Explorar o código

[cherry-pick] fix ts task practise docs to dev (#1879)

Sunflower7788 hai 1 ano
pai
achega
f477696a34

+ 1 - 1
docs/tutorials/practical_tutorial/ts_anomaly_detection.md

@@ -166,7 +166,7 @@ PaddleX 中每个模型都提供了模型开发的配置文件,用于设置相
     * `time_col`: 时间列,须结合自己的数据设置时间序列数据集的时间列的列名称;
     * `feature_cols`:特征变量表示能够判断设备是否异常的相关变量,例如设备是否异常,可能与设备运转时的散热量有关。结合自己的数据,设置特征变量的列名称,可以为多个,多个之间用','分隔。本教程中设备监控数据集中的时间列名有 55 个特征变量,如:0, 1 等;
     * `freq`:频率,须结合自己的数据设置时间频率,如:1min、5min、1h;
-    * `seq_len`: 输入给模型的时间序列长度,会按照该长度对时间序列切片,预测该长度下这一段时序序列是否有异常;输入长度建议结合实际场景考虑。本教程中输入长度为 96。表示希望预测 96 个时间点是否有异常。
+    * `input_len`: 输入给模型的时间序列长度,会按照该长度对时间序列切片,预测该长度下这一段时序序列是否有异常;输入长度建议结合实际场景考虑。本教程中输入长度为 96。表示希望预测 96 个时间点是否有异常。
     * `label`:代表时序时间点是否异常的编号,异常点为 1,正常点为 0。本教程中异常监控数据集为 label。
 
 

+ 2 - 2
docs/tutorials/practical_tutorial/ts_forecast.md

@@ -230,7 +230,7 @@ python main.py -c paddlex/configs/ts_forecast/DLinear.yaml \
     -o Train.time_col=date \
     -o Train.target_cols=OT \
     -o Train.freq=1h \
-    -o Train.seq_len=96 \
+    -o Train.input_len=96 \
     -o Train.predict_len=96
 ```
 
@@ -248,7 +248,7 @@ PaddleX 中每个模型都提供了模型开发的配置文件,用于设置相
     * `time_col`: 时间列,须结合自己的数据设置时间序列数据集的时间列的列名称;
     * `target_cols`:目标变量列,须结合自己的数据设置时间序列数据集的目标变量的列名称,可以为多个,多个之间用','分隔;
     * `freq`:频率,须结合自己的数据设置时间频率,如:1min、5min、1h;
-    * `seq_len`: 输入给模型的历史时间序列长度;输入长度建议结合实际场景及预测长度综合考虑,一般来说设置的越大,能够参考的历史信息越多,模型精度通常越高。
+    * `input_len`: 输入给模型的历史时间序列长度;输入长度建议结合实际场景及预测长度综合考虑,一般来说设置的越大,能够参考的历史信息越多,模型精度通常越高。
     * `predict_len`:希望模型预测未来序列的长度;预测长度建议结合实际场景综合考虑,一般来说设置的越大,希望预测的未来序列越长,模型精度通常越低。
     * `patience`:early stop机制参数,指在停止训练之前,容忍模型在验证集上的性能多少次连续没有改进;耐心值越大,一般训练时间越长。