soft-dtw 0.1.6

这是什么？

著名的动态时间规整（DTW）[1] 定义了两条时间序列之间的差异，为可能可变长度的序列，作为它们的最小对齐成本。尽管可能的对齐数量是两个时间序列长度的指数级，[1] 显示DTW可以使用动态规划以二次时间计算。

Soft-DTW [2] 提出用软最小值来替换这个最小值。像原始DTW一样，Soft-DTW可以使用动态规划以二次时间计算。然而，Soft-DTW的主要优势在于它处处可微分，并且其梯度也可以以二次时间计算。这使得可以使用Soft-DTW进行时间序列平均或作为损失函数，在真实时间序列和由神经网络预测的时间序列之间，该神经网络通过反向传播从头到尾进行训练。

支持的功能

• soft-DTW（正向传递）和梯度（反向传递）计算，使用Cython实现以提高速度

• 重心（时间序列平均）

• UCR存档的数据集加载器

• Chainer函数

计划的功能

• PyTorch函数

示例

from sdtw import SoftDTW
from sdtw.distance import SquaredEuclidean

# Time series 1: numpy array, shape = [m, d] where m = length and d = dim
X = ...
# Time series 2: numpy array, shape = [n, d] where n = length and d = dim
Y = ...

# D can also be an arbitrary distance matrix: numpy array, shape [m, n]
D = SquaredEuclidean(X, Y)
sdtw = SoftDTW(D, gamma=1.0)
# soft-DTW discrepancy, approaches DTW as gamma -> 0
value = sdtw.compute()
# gradient w.r.t. D, shape = [m, n], which is also the expected alignment matrix
E = sdtw.grad()
# gradient w.r.t. X, shape = [m, d]
G = D.jacobian_product(E)

安装

没有可用的二进制包。

可以从其git存储库安装此项目。假设您有一个工作的C编译器。

1. 通过以下方式获取源代码：

   git clone https://github.com/mblondel/soft-dtw.git

或者，如果没有git，可以从GitHub下载ZIP文件。

2. 安装依赖项

   # via pip
   
   pip install numpy scipy scikit-learn cython nose
   
   
   # via conda
   
   conda install numpy scipy scikit-learn cython nose

3. 构建和安装soft-dtw

   cd soft-dtw
   python setup.py install

参考

作者

• Mathieu Blondel，2017