一、参数配置
# 创建解析器ArgumentParser() 对象， description = [informer] 长序列预测
parser = argparse.ArgumentParser(description='[Informer] Long Sequences Forecasting')
# 添加参数add_argument
parser.add_argument('--model', type=str, default='informer',help='model of experiment, options: [informer, informerstack, informerlight(TBD)]')
parser.add_argument('--data', type=str, default='ETTh1', help='data')
parser.add_argument('--root_path', type=str, default='./data/ETT/', help='root path of the data file')
parser.add_argument('--data_path', type=str, default='weather.csv', help='data file')
parser.add_argument('--features', type=str, default='M', help='forecasting task, options:[M, S, MS]; M:multivariate predict multivariate, S:univariate predict univariate, MS:multivariate predict univariate')
parser.add_argument('--target', type=str, default='OT', help='target feature in S or MS task')
parser.add_argument('--freq', type=str, default='h', help='freq for time features encoding, options:[s:secondly, t:minutely, h:hourly, d:daily, b:business days, w:weekly, m:monthly], you can also use more detailed freq like 15min or 3h')
parser.add_argument('--checkpoints', type=str, default='./checkpoints/', help='location of model checkpoints')
parser.add_argument('--seq_len', type=int, default=96, help='input sequence length of Informer encoder')
parser.add_argument('--label_len', type=int, default=48, help='start token length of Informer decoder')
parser.add_argument('--pred_len', type=int, default=24, help='prediction sequence length')
# Informer decoder input: concat[start token series(label_len), zero padding series(pred_len)]
parser.add_argument('--enc_in', type=int, default=7, help='encoder input size')
parser.add_argument('--dec_in', type=int, default=7, help='decoder input size')
parser.add_argument('--c_out', type=int, default=7, help='output size')
parser.add_argument('--d_model', type=int, default=512, help='dimension of model')
parser.add_argument('--n_heads', type=int, default=8, help='num of heads')
parser.add_argument('--e_layers', type=int, default=2, help='num of encoder layers')
parser.add_argument('--d_layers', type=int, default=1, help='num of decoder layers')
parser.add_argument('--s_layers', type=str, default='3,2,1', help='num of stack encoder layers')
parser.add_argument('--d_ff', type=int, default=2048, help='dimension of fcn')
parser.add_argument('--factor', type=int, default=5, help='probsparse attn factor')
parser.add_argument('--padding', type=int, default=0, help='padding type')
parser.add_argument('--distil', action='store_false', help='whether to use distilling in encoder, using this argument means not using distilling', default=True)
parser.add_argument('--dropout', type=float, default=0.05, help='dropout')
parser.add_argument('--attn', type=str, default='prob', help='attention used in encoder, options:[prob, full]')
parser.add_argument('--embed', type=str, default='timeF', help='time features encoding, options:[timeF, fixed, learned]')
parser.add_argument('--activation', type=str, default='gelu',help='activation')
parser.add_argument('--output_attention', action='store_true', help='whether to output attention in ecoder')
parser.add_argument('--do_predict', action='store_true', help='whether to predict unseen future data')
parser.add_argument('--mix', action='store_false', help='use mix attention in generative decoder', default=True)
parser.add_argument('--cols', type=str, nargs='+', help='certain cols from the data files as the input features')
parser.add_argument('--num_workers', type=int, default=0, help='data loader num workers')
parser.add_argument('--itr', type=int, default=2, help='experiments times')
parser.add_argument('--train_epochs', type=int, default=6, help='train epochs')
parser.add_argument('--batch_size', type=int, default=32, help='batch size of train input data')
parser.add_argument('--patience', type=int, default=3, help='early stopping patience')
parser.add_argument('--learning_rate', type=float, default=0.0001, help='optimizer learning rate')
parser.add_argument('--des', type=str, default='test',help='exp description')
parser.add_argument('--loss', type=str, default='mse',help='loss function')
parser.add_argument('--lradj', type=str, default='type1',help='adjust learning rate')
parser.add_argument('--use_amp', action='store_true', help='use automatic mixed precision training', default=False)
parser.add_argument('--inverse', action='store_true', help='inverse output data', default=False)
parser.add_argument('--use_gpu', type=bool, default=True, help='use gpu')
parser.add_argument('--gpu', type=int, default=0, help='gpu')
parser.add_argument('--use_multi_gpu', action='store_true', help='use multiple gpus', default=False)
parser.add_argument('--devices', type=str, default='0,1,2,3',help='device ids of multile gpus')
# 解析参数parse_args，完成参数设置，将返回值赋值给args
args = parser.parse_args()1. 添加参数方法： add_argument(...)
