# Informer

## Genel Bakış

Informer modeli, Haoyi Zhou, Shanghang Zhang, Jieqi Peng, Shuai Zhang, Jianxin Li, Hui Xiong ve Wancai Zhang tarafından [Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting](https://huggingface.co/papers/2012.07436) makalesinde önerilmiştir.

Bu yöntem, "tembel" sorgular yerine "aktif" sorguları seçmek için Olasılıksal Dikkat mekanizmasını tanıtır ve böylece standart dikkatin karesel hesaplama ve bellek gereksinimlerini azaltan seyreltik bir Transformer sağlar.

Makalenin özeti aşağıdaki gibidir:

*Elektrik tüketimi planlaması gibi birçok gerçek dünya uygulaması, uzun dizi zaman serilerinin tahminini gerektirir. Uzun dizi zaman serisi tahmini (LSTF), modelin yüksek bir tahmin kapasitesine sahip olmasını, yani girdi ve çıktı arasındaki hassas uzun menzilli bağımlılık bağlantılarını verimli bir şekilde yakalama yeteneğini gerektirir. Son çalışmalar, Transformer'ın tahmin kapasitesini artırma potansiyelini göstermiştir. Ancak, Transformer'ın LSTF'ye doğrudan uygulanmasını engelleyen karesel zaman karmaşıklığı, yüksek bellek kullanımı ve kodlayıcı-çözücü mimarisinin içsel sınırlılığı gibi ciddi sorunlar bulunmaktadır. Bu sorunları ele almak için, LSTF için Informer adını verdiğimiz, üç ayırt edici özelliğe sahip verimli bir transformer tabanlı model tasarladık: (i) zaman karmaşıklığında ve bellek kullanımında O(L logL) sağlayan ve dizilerin bağımlılık hizalamasında karşılaştırılabilir performans gösteren ProbSparse öz-dikkat mekanizması. (ii) kademeli katman girdisini yarıya indirerek baskın dikkati öne çıkaran öz-dikkat damıtma, aşırı uzun girdi dizilerini verimli bir şekilde işler. (iii) kavramsal olarak basit olan üretken tarz çözücü, adım adım bir yöntem yerine uzun zaman serisi dizilerini tek bir ileri işlemde tahmin eder ve bu da uzun dizi tahminlerinin çıkarım hızını önemli ölçüde artırır. Dört büyük ölçekli veri seti üzerinde yapılan kapsamlı deneyler, Informer'ın mevcut yöntemlerden önemli ölçüde üstün performans gösterdiğini ve LSTF sorunu için yeni bir çözüm sunduğunu kanıtlamaktadır.*

Bu model [elisim](https://huggingface.co/elisim) ve [kashif](https://huggingface.co/kashif) tarafından katkıda bulunmuştur. Orijinal kod [burada](https://github.com/zhouhaoyi/Informer2020) bulunabilir.

## Kaynaklar

Başlamanıza yardımcı olmak için resmi Hugging Face ve topluluk (🌎 ile belirtilen) kaynaklarının listesi. Burada yer alacak bir kaynak göndermekle ilgileniyorsanız, bir Pull Request açmaktan çekinmeyin; inceleyeceğiz! Kaynağın, mevcut bir kaynağı tekrarlamak yerine ideal olarak yeni bir şey göstermesi beklenir.

- HuggingFace blogundaki Informer blog yazısına göz atın: [Multivariate Probabilistic Time Series Forecasting with Informer](https://huggingface.co/blog/informer)

