augmentation.py 的Index out of range

[Hawk0321]

augementation.py的操作有的对x.shape[2]做处理，但是dataloader.py的data_x是二维的：

class Dataset_Custom(Dataset):
        self.data_x = data[border1:border2]
        if self.set_type == 0 and self.args.augmentation_ratio > 0:
            self.data_x, self.data_y, augmentation_tags = run_augmentation_single(self.data_x, self.data_y, self.args)

我不知道该怎么处理，求助

[DigitalLifeYZQiu]

感谢您提出这个非常有价值的issue！

数据增广函数中出现针对第三维的操作的根本原因在于，这些算法最初是用于处理训练过程中各个batch中数据的增广任务。在时序预测任务下，输入增广函数的数据维度为二维：（数据集长度，变量数），切分为batch后数据维度提升为三维：（batch大小，序列长度，变量数）。您在数据增广函数中看到的x，其实指的是在batch维度下的三维数据。从实现上来讲，可以将数据增广操作加在exp/exp_long_term_forecasting.py文件中训练部分遍历train_loader的循环中。这里是一个例子：

for i, (batch_x, batch_y, batch_x_mark, batch_y_mark) in enumerate(train_loader):
    if self.args.augmentation_ratio > 0 and self.args.augmentation_ratio > 0:
        batch_x, batch_y, augmentation_tags = run_augmentation_single(batch_x,batch_y,self.args)
    ......(other training steps)......

正如现版本代码中所述，数据增广操作被放到了class Dataset_Custom的__read_data__函数中，即对整个数据集进行增广。在这种情况下，这里的可以将输入数据视为一个“巨大的batch”。具体实现上，可以将二维：（数据集长度，变量数）变为三维（1，数据集长度，变量数）。这里的1可以认为对应于前文提到的batch大小的概念，即将整个数据集当作一个大batch。

总的来说，当前数据增广代码的数据输入是有问题的，非常感谢您指出了这个bug。目前仓库中的代码文件和我本地存储的代码文件有一些出入，似乎是提交过程中遗漏了一些内容。对于这一疏漏给您造成的困惑，我们深感抱歉！在后续版本中我们将修复这一问题。

[Hawk0321]

非常感谢