issues of code

[Kylrving]

作者您好，我运行了您的代码，有一些问题想请教您，比如train训练集中的这两行代码，怎么理解？ trainx = torch.Tensor(x).to(device) trainy = torch.Tensor(y[:, :, :, 0]).to(device) 看你的注释是由[B,T,N,C]——>[B,T,N]，为什么把结点的特征那一维度去掉呢？，如果数据集的结点特征维度不是文中的1，而是10维，我我需要预测节点的这10维，需要修改吗？有什么影响呢？

[SmallNana]

作者您好，我运行了您的代码，有一些问题想请教您，比如train训练集中的这两行代码，怎么理解？ trainx = torch.Tensor(x).to(device) trainy = torch.Tensor(y[:, :, :, 0]).to(device) 看你的注释是由[B,T,N,C]——>[B,T,N]，为什么把结点的特征那一维度去掉呢？，如果数据集的结点特征维度不是文中的1，而是10维，我我需要预测节点的这10维，需要修改吗？有什么影响呢？

你好，具体问题具体分析，这篇文章是预测交通流量，所以取第一维，如果你同时预测10维，保留前10维即可。

[Kylrving]

嗯嗯，好的感谢，但是我还有一些疑惑就是 trainy = torch.Tensor(y[:, :, :, 0]).to(device)这里，为啥张量维度变成了【B,T,N】的三维张量，不应该是【B,T,N,1】的四维张量吗

[Kylrving]

请问在model.py的forward里那个输出是如何从(B, T - 8, N, Cout)到(B, 1, N)的？
def forward(self, x): """ :param x: B, Tin, N, Cin) :return: B, Tout, N """ x = torch.relu(self.First_FC(x)) # B, Tin, N, Cin

    for model in self.STSGCLS:
        x = model(x, self.mask)
    # (B, T - 8, N, Cout)

    need_concat = []
    for i in range(self.horizon):
        out_step = self.predictLayer[i](x)  # (B, 1, N)
        need_concat.append(out_step)

    out = torch.cat(need_concat, dim=1)  # B, Tout, N

    del need_concat

    return out

[SmallNana]

作者你好～做个看了你写这个代码很受用,但是还是几个问题不太明白，能不能方便加个微信进行请教一下。

你好，你有什么问题在此留言，我尽量解答

[SmallNana]

请问在model.py的forward里那个输出是如何从(B, T - 8, N, Cout)到(B, 1, N)的？ def forward(self, x): """ :param x: B, Tin, N, Cin) :return: B, Tout, N """ x = torch.relu(self.First_FC(x)) # B, Tin, N, Cin

    for model in self.STSGCLS:
        x = model(x, self.mask)
    # (B, T - 8, N, Cout)

    need_concat = []
    for i in range(self.horizon):
        out_step = self.predictLayer[i](x)  # (B, 1, N)
        need_concat.append(out_step)

    out = torch.cat(need_concat, dim=1)  # B, Tout, N

    del need_concat

    return out

你好，(B, T - 8, N, Cout)是输入经过整个self.STSGCLS的结果。后面的self.predictLayer[i]过程，是用(B, T - 8, N, Cout)预测 1 horizon step的输出结果，总计12个，每个的输出为 (B, 1, N) ，具体请看 self.predictLayer 部分的代码。

[Kylrving]

真的感谢作者能耐心的回答我的问题，根据你的提示，我找到了 self.predictLayer[i]过程，它最后的输出是由output_layer决定的，我想的是最终out2的输出是【B,T,N,Cout】，即每个结点的所有预测特征。在output_layer这里我试了很多修改，显示我参数不匹配，所以在此寻求你的帮助。 self.FC1 = nn.Linear(self.in_dim * self.history, self.hidden_dim, bias=True) self.FC2 = nn.Linear(self.hidden_dim, self.horizon, bias=True)

def forward(self, x):
    """
    :param x: (B, Tin, N, Cin)
    :return: (B, Tout, N)
    """
    batch_size = x.shape[0]
    x = x.permute(0, 2, 1, 3)  # B, N, Tin, Cin
    out1 = torch.relu(self.FC1(x.reshape(batch_size, self.num_of_vertices, -1)))
    # out1 = torch.relu(self.FC1(x.reshape(batch_size, self.num_of_vertices,  self.in_dim * self.history)))
    # (B, N, Tin, Cin) -> (B, N, Tin * Cin) -> (B, N, hidden)

    out2 = self.FC2(out1)  # (B, N, hidden) -> (B, N, horizon)
    del out1, batch_size

    return out2.permute(0, 2, 1)  # B, horizon, N

[SmallNana]

真的感谢作者能耐心的回答我的问题，根据你的提示，我找到了 self.predictLayer[i]过程，它最后的输出是由output_layer决定的，我想的是最终out2的输出是【B,T,N,Cout】，即每个结点的所有预测特征。在output_layer这里我试了很多修改，显示我参数不匹配，所以在此寻求你的帮助。 self.FC1 = nn.Linear(self.in_dim * self.history, self.hidden_dim, bias=True) self.FC2 = nn.Linear(self.hidden_dim, self.horizon, bias=True)

def forward(self, x):
    """
    :param x: (B, Tin, N, Cin)
    :return: (B, Tout, N)
    """
    batch_size = x.shape[0]
    x = x.permute(0, 2, 1, 3)  # B, N, Tin, Cin
    out1 = torch.relu(self.FC1(x.reshape(batch_size, self.num_of_vertices, -1)))
    # out1 = torch.relu(self.FC1(x.reshape(batch_size, self.num_of_vertices,  self.in_dim * self.history)))
    # (B, N, Tin, Cin) -> (B, N, Tin * Cin) -> (B, N, hidden)

    out2 = self.FC2(out1)  # (B, N, hidden) -> (B, N, horizon)
    del out1, batch_size

    return out2.permute(0, 2, 1)  # B, horizon, N

你好，我不是很清楚你的提问。你的意思是你把 out1 = torch.relu(self.FC1(x.reshape(batch_size, self.num_of_vertices, -1))) 改为 out1 = torch.relu(self.FC1(x.reshape(batch_size, self.num_of_vertices, self.in_dim * self.history))) 然后报错了吗