液体时间常数网络 (LTCs)

[更新] 孪生库添加了Pytorch版本及教程：https://github.com/mlech26l/ncps

这是论文https://arxiv.org/abs/2006.04439中描述的LTC网络的官方库。该库允许您通过时间反向传播（BPTT）训练连续时间模型。可用的连续时间模型如下：

先决条件

所有模型都使用TensorFlow 1.14.0和python3在Ubuntu 16.04和18.04机器上实现和测试。以下所有步骤假设在这些条件下执行。

准备

首先，我们需要通过运行以下命令下载所有数据集：

source download_datasets.sh

该脚本会创建一个名为data的文件夹，所有下载的数据集都存储在此文件夹中。

训练和评估模型

每个数据集对应一个Python模块：

• 手势分割：gesture.py
• 房间占用检测：occupancy.py
• 人类活动识别：har.py
• 流量预测：traffic.py
• 臭氧层水平预测：ozone.py

每个脚本接受以下四个参数：

• --model: lstm | ctrnn | ltc | ltc_rk | ltc_ex
• --epochs: 训练时期数（默认为200）
• --size: 隐藏RNN单元的数量（默认为32）
• --log: 验证指标评估的间隔（默认为1）

每个脚本都会在给定的时期数下训练指定的模型，并在每个log步之后评估验证性能。 在训练结束时，将还原表现最佳的检查点并在测试集上评估模型。 所有结果都会存储在results文件夹中，并附加到CSV文件中。

例如，我们可以通过执行以下命令训练和评估CT-RNN：

python3 har.py --model ctrnn

脚本完成后，会生成一个名为results/har/ctrnn_32.csv的文件，包含以下列：

• best epoch: 达到最佳验证指标的时期编号
• train loss: 在最佳时期获得的训练损失
• train accuracy: 在最佳时期获得的训练指标
• valid loss: 在最佳时期获得的验证损失
• valid accuracy: 在训练期间获得的最佳验证指标
• test loss: 在测试集上的损失
• test accuracy: 在测试集上的指标

超参数

轨迹长度分析

运行main.m文件可获取所需设置的轨迹长度结果，这可以在代码中进行调整。