## InformerConfig[[transformers.InformerConfig]]

#### transformers.InformerConfig[[transformers.InformerConfig]]

```python
transformers.InformerConfig(transformers_version: str | None = None, architectures: list[str] | None = None, output_hidden_states: bool | None = False, return_dict: bool | None = True, dtype: str | torch.dtype | None = None, chunk_size_feed_forward: int = 0, id2label: dict[int, str] | dict[str, str] | None = None, label2id: dict[str, int] | dict[str, str] | None = None, problem_type: Literal['regression', 'single_label_classification', 'multi_label_classification'] | None = None, is_encoder_decoder: bool = True, prediction_length: int | None = None, context_length: int | None = None, distribution_output: str = 'student_t', loss: str = 'nll', input_size: int = 1, lags_sequence: list[int] | None = None, scaling: str | bool | None = 'mean', num_dynamic_real_features: int = 0, num_static_real_features: int = 0, num_static_categorical_features: int = 0, num_time_features: int = 0, cardinality: list[int] | None = None, embedding_dimension: list[int] | None = None, d_model: int = 64, encoder_ffn_dim: int = 32, decoder_ffn_dim: int = 32, encoder_attention_heads: int = 2, decoder_attention_heads: int = 2, encoder_layers: int = 2, decoder_layers: int = 2, activation_function: str = 'gelu', dropout: float | int = 0.05, encoder_layerdrop: float | int = 0.1, decoder_layerdrop: float | int = 0.1, attention_dropout: float | int = 0.1, activation_dropout: float | int = 0.1, num_parallel_samples: int = 100, init_std: float = 0.02, use_cache: bool = True, attention_type: str = 'prob', sampling_factor: int = 5, distil: bool = True)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/informer/configuration_informer.py#L24)

**Parametreler:**

is_encoder_decoder (`bool`, *isteğe bağlı*, varsayılan `True`) : Modelin bir kodlayıcı/çözücü olarak kullanılıp kullanılmadığı.

prediction_length (`int`, *isteğe bağlı*) : Dekoder için tahmin uzunluğu. Başka bir deyişle, modelin tahmin ufku. Bu değer genellikle veri seti tarafından belirlenir ve uygun şekilde ayarlanmasını öneririz.

context_length (`int`, *isteğe bağlı*, varsayılan `prediction_length`) : Kodlayıcı için bağlam uzunluğu. `None` ise, bağlam uzunluğu `prediction_length` ile aynı olacaktır.

distribution_output (`string`, *isteğe bağlı*, varsayılan `"student_t"`) : Modelin dağılım emisyon başlığı. "student_t", "normal" veya "negative_binomial" olabilir.

loss (`string`, *isteğe bağlı*, varsayılan `"nll"`) : `distribution_output` başlığına karşılık gelen modelin kayıp fonksiyonu. Parametrik dağılımlar için negatif log olma olasılığıdır (nll) - şu anda desteklenen tek seçenek budur.

input_size (`int`, *opsiyonel*, varsayılan 1) : Varsayılan olarak tek değişkenli hedefler için 1 olan hedef değişkeninin boyutu. Çok değişkenli hedefler durumunda > 1 olur.

lags_sequence (`list[int]`, *isteğe bağlı*, varsayılan `[1, 2, 3, 4, 5, 6, 7]`) : Girdi zaman serisinin kovaryatlar olarak gecikmeleri, genellikle verinin frekansı tarafından belirlenir. Varsayılan değer `[1, 2, 3, 4, 5, 6, 7]` olmakla birlikte, veri setine uygun olarak değiştirmenizi öneririz.

scaling (`string` veya `bool`, *isteğe bağlı*, varsayılan `"mean"`) : Girdi hedeflerinin "mean" ölçekleyici, "std" ölçekleyici veya `None` ise ölçekleyici olmadan ölçeklendirilip ölçeklendirilmeyeceğini belirtir. `True` ise ölçekleyici "mean" olarak ayarlanır.

num_dynamic_real_features (`int`, *isteğe bağlı*, varsayılan 0) : Dinamik gerçek değerli özelliklerin sayısı.

num_static_real_features (`int`, *isteğe bağlı*, varsayılan 0) : Statik gerçek değerli özelliklerin sayısı.

num_static_categorical_features (`int`, *isteğe bağlı*, varsayılan 0) : Statik kategorik özelliklerin sayısı.

num_time_features (`int`, *isteğe bağlı*, varsayılan 0) : Girdi zaman serisindeki zaman özelliklerinin sayısı.

cardinality (`list[int]`, *isteğe bağlı*) : Her bir statik kategorik özellik için kardinalite (farklı değer sayısı). `num_static_categorical_features` ile aynı uzunlukta, tamsayılardan oluşan bir liste olmalıdır. `num_static_categorical_features` > 0 ise `None` olamaz.

