इस प्रोजेक्ट के बारे में

PyTorch Forecasting एक ओपन-सोर्स, MIT-लाइसेंस प्राप्त पैकेज है जो अत्याधुनिक डीप लर्निंग आर्किटेक्चर का उपयोग करके समय श्रृंखला पूर्वानुमान के लिए है। यह PyTorch और PyTorch Lightning पर बनाया गया है, इसलिए प्रशिक्षण CPU, एक GPU, या स्वचालित लॉगिंग के साथ कई GPU पर चलाया जा सकता है। यह प्रोजेक्ट वास्तविक दुनिया के अनुप्रयोगों और अनुसंधान दोनों को लक्षित करता है। इसका घोषित लक्ष्य पेशेवरों के लिए अधिकतम लचीलेपन और शुरुआती लोगों के लिए उपयुक्त डिफ़ॉल्ट सेटिंग्स के साथ एक उच्च-स्तरीय API है। README में वर्णित प्रमुख घटक: - एक समय श्रृंखला डेटासेट क्लास जो चर रूपांतरण, अनुपलब्ध मानों, यादृच्छिक सबसैंपलिंग, और कई इतिहास लंबाई को एब्स्ट्रैक्ट करती है। - एक आधार मॉडल क्लास जो समय श्रृंखला मॉडलों का बुनियादी प्रशिक्षण, TensorBoard लॉगिंग, और वास्तविक बनाम पूर्वानुमान तथा निर्भरता प्लॉट जैसी सामान्य विज़ुअलाइज़ेशन प्रदान करती है। - वास्तविक दुनिया में तैनाती के लिए उन्नत कई न्यूरल नेटवर्क आर्किटेक्चर, जिनमें अंतर्निहित व्याख्या क्षमताएँ हैं। - बहु-क्षितिज समय श्रृंखला मेट्रिक्स। - optuna के साथ हाइपरपैरामीटर ट्यूनिंग। उपलब्ध मॉडलों में Temporal Fusion Transformer, N-BEATS, N-HiTS, DeepAR, और PatchTST शामिल हैं, साथ ही LSTM, GRU, एक MLP डिकोडर, और एक नैव लेटेस्ट-वैल्यू प्रेडिक्टर जैसे सरल बेसलाइन भी हैं। दस्तावेज़ीकरण मॉडलों की तुलना प्रदान करता है। एक ट्यूटोरियल बताता है कि नए मॉडल और कस्टम घटक कैसे लागू करें। इंस्टॉलेशन pip (`pip install pytorch-forecasting`) या conda-forge से conda के माध्यम से किया जाता है। Windows पर, PyTorch को पहले इंस्टॉल करना होगा। एक वैकल्पिक अतिरिक्त इंस्टॉल MQF2 मल्टीवेरिएट क्वांटाइल लॉस को इंस्टॉल करता है। उपयोग pandas DataFrames को TimeSeriesDataSet में परिवर्तित करने पर केंद्रित है, जिसके लिए लक्ष्य, एक समय श्रृंखला ID, और एक नीरस रूप से बढ़ता समय सूचकांक के लिए कॉलम आवश्यक हैं। डेटासेट एनकोडर और पूर्वानुमान लंबाई तथा स्थिर, ज्ञात, और अज्ञात सहचर निर्धारित करता है। सत्यापन डेटासेट प्रशिक्षण डेटासेट से बनाए जा सकते हैं ताकि सामान्यीकरण का पुनः उपयोग किया जा सके। डेटासेट को डेटालोडर में परिवर्तित किया जाता है, और मॉडलों को PyTorch Lightning Trainer के साथ प्रशिक्षित किया जाता है, जिसमें अर्ली स्टॉपिंग, लर्निंग रेट मॉनिटरिंग, और Lightning Tuner के माध्यम से लर्निंग रेट फाइंडिंग शामिल है। README दस्तावेज़ीकरण, ट्यूटोरियल, रिलीज़ नोट्स, एक Discord समुदाय, और एक Towards Data Science लेख के लिंक प्रदान करता है। इस प्रोजेक्ट को GC.OS प्रायोजित प्रोजेक्ट के रूप में वर्णित किया गया है।