参数1： ‘--参数名’
参数2： type=参数的类型
参数:3： default=参数的默认值
参数4： action='store_false' /'store_true' ,指定命令行参数应当如何处理，它们的默认值分别为 True 和 False
参数5： help='对参数进行简短描述'，当用户请求帮助时（一般是通过在命令行中使用 -h 或 --help 的方式），这些 help 描述将随每个参数一同显示
参数6： nargs='N' / '+' / '*' / '?' / ,命名参数关联不同数目的命令行参数到单一动作。
*在参数配置中，调用的方法解读具体可参看：https://docs.python.org/zh-cn/3/library/argparse.html
*有default值的时候，运行时获取default值。若没有default，有action='store_false'，则运行时获取值为True，如果是store_true，则运行时获取值为False。既没有default，也没有action，则运行时获取的值为None。
2.模型中参数解释
model：模型， 通过设置此参数，可运行不同模型，可进行实验对比操作
data：数据集
root_path： 数据集存储根目录
data_path：数据集文件名
features：（预测）特征类型， 取值有M：输入多变量->输出多变量，S：输入单变量->输出单变量，MS：输入多变量->输出单变量
target：目标， 指定哪一列为标签列。
freq：频率，时序预测的采样时间间隔，取值有[s: secondly, t: minutely, h: hourly, d: daily, b: business days, w: weekly, m: monthly]
checkpoints：模型最终保存的位置
seq_len：输入encoder 的序列长度
label_len： 输入decoder 的已知序列长度
pred_len：输入decoder 的待预测序列长度，Informer decoder input: concat[start token series(label_len), zero padding series(pred_len)]，informer的特色之一
enc_in：输入 encoder的序列维度（实质上为数据集总列数-1，刨除掉标签列）
dec_in：输入 decoder的序列维度（实质上为数据集总列数-1，刨除掉标签列）
c_out：最终预测输出结果的序列维度
d_model：模型隐层特征
n_heads：informer使用多头注意力机制，设置head数量
e_layers：encoder的层数，取值为2
d_layers：decoder的层数
s_layers：堆叠encoder层数，取值为3,2,1。当取值为s_layers时，执行e_layers次encoder
d_ff：全连接层维数
factor：probsparse attention中对query查询向量的采样因子数
padding：填充
distil：“蒸馏”， 在encoder中的一种特殊操作，informer的特色之一。逐层缩小输入参数大小（每次减半），从而达到提高运行效率
dropout：在每个训练批次中,以某种概率忽略一定数量的神经元.可以明显地减少过拟合现象.
attn：注意力，可选择不同类型的注意力机制。例如，FullAttention、ProbAttention
embed：嵌入，对于时间特征序列进行何种编码操作，取值有timeF, fixed, learned
activation：激活函数，该Informer模型使用gelu激活函数
output_attention：输出注意力，是否在encoder中使用输出注意力机制，默认为false
do_predict：做预测，是否要预测未见的未来数据，默认为false
mix：混合，在生成式解码器中使用混合注意力机制，默认为true，区别于self-attention。
cols：列，nargs='+'，从数据及文件中将某些列作为输入特征
num_workers： 数据集加载对象。Windows系统默认为0， Linux系统可设置指定对象
itr：迭代， 整个实验迭代次数
train_epochs：数据训练过程的迭代次数
batch_size：数据训练过程中输入数据的批量数
patience：若一些评价指标（’acc’,’val_acc’,’loss’,’val_loss’）连续patience次没有更新，进行提前停止的操作。
例如，发现loss相比上一个epoch训练没有下降），则经过patience个epoch后停止训练
learning_rate：学习率
des：实验中具体那个阶段的描述，train、test、predict
loss：损失，指定损失函数类型
lradj：学习率衰减
use_amp：采用自动混合精度训练，默认值为false。适用于分布式，在Linux系统下可以使用
inverse：反转，对输出数据进行反转操作， 默认值为false
use_gpu：使用gpu，并行计算，默认值为true
gpu：默认值为0，单机单卡
use_multi_gpu：使用多重GPU，默认值为false
devices：，分布式情况下使用，设置卡号，默认值为'0,1,2,3'