embedding_dimension (`list[int]`, *isteğe bağlı*) : Her bir statik kategorik özellik için gömme boyutu. `num_static_categorical_features` ile aynı uzunlukta, tamsayılardan oluşan bir liste olmalıdır. `num_static_categorical_features` > 0 ise `None` olamaz.

d_model (`int`, *isteğe bağlı*, varsayılan `64`) : Kodlayıcı katmanlarının ve havuzlayıcı katmanının boyutu.

encoder_ffn_dim (`int`, *opsiyonel*, varsayılan `32`) : Kodlayıcıdaki "ara" (genellikle feed-forward olarak adlandırılan) katmanın boyutluluğu.

decoder_ffn_dim (`int`, *opsiyonel*, varsayılan `32`) : Dekoderdeki "ara" (genellikle feed-forward olarak adlandırılan) katmanın boyutluluğu.

encoder_attention_heads (`int`, *isteğe bağlı*, varsayılan `2`) : Transformer kodlayıcısındaki her dikkat katmanı için dikkat başı sayısı.

decoder_attention_heads (`int`, *isteğe bağlı*, varsayılan `2`) : Transformer decoder'ındaki her dikkat katmanı için dikkat başı sayısı.

encoder_layers (`int`, *isteğe bağlı*, varsayılan `2`) : Transformer kodlayıcısındaki gizli katman sayısı. Ayarlanmazsa `num_layers` ile aynı değeri kullanır.

decoder_layers (`int`, *isteğe bağlı*, varsayılan `2`) : Transformer decoder'ındaki gizli katman sayısı. Ayarlanmazsa `num_layers` ile aynı değer kullanılır.

activation_function (`str`, *isteğe bağlı*, varsayılan `gelu`) : Çözücüdeki doğrusal olmayan aktivasyon fonksiyonu (fonksiyon veya dize). Örneğin, `"gelu"`, `"relu"`, `"silu"` vb.

dropout (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.05`) : Tüm dropout katmanları için oran.

encoder_layerdrop (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.1`) : Kodlayıcı için LayerDrop olasılığı. Daha fazla ayrıntı için [LayerDrop makalesine](see https://huggingface.co/papers/1909.11556) bakın.

decoder_layerdrop (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.1`) : Çözücü için LayerDrop olasılığı. Daha fazla ayrıntı için [LayerDrop makalesine](see https://huggingface.co/papers/1909.11556) bakın.

attention_dropout (`Union[float, int]`, *isteğe bağlı*, varsayılan `0.1`) : Dikkat olasılıkları için dropout oranı.

activation_dropout (`float`, *opsiyonel*, varsayılan 0.1) : İleri beslemeli ağların iki katmanı arasında kullanılan dropout olasılığı.

num_parallel_samples (`int`, *isteğe bağlı*, varsayılan 100) : Çıkarımın her zaman adımı için paralel olarak üretilecek örnek sayısı.

init_std (`float`, *opsiyonel*, varsayılan `0.02`) : Tüm ağırlık matrislerini başlatmak için kullanılan truncated_normal_initializer'ın standart sapması.

use_cache (`bool`, *isteğe bağlı*, varsayılan `True`) : Modelin son anahtar/değer dikkatlerini döndürüp döndürmeyeceğini belirtir (tüm modellerde kullanılmaz). Yalnızca `config.is_decoder=True` olduğunda veya model yalnızca çözücü tabanlı üretken bir model olduğunda geçerlidir.

attention_type (`str`, *isteğe bağlı*, varsayılan "prob") : Kodlayıcıda kullanılan dikkat. Bu, "prob" (Informer'ın ProbAttention'ı) veya "full" (vanilla transformer'ın kanonik öz-dikkati) olarak ayarlanabilir.

sampling_factor (`int`, *isteğe bağlı*, varsayılan 5) : ProbSparse örnekleme faktörü (yalnızca `attention_type`="prob" olduğunda etki eder). Azaltılmış sorgu matrisi (Q_reduce) giriş uzunluğunu kontrol etmek için kullanılır.

distil (`bool`, *isteğe bağlı*, varsayılan `True`) : Kodlayıcıda damıtma (distilling) kullanılacak mı?

Bu, bir InformerModel yapılandırmasını depolamak için kullanılan yapılandırma sınıfıdır. Belirtilen argümanlara göre bir Informer modelini örneklemek ve model mimarisini tanımlamak için kullanılır. Varsayılanlarla bir yapılandırma örneği oluşturmak, [huggingface/informer-tourism-monthly](https://huggingface.co/huggingface/informer-tourism-monthly) ile benzer bir yapılandırmaya yol açar.

Yapılandırma nesneleri [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) sınıfından türetilir ve model çıktılarını kontrol etmek için kullanılabilir. Daha fazla bilgi için [PreTrainedConfig](/docs/transformers/v5.23.0/tr/main_classes/configuration#transformers.PreTrainedConfig) belgesini okuyun.

Örnek:

