ? ? ? """
? ? ? ? ? ? ? ? B = batch size
? ? ? ? ? ? ? ? T = seq len
? ? ? ? ? ? ? ? N = number of features
? ? ? ? ? ? ? ? """
? ? ? ? ? ? ? ? mask = torch.rand((B, T, N)).to(self.device)
? ? ? ? ? ? ? ? mask[mask <= self.args.mask_rate] = 0 ?# masked
? ? ? ? ? ? ? ? mask[mask > self.args.mask_rate] = 1 ?# remained
? ? ? ? ? ? ? ? inp = batch_x.masked_fill(mask == 0, 0)
? ? ? ? ? ? ? ? outputs = self.model(inp, batch_x_mark, None, None, mask)
? ? ? ? ? ? ? ? #根据特征选择输出结果
? ? ? ? ? ? ? ? f_dim = -1 if self.args.features == 'MS' else 0
? ? ? ? ? ? ? ? outputs = outputs[:, :, f_dim:]
? ? ? ? ? ? ? ? pred = outputs.detach().cpu()
? ? ? ? ? ? ? ? true = batch_x.detach().cpu()
? ? ? ? ? ? ? ? mask = mask.detach().cpu()
? ? ? ? ? ? ? ? #通过预测值、真实值计算损失函数
? ? ? ? ? ? ? ? loss = criterion(pred[mask == 0], true[mask == 0])
? ? ? ? ? ? ? ? #将loss添加total_loss列表
? ? ? ? ? ? ? ? total_loss.append(loss)
? ? ? ? #计算total_loss列表均值?
? ? ? ? total_loss = np.average(total_loss)
? ? ? ? #将模型切换成训练模型
? ? ? ? self.model.train()
? ? ? ? return total_loss
? ? def train(self, setting):
? ? ? ? #获取数据
? ? ? ? train_data, train_loader = self._get_data(flag='train')
? ? ? ? vali_data, vali_loader = self._get_data(flag='val')
? ? ? ? test_data, test_loader = self._get_data(flag='test')
? ? ? ? #创建模型存储文件
? ? ? ? path = os.path.join(self.args.checkpoints, setting)
? ? ? ? if not os.path.exists(path):
? ? ? ? ? ? os.makedirs(path)
? ? ? ? #获取时间戳
? ? ? ? time_now = time.time()
? ? ? ? #训练步长
? ? ? ? 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，这里选择的是MSELoss（均方误差损失）
? ? ? ? criterion = self._select_criterion()
? ? ? ? #根据训练次数循环
? ? ? ? for epoch in range(self.args.train_epochs):
? ? ? ? ? ? iter_count = 0
? ? ? ? ? ? train_loss = []
? ? ? ? ? ? #设置为训练模式
? ? ? ? ? ? self.model.train()
? ? ? ? ? ? #训练开始时间
? ? ? ? ? ? epoch_time = time.time()
? ? ? ? ? ? #从训练数据集中加载每个样本数据
? ? ? ? ? ? for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader):
? ? ? ? ? ? ? ? iter_count += 1
? ? ? ? ? ? ? ? #模型参数梯度值选择为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)
? ? ? ? ? ? ? ? batch_x_mark = batch_x_mark.float().to(self.device)
? ? ? ? ? ? ? ? # random mask
? ? ? ? ? ? ? ? #创建随机掩码用于弥补缺失数据
? ? ? ? ? ? ? ? B, T, N = batch_x.shape
? ? ? ? ? ? ? ? mask = torch.rand((B, T, N)).to(self.device)
? ? ? ? ? ? ? ? mask[mask <= self.args.mask_rate] = 0 ?# masked ?#被掩盖
? ? ? ? ? ? ? ? mask[mask > self.args.mask_rate] = 1 ?# remained ?#保留
? ? ? ? ? ? ? ? inp = batch_x.masked_fill(mask == 0, 0)
? ? ? ? ? ? ? ? #使用模型进行预测
? ? ? ? ? ? ? ? outputs = self.model(inp, batch_x_mark, None, None, mask)
? ? ? ? ? ? ? ? #根据特征选择输出维度
? ? ? ? ? ? ? ? f_dim = -1 if self.args.features == 'MS' else 0
? ? ? ? ? ? ? ? outputs = outputs[:, :, f_dim:]
? ? ? ? ? ? ? ? #计算损失函数，并添加到train_loss列表
? ? ? ? ? ? ? ? loss = criterion(outputs[mask == 0], batch_x[mask == 0])
? ? ? ? ? ? ? ? train_loss.append(loss.item())
? ? ? ? ? ? ? ? #打印训练信息
? ? ? ? ? ? ? ? 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()
? ? ? ? ? ? ? ? #反向传播和优化步骤
? ? ? ? ? ? ? ? loss.backward()
? ? ? ? ? ? ? ? model_optim.step()
? ? ? ? ? ? print("Epoch: {} cost time: {}".format(epoch + 1, time.time() - epoch_time))
? ? ? ? ? ? train_loss = np.average(train_loss)
? ? ? ? ? ? #运行验证集和测试集
? ? ? ? ? ? vali_loss = self.vali(vali_data, vali_loader, criterion)
? ? ? ? ? ? test_loss = self.vali(test_data, test_loader, criterion)
? ? ? ? ? ? #打印损失信息
? ? ? ? ? ? print("Epoch: {0}, Steps: {1} | Train Loss: {2:.7f} Vali Loss: {3:.7f} Test Loss: {4:.7f}".format(
? ? ? ? ? ? ? ? epoch + 1, train_steps, train_loss, vali_loss, test_loss))
