Source code for deep_nilmtk.config.hparams

# -*- coding: utf-8 -*-
"""
    The hyper-parameter values of the tool

    .. list-table:: Liste of main keys in the hyper-parameters dictionnary
        :widths: 25 75
        :header-rows: 1
        
        * - Model name
          - DataLoader
        * - Optuna's parameters
          - 
        * - use_optuna
          - A boolean variable that triggers the hyper-parameter optimization.
        * - n_trials
          - The number of trials to execute if optuna is used.
        * - Mlflow's parameters
          - 
        * - log_artificat
          - A boolean variable that allow to store the output of the predictions also in the MLFLOW
        * - experiment_label
          - 
        * - Model's parameter
          - 
        * - dropout
          - 
        * - pool_filter
          - 
        * - kernel_size
          - 
        * - stride
          - 
        * - num+layer
          -
        * - max_nb_epochs
          - 
        * - batch_size
          - 
        * - learning_rate
          - 
        * - eps
          - 
        * - patient
          -
        * - optimizer
          -
        * - weight_decay
          -
        * - momentum
          - 
        * - decay_step
          - 
        * - gamma
          -
        * - clip_value
          - 
        * - out_size
          - 
        * - in_size
          - 
        * - appliances
          - 
        * - feature_type
          - 
        * - main_mu
          - 
        * - main_std
          - 
        * - input_norm
          - 
        * - data_path
          -
        * - logs_path
          -
        * - results_path
          -
        * - figure_path
          -
        * - checkpoints_path
          -  
        * - alpha
          - 
        * - seed
          -
        * - q_filter
          - 
        * - sample_second
          -
        * - multi_task
          -
        * - seq_type
          - 
        * - point_position
          -
        * - target_norm
          -
        * - threshold_method
          -
        * - train
          - 
        * - kfolds
          -
        * - model_name
          - 
        * - mdn_dist_type
          - 
        * - num_workers
          -
"""
from argparse import ArgumentParser

[docs]def get_exp_parameters(): """ Defines the default values for the hyper-parameters of the experiment. :return: A dictionnary with values of the hyper-parameters :rtype: dict """ parser = ArgumentParser(add_help=False) parser.add_argument('--use_optuna', type= bool, default= False) parser.add_argument('--log_artificat', type= bool, default= False) parser.add_argument('--max_nb_epochs', type=int, default=20) parser.add_argument('--n_trials', type=int, default=3) parser.add_argument('--batch_size', type=int, default=64) parser.add_argument('--clip_value', type=int, default=10) parser.add_argument('--learning_rate', default=2e-3, type=float) parser.add_argument('--eps', default=1e-8, type=float) parser.add_argument('--dropout', default=0.25, type=float) parser.add_argument('--pool_filter', default=16, type=int) parser.add_argument('--kernel_size', default=5, type=int) parser.add_argument('--stride', default=2, type=int) parser.add_argument('--features_start', default=16, type=int) parser.add_argument('--latent_size', default=64, type=int) parser.add_argument('--num_gauss', default=5, type=int) parser.add_argument('--min_std', default=0.1, type=float) parser.add_argument('--n_layers', default=4, type=int) parser.add_argument('--out_size', default=0, type=int) parser.add_argument('--in_size', default=99, type=int) parser.add_argument('--appliances', default=["fridge"], nargs='+', type=str) parser.add_argument('--patience_optim', default=5, type=int) parser.add_argument('--patience_check', default=5, type=int) parser.add_argument('--num_layer', default=3, type=int) parser.add_argument('--experiment_label', default='', type=str) parser.add_argument('--optimizer', type=str,default='adam', choices=['sgd', 'adam', 'adamw']) parser.add_argument('--weight_decay', type=float, default=0.) parser.add_argument('--momentum', type=float, default=None) parser.add_argument('--decay_step', type=int, default=100) parser.add_argument('--gamma', type=float, default=0.1) parser.add_argument('--feature_type', default="combined", type=str) parser.add_argument('--alpha', default=0.1, type=float) parser.add_argument('--seed', default=7777, type=float) parser.add_argument('--main_mu', default=150.0, type=float) parser.add_argument('--main_std', default=350.0, type=float) parser.add_argument('--input_norm', default="lognorm", type=str) parser.add_argument('--q_filter', default=None, type=dict) parser.add_argument('--sample_second', default=6, type=int) parser.add_argument('--multi_appliance', default=False, type=bool) parser.add_argument('--seq_type', default="seq2point", type=str) parser.add_argument('--point_position', default="median", type=str) parser.add_argument('--target_norm', default="lognorm", type=str) parser.add_argument('--threshold_method', default="at", type=str) parser.add_argument('--train', default=1, type=int) parser.add_argument('--kfolds', default=1, type=int) parser.add_argument('--gap', default=0, type=int) parser.add_argument('--test_size', default=None, type=int) parser.add_argument('--z_dim', default=10, type=int) parser.add_argument('--hidden_dim', default=128, type=int) parser.add_argument('--model_name', default="Seq2Pointbaseline", type=str) parser.add_argument('--mdn_dist_type', default="normal", type=str) parser.add_argument('--data', default="UKDALE", type=str) parser.add_argument('--quantiles', default=[0.1, 0.25, 0.5, 0.75, 0.9], type=list) parser.add_argument('--data_path', default="../datasets/", type=str) parser.add_argument('--logs_path', default="./output/logs/", type=str) parser.add_argument('--results_path', default="./output/results/", type=str) parser.add_argument('--figure_path', default="./output/figures/", type=str) parser.add_argument('--checkpoints_path', default="./output/checkpoints/", type=str) parser.add_argument('--num_workers', default=0, type=int) parser.add_argument("-f", "--fff", help="a dummy argument to fool ipython", default="1") return parser