```python
>>> from transformers import InformerConfig, InformerModel

>>> # Initializing an Informer configuration with 12 time steps for prediction
>>> configuration = InformerConfig(prediction_length=12)

>>> # Randomly initializing a model (with random weights) from the configuration
>>> model = InformerModel(configuration)

>>> # Accessing the model configuration
>>> configuration = model.config
```

## InformerModel[[transformers.InformerModel]]

#### transformers.InformerModel[[transformers.InformerModel]]

```python
transformers.InformerModel(config: InformerConfig)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/informer/modeling_informer.py#L994)

**Parametreler:**

config ([InformerConfig](/docs/transformers/v5.23.0/tr/model_doc/informer#transformers.InformerConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın.

Üzerinde herhangi bir özel head olmadan ham hidden-state çıktısı üreten çıplak Informer Model.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.InformerModel.forward]]

```python
forward(past_values: Tensor, past_time_features: Tensor, past_observed_mask: Tensor, static_categorical_features: typing.Optional[torch.Tensor] = None, static_real_features: typing.Optional[torch.Tensor] = None, future_values: typing.Optional[torch.Tensor] = None, future_time_features: typing.Optional[torch.Tensor] = None, decoder_attention_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: list[torch.Tensor] | None = None, past_key_values: transformers.cache_utils.Cache | None = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/informer/modeling_informer.py#L1132)

**Parametreler:**

past_values (`torch.Tensor`, şekli `(batch_size, sequence_length)` veya `(batch_size, sequence_length, input_size)`) : Geleceği tahmin etmek için bağlam olarak hizmet veren zaman serisinin geçmiş değerleri. Model, gecikme özelliklerini (lag features) oluşturmak için daha büyük boyutu kullanacağından, bu tensörün dizi boyutu modelin `context_length`'inden büyük olmalıdır; gecikme özellikleri, "ek bağlam" olarak hizmet vermek amacıyla eklenen geçmişten gelen ek değerlerdir. Buradaki `sequence_length`, `config.context_length` + `max(config.lags_sequence)`'a eşittir; `lags_sequence` yapılandırılmamışsa bu değer `config.context_length` + 7'ye eşittir (varsayılan olarak `config.lags_sequence`'daki en büyük geriye bakma indeksi 7'dir). `_past_length` özelliği geçmişin gerçek uzunluğunu döndürür. `past_values`, Transformer kodlayıcısının girdisi olarak aldığı şeydir (isteğe bağlı ek özelliklerle birlikte, örneğin `static_categorical_features`, `static_real_features`, `past_time_features` ve gecikmeler). İsteğe bağlı olarak, eksik değerlerin sıfırlarla değiştirilmesi ve `past_observed_mask` ile belirtilmesi gerekir. Çok değişkenli zaman serileri için `input_size` > 1 boyutu zorunludur ve zaman serisindeki her zaman adımı başına değişken sayısına karşılık gelir.

past_time_features (`torch.Tensor`, şekli `(batch_size, sequence_length, num_features)`) : Modelin `past_values` içine dahili olarak ekleyeceği zorunlu zaman özellikleri. Bunlar, "yılın ayı", "ayın günü" gibi, vektörler olarak kodlanmış (örneğin Fourier özellikleri olarak) öğeler olabilir. Bunlar, zaman serisinin "hayatının hangi noktasında" olduğunu modelin bilmesine yardımcı olan, temelde "yaş" özellikleri de olabilir. Yaş özellikleri, uzak geçmiş zaman adımları için küçük değerlere sahiptir ve mevcut zaman adımına yaklaştıkça monoton olarak artar. Tatil özellikleri de zaman özellikleri için iyi bir örnektir. Bu özellikler, girdilerin "konumsal kodlamaları" görevini görür. Dolayısıyla, konumsal kodlamaların model parametreleri olarak sıfırdan öğrenildiği BERT gibi bir modelin aksine, Time Series Transformer ek zaman özelliklerinin sağlanmasını gerektirir. Time Series Transformer yalnızca `static_categorical_features` için ek gömme (embedding) öğrenir. Ek dinamik gerçek kovaryatlar bu tensöre birleştirilebilir; ancak bu özelliklerin tahmin zamanında bilinmesi gerektiği uyarısı geçerlidir. Buradaki `num_features`, `config.`num_time_features` + `config.num_dynamic_real_features` değerine eşittir.