? ? ? ? ? ? #应用早停
? ? ? ? ? ? early_stopping(vali_loss, self.model, path)
? ? ? ? ? ? if early_stopping.early_stop:
? ? ? ? ? ? ? ? print("Early stopping")
? ? ? ? ? ? ? ? break
? ? ? ? ? ? #调整学习度
? ? ? ? ? ? adjust_learning_rate(model_optim, epoch + 1, self.args)
? ? ? ? #加载最佳模型的状态
? ? ? ? best_model_path = path + '/' + 'checkpoint.pth'
? ? ? ? self.model.load_state_dict(torch.load(best_model_path))
? ? ? ? return self.model
? ? #定义测试方法
? ? def test(self, setting, test=0):
? ? ? ? #获取测试数据
? ? ? ? test_data, test_loader = self._get_data(flag='test')
? ? ? ? #如果测试为真，加载模型状态
? ? ? ? if test:
? ? ? ? ? ? print('loading model')
? ? ? ? ? ? self.model.load_state_dict(torch.load(os.path.join('./checkpoints/' + setting, 'checkpoint.pth')))
? ? ? ? preds = []
? ? ? ? trues = []
? ? ? ? masks = []
? ? ? ? folder_path = './test_results/' + setting + '/'
? ? ? ? if not os.path.exists(folder_path):
? ? ? ? ? ? os.makedirs(folder_path)
? ? ? ? #切换评估模式
? ? ? ? self.model.eval()
? ? ? ? #开启上下文管理器，关闭梯度计算，节省内存和计算资源
? ? ? ? with torch.no_grad():
? ? ? ? ? ? #从训练数据集中加载每个样本数据
? ? ? ? ? ? for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) 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)
? ? ? ? ? ? ? ? batch_x_mark = batch_x_mark.float().to(self.device)
? ? ? ? ? ? ? ? # random mask
? ? ? ? ? ? ? ? #创建随机掩码用于弥补缺失数据
? ? ? ? ? ? ? ? B, T, N = batch_x.shape
? ? ? ? ? ? ? ? mask = torch.rand((B, T, N)).to(self.device)
? ? ? ? ? ? ? ? mask[mask <= self.args.mask_rate] = 0 ?# masked ?#被掩盖
? ? ? ? ? ? ? ? mask[mask > self.args.mask_rate] = 1 ?# remained ?#保留
? ? ? ? ? ? ? ? inp = batch_x.masked_fill(mask == 0, 0)
? ? ? ? ? ? ? ? # imputation
? ? ? ? ? ? ? ? #使用模型进行预测
? ? ? ? ? ? ? ? outputs = self.model(inp, batch_x_mark, None, None, mask)
? ? ? ? ? ? ? ? # eval
? ? ? ? ? ? ? ? #根据特征选择输出维度
? ? ? ? ? ? ? ? f_dim = -1 if self.args.features == 'MS' else 0
? ? ? ? ? ? ? ? outputs = outputs[:, :, f_dim:]
? ? ? ? ? ? ? ? outputs = outputs.detach().cpu().numpy()
? ? ? ? ? ? ? ? pred = outputs
? ? ? ? ? ? ? ? true = batch_x.detach().cpu().numpy()
? ? ? ? ? ? ? ? #讲这些预测、真实、掩码、标签添加到之前初始化的列表中
? ? ? ? ? ? ? ? preds.append(pred)
? ? ? ? ? ? ? ? trues.append(true)
? ? ? ? ? ? ? ? masks.append(mask.detach().cpu())
? ? ? ? ? ? ? ? #每20批次，执行以下代码块
? ? ? ? ? ? ? ? if i % 20 == 0:
? ? ? ? ? ? ? ? ? ? filled = true[0, :, -1].copy()
? ? ? ? ? ? ? ? ? ? filled = filled * mask[0, :, -1].detach().cpu().numpy() + \
? ? ? ? ? ? ? ? ? ? ? ? ? ? ?pred[0, :, -1] * (1 - mask[0, :, -1].detach().cpu().numpy())
? ? ? ? ? ? ? ? ? ? #将true数据和pred的最后一维拼接起来，存储
? ? ? ? ? ? ? ? ? ? visual(true[0, :, -1], filled, os.path.join(folder_path, str(i) + '.pdf'))
? ? ? ? #将preds、trues、masks分别拼接起来
? ? ? ? preds = np.concatenate(preds, 0)
? ? ? ? trues = np.concatenate(trues, 0)
? ? ? ? masks = np.concatenate(masks, 0)
? ? ? ? print('test shape:', preds.shape, trues.shape)
? ? ? ? # result save
? ? ? ? # 创建结果路径
? ? ? ? folder_path = './results/' + setting + '/'
? ? ? ? if not os.path.exists(folder_path):
? ? ? ? ? ? os.makedirs(folder_path)
? ? ? ? #输出各个评估参数
? ? ? ? mae, mse, rmse, mape, mspe = metric(preds[masks == 0], trues[masks == 0])
? ? ? ? print('mse:{}, mae:{}'.format(mse, mae))
? ? ? ? f = open("result_imputation.txt", 'a')
? ? ? ? f.write(setting + " ?\n")
? ? ? ? f.write('mse:{}, mae:{}'.format(mse, mae))
? ? ? ? f.write('\n')
? ? ? ? f.write('\n')
? ? ? ? f.close()
? ? ? ? np.save(folder_path + 'metrics.npy', np.array([mae, mse, rmse, mape, mspe]))
? ? ? ? np.save(folder_path + 'pred.npy', preds)
? ? ? ? np.save(folder_path + 'true.npy', trues)
? ? ? ? return
?