TS-TCC：时间序列表示学习通过时间与上下文对比
TS-TCC 
项目地址: https://gitcode.com/gh_mirrors/ts/TS-TCC
本教程旨在指导您了解并使用 TS-TCC，这是一个基于时间与上下文对比进行时间序列表示学习的开源项目，发表于IJCAI-21。
1. 项目目录结构及介绍
以下是TS-TCC项目的目录结构概述及其主要组件解释：
TS-TCC/
├── config_files # 配置文件夹，存储各数据集特定的配置信息
│ └── ...
├── data_preprocessing # 数据预处理脚本存放处
│ ├── sleep-edf # 睡眠数据预处理相关
│ ├── uci_har # UCI HAR数据集预处理
│ └── ...
├── data_loader.py # 数据加载器实现
├── models # 包含模型架构的文件夹
│ └── ...
├── trainer.py # 训练器的主要逻辑实现
├── utils.py # 辅助工具函数集合
├── main.py # 项目入口文件，执行训练和实验的核心脚本
├── LICENSE.txt # 项目使用的MIT许可证文件
└── README.md # 项目简介、安装指南、使用方法等详细说明文档
- config_files: 每个子配置文件对应不同的数据集，定义了训练参数。
- data_preprocessing: 提供了针对不同数据集的预处理脚本。
- main.py: 应用程序启动点，允许选择不同的训练模式和设置。
- trainer.py, models 和 utils.py: 实现核心的训练逻辑、模型定义和支持功能。
2. 项目的启动文件介绍
main.py
这是项目的主驱动程序，提供了多种运行模式的选择：
- 随机初始化 (
random_init) - 监督训练 (
supervised) - 自监督训练 (
self_supervised) - 微调自监督模型 (
fine_tune) - 训练线性分类器 (
train_linear)
使用命令行参数，您可以指定实验描述、运行描述、随机种子值以及训练模式和选定的数据集，如：
python main.py --experiment_description exp1 --run_description run_1 --seed 123 --training_mode random_init --selected_dataset HAR
3. 项目的配置文件介绍
配置文件位于config_files目录下，每个配置文件以数据集名称命名（例如，对于HAR数据集，配置文件为HAR_Configs.py）。这些文件中定义了与特定数据集相关的所有培训参数，包括但不限于批次大小、学习率、网络结构参数等。修改配置文件可以调整训练过程以适应不同的需求或数据特性。
在开始任何实验之前，仔细阅读并适当调整配置文件中的设置是非常重要的，以确保模型能够高效且准确地训练在您的目标数据集上。
遵循以上步骤，您可以有效地准备环境、理解和运行TS-TCC项目，进行时间序列的无监督表示学习。记得在使用过程中查看项目的README.md和官方网站获取最新信息和详细指南。