past_observed_mask (`torch.BoolTensor`, şekli `(batch_size, sequence_length)` veya `(batch_size, sequence_length, input_size)`, *isteğe bağlı*) : Hangi `past_values`'lerin gözlemlendiğini ve hangilerinin eksik olduğunu belirtmek için mantıksal maske. `[0, 1]` aralığında seçilen maske değerleri: - **gözlemlenen** değerler için 1, - **eksik** değerler için 0 (yani sıfırlarla değiştirilen NaN'lar).

static_categorical_features (`torch.LongTensor`, şekli `(batch_size, number of static categorical features)`, *isteğe bağlı*) : Modelin bir gömme (embedding) öğreneceği ve zaman serisinin değerlerine ekleyeceği isteğe bağlı statik kategorik özellikler. Statik kategorik özellikler, tüm zaman adımları için aynı değere sahip olan (zamana göre statik) özelliklerdir. Statik kategorik bir özelliğin tipik bir örneği, bir zaman serisi kimliğidir.

static_real_features (`torch.Tensor`, şekli `(batch_size, number of static real features)`, *isteğe bağlı*) : Modelin zaman serisi değerlerine ekleyeceği isteğe bağlı statik gerçek özellikler. Statik gerçek özellikler, tüm zaman adımları için aynı değere sahip olan (zamana göre statik) özelliklerdir. Statik bir gerçek özelliğin tipik bir örneği, promosyon bilgisidir.

future_values (`torch.Tensor`, şekli `(batch_size, prediction_length)` veya `(batch_size, prediction_length, input_size)`, *isteğe bağlı*) : Model için etiket olarak hizmet veren zaman serisinin gelecekteki değerleri. `future_values`, Transformer'ın eğitim sırasında `past_values` verildiğinde çıkarmayı öğrenmesi gereken şeydir. Buradaki dizi uzunluğu `prediction_length`'a eşittir. Ayrıntılar için demo defterine ve kod parçacıklarına bakın. İsteğe bağlı olarak, eğitim sırasında eksik değerlerin sıfırlarla değiştirilmesi ve `future_observed_mask` ile belirtilmesi gerekir. Çok değişkenli zaman serileri için `input_size` > 1 boyutu zorunludur ve zaman serisindeki her zaman adımı başına değişken sayısına karşılık gelir.

future_time_features (`torch.Tensor`, şekli `(batch_size, prediction_length, num_features)`) : Tahmin penceri için gerekli zaman özellikleri; model bunları içsel olarak `future_values` içine ekler. Bunlar, örneğin Fourier özellikleri olarak kodlanmış "yılın ayı", "ayın günü" gibi şeyler olabilir. Bunlar, zaman serisinin "hayatının hangi noktasında" olduğunu modelin bilmesine yardımcı olan, temelde "yaş" özellikleri de olabilir. Yaş özellikleri, uzak geçmiş zaman adımları için küçük değerlere sahiptir ve mevcut zaman adımına yaklaştıkça monoton olarak artar. Tatil özellikleri de zaman özellikleri için iyi bir örnektir. Bu özellikler, girdilerin "konumsal kodlamaları" görevini görür. Dolayısıyla, konumsal kodlamaların model parametreleri olarak sıfırdan içsel olarak öğrenildiği BERT gibi bir modelin aksine, Time Series Transformer ek zaman özelliklerinin sağlanmasını gerektirir. Time Series Transformer yalnızca `static_categorical_features` için ek gömme (embedding) öğrenir. Ek dinamik gerçek kovaryatlar bu tensöre birleştirilebilir; ancak bu özelliklerin tahmin zamanında bilinmesi gerektiği unutulmamalıdır. Buradaki `num_features`, `config.num_time_features` + `config.num_dynamic_real_features` değerine eşittir.

decoder_attention_mask (`torch.LongTensor`, şekli `(batch_size, target_sequence_length)`, *isteğe bağlı*) : Belirli token indekslerinde dikkat işleminin uygulanmaması için maske. Varsayılan olarak, modelin geleceği tahmin ederken yalnızca önceki girdilere bakabilmesini sağlamak için nedensel bir maske kullanılır.

