文件名称：UnsupervisedScalableRepresentationLearningTimeSeries:多元时间序列的无监督可扩展表示学习
文件大小：2.91MB
文件格式：ZIP
更新时间：2024-06-02 05:59:49
machine-learning deep-learning time-series pytorch neural-networks
多元时间序列的无监督可扩展表示学习-代码 这是与针对“多元时间序列的无监督可伸缩表示学习”（Jean-Yves Franceschi，Aymeric Dieuleveut和Martin Jaggi）进行的实验相对应的代码。 在NeurIPS 2019上发表。在ICLR 2019的上介绍了以前的版本。 要求 使用以下适用于Python 3.6的软件包版本进行了实验： Numpy（ numpy ）v1.15.2; Matplotlib（ matplotlib ）v3.0.0; 橙色（ Orange ）v3.18.0; 熊猫（ pandas ）v0.23.4; 用于多元时间序列的python-weka-wrapper3 v0.1.6（需要Oracle JDK 8或OpenJDK 8）； PyTorch（ torch ）v0.4.1与CUDA 9.0; Scikit学习（ skl
【文件预览】：
UnsupervisedScalableRepresentationLearningTimeSeries-master
----cd.ipynb(3KB)
----results_uea.csv(1KB)
----default_hyperparameters.json(329B)
----README.md(5KB)
----sparse_labeling.ipynb(31KB)
----networks()
--------causal_cnn.py(8KB)
--------lstm.py(2KB)
--------__init__.py(1022B)
----combine_uea.py(6KB)
----LICENSE(11KB)
----HouseholdPowerConsumption.ipynb(247KB)
----results_sparse_labeling_TwoPatterns.csv(1KB)
----utils.py(2KB)
----models()
--------CricketX_hyperparameters.json(297B)
--------CricketX_CausalCNN_encoder.pth(1.9MB)
--------CricketX_CausalCNN_classifier.pkl(918KB)
----transfer_ucr.py(3KB)
----uea.py(8KB)
----losses()
--------triplet_loss.py(14KB)
--------__init__.py(1022B)
----ucr.py(8KB)
----scikit_wrappers.py(29KB)
----stat_plots.ipynb(70KB)
----NOTICE(595B)
----results_ucr.csv(10KB)
----combine_ucr.py(6KB)