encoder_outputs (`tuple(tuple(torch.Tensor)`, *optional*) : Tuple, `last_hidden_state`, `hidden_states` (*optional*) ve `attentions` (*optional*) bileşenlerinden oluşur. `last_hidden_state`, `(batch_size, sequence_length, hidden_size)` boyutunda (*optional*) ve kodlayıcının (encoder) son katmanının çıktısındaki gizli durumların (hidden-states) bir dizisidir. Çözücüde (decoder) çapraz dikkat (cross-attention) için kullanılır.

past_key_values (`~cache_utils.Cache`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez.

use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`).

**Dönüş:** [Seq2SeqTSModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqTSModelOutput) veya `tuple(torch.Tensor)`

[Seq2SeqTSModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqTSModelOutput) veya bir `torch.Tensor` demeti (eğer `return_dict=False` geçirildiyse veya `config.return_dict=False` ise), yapılandırma ([InformerConfig](/docs/transformers/v5.23.0/tr/model_doc/informer#transformers.InformerConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[InformerModel](/docs/transformers/v5.23.0/tr/model_doc/informer#transformers.InformerModel) forward metodu, `__call__` özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin decoder'ının son katmanının çıktısındaki gizli durumlar dizisi.

  `past_key_values` kullanılırsa, yalnızca `(batch_size, 1, hidden_size)` biçimindeki dizilerin son gizli durumu (hidden-state) çıktı olarak verilir.
- **past_key_values** (`EncoderDecoderCache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [EncoderDecoderCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.EncoderDecoderCache) örneğidir. Daha fazla ayrıntı için [kv önbellek kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın.

  Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler) içerir.
- **decoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren bir tuple, şekli `(batch_size, sequence_length, hidden_size)`.

  Her katmanın çıktısında decoder'ın gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **decoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan çözücü (decoder) dikkat ağırlıkları.
- **cross_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `(batch_size, num_heads, sequence_length, sequence_length)` biçiminde, her katman için bir adet içeren `torch.Tensor` demeti.

  Dekoderin çapraz dikkat katmanının dikkat ağırlıkları, dikkat softmax'ından sonra, çapraz dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.
- **encoder_last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) -- Modelin kodlayıcısının son katmanının çıktısındaki gizli durumlar dizisi.
- **encoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında kodlayıcının gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **encoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan kodlayıcının dikkat ağırlıkları.
- **loc** (`torch.Tensor`, şekli `(batch_size,)` veya `(batch_size, input_size)`, *isteğe bağlı*) -- Modelin aynı büyüklükte girdiler almasını sağlamak için her zaman serisinin bağlam penceresindeki değerleri kaydıran ve ardından orijinal büyüklüğe geri kaydırmak için kullanılan değer.
- **scale** (`torch.Tensor`, şekli `(batch_size,)` veya `(batch_size, input_size)`, *isteğe bağlı*) -- Modelin aynı büyüklükte girdiler almasını sağlamak için her zaman serisinin bağlam penceresinin ölçeklendirme değerleri; ardından orijinal büyüklüğe geri ölçeklendirmede kullanılır.
- **static_features** (`torch.Tensor`, şekli `(batch_size, feature size)`, *isteğe bağlı*) -- Bir batch içindeki her zaman serisinin, çıkarım sırasında kovaryatlara kopyalanan statik özellikleri.

Örnekler:

```python
>>> from huggingface_hub import hf_hub_download
>>> import torch
>>> from transformers import InformerModel

>>> file = hf_hub_download(
...     repo_id="hf-internal-testing/tourism-monthly-batch", filename="train-batch.pt", repo_type="dataset"
... )
>>> batch = torch.load(file)

>>> model = InformerModel.from_pretrained("huggingface/informer-tourism-monthly")

>>> # during training, one provides both past and future values
>>> # as well as possible additional features
>>> outputs = model(
...     past_values=batch["past_values"],
...     past_time_features=batch["past_time_features"],
...     past_observed_mask=batch["past_observed_mask"],
...     static_categorical_features=batch["static_categorical_features"],
...     static_real_features=batch["static_real_features"],
...     future_values=batch["future_values"],
...     future_time_features=batch["future_time_features"],
... )

>>> last_hidden_state = outputs.last_hidden_state
```

## InformerForPrediction[[transformers.InformerForPrediction]]

#### transformers.InformerForPrediction[[transformers.InformerForPrediction]]

```python
transformers.InformerForPrediction(config: InformerConfig)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/informer/modeling_informer.py#L1357)

**Parametreler:**

config ([InformerConfig](/docs/transformers/v5.23.0/tr/model_doc/informer#transformers.InformerConfig)) : Modelin tüm parametrelerini içeren model yapılandırma sınıfı. Bir yapılandırma dosyasıyla başlatmak, modelle ilişkili ağırlıkları yüklemez, yalnızca yapılandırmayı yükler. Model ağırlıklarını yüklemek için [from_pretrained()](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel.from_pretrained) yöntemine göz atın.

Zaman serisi tahmini için üstünde bir dağılım başlığı bulunan Informer Modeli.

Bu model [PreTrainedModel](/docs/transformers/v5.23.0/tr/main_classes/model#transformers.PreTrainedModel) sınıfından devralır. Kütüphanenin tüm modelleri için uyguladığı genel yöntemler (indirme veya kaydetme, giriş gömme boyutlarını yeniden ayarlama, başları budama vb.) için üst sınıf belgelendirmesine bakın.

Bu model aynı zamanda bir PyTorch [torch.nn.Module](https://pytorch.org/docs/stable/nn.html#torch.nn.Module) alt sınıfıdır. Bunu standart bir PyTorch Module olarak kullanın ve genel kullanım ve davranışla ilgili tüm konular için PyTorch dokümantasyonuna başvurun.

#### forward[[transformers.InformerForPrediction.forward]]

```python
forward(past_values: Tensor, past_time_features: Tensor, past_observed_mask: Tensor, static_categorical_features: typing.Optional[torch.Tensor] = None, static_real_features: typing.Optional[torch.Tensor] = None, future_values: typing.Optional[torch.Tensor] = None, future_time_features: typing.Optional[torch.Tensor] = None, future_observed_mask: typing.Optional[torch.Tensor] = None, decoder_attention_mask: typing.Optional[torch.LongTensor] = None, encoder_outputs: list[torch.Tensor] | None = None, past_key_values: transformers.cache_utils.Cache | None = None, use_cache: bool | None = None, **kwargs: *<class 'transformers.utils.generic.TransformersKwargs'>)
```

[Kaynak](https://github.com/huggingface/transformers/blob/v5.23.0/src/transformers/models/informer/modeling_informer.py#L1392)

**Parametreler:**

past_values (`torch.Tensor`, şekli `(batch_size, sequence_length)` veya `(batch_size, sequence_length, input_size)`) : Geleceği tahmin etmek için bağlam olarak hizmet veren zaman serisinin geçmiş değerleri. Model, gecikme özelliklerini (lag features) oluşturmak için daha büyük boyutu kullanacağından, bu tensörün dizi boyutu modelin `context_length`'inden büyük olmalıdır; gecikme özellikleri, "ek bağlam" olarak hizmet vermek amacıyla eklenen geçmişten gelen ek değerlerdir. Buradaki `sequence_length`, `config.context_length` + `max(config.lags_sequence)`'a eşittir; `lags_sequence` yapılandırılmamışsa bu değer `config.context_length` + 7'ye eşittir (varsayılan olarak `config.lags_sequence`'daki en büyük geriye bakma indeksi 7'dir). `_past_length` özelliği geçmişin gerçek uzunluğunu döndürür. `past_values`, Transformer kodlayıcısının girdisi olarak aldığı şeydir (isteğe bağlı ek özelliklerle birlikte, örneğin `static_categorical_features`, `static_real_features`, `past_time_features` ve gecikmeler). İsteğe bağlı olarak, eksik değerlerin sıfırlarla değiştirilmesi ve `past_observed_mask` ile belirtilmesi gerekir. Çok değişkenli zaman serileri için `input_size` > 1 boyutu zorunludur ve zaman serisindeki her zaman adımı başına değişken sayısına karşılık gelir.

past_time_features (`torch.Tensor`, şekli `(batch_size, sequence_length, num_features)`) : Modelin `past_values` içine dahili olarak ekleyeceği zorunlu zaman özellikleri. Bunlar, "yılın ayı", "ayın günü" gibi, vektörler olarak kodlanmış (örneğin Fourier özellikleri olarak) öğeler olabilir. Bunlar, zaman serisinin "hayatının hangi noktasında" olduğunu modelin bilmesine yardımcı olan, temelde "yaş" özellikleri de olabilir. Yaş özellikleri, uzak geçmiş zaman adımları için küçük değerlere sahiptir ve mevcut zaman adımına yaklaştıkça monoton olarak artar. Tatil özellikleri de zaman özellikleri için iyi bir örnektir. Bu özellikler, girdilerin "konumsal kodlamaları" görevini görür. Dolayısıyla, konumsal kodlamaların model parametreleri olarak sıfırdan öğrenildiği BERT gibi bir modelin aksine, Time Series Transformer ek zaman özelliklerinin sağlanmasını gerektirir. Time Series Transformer yalnızca `static_categorical_features` için ek gömme (embedding) öğrenir. Ek dinamik gerçek kovaryatlar bu tensöre birleştirilebilir; ancak bu özelliklerin tahmin zamanında bilinmesi gerektiği uyarısı geçerlidir. Buradaki `num_features`, `config.`num_time_features` + `config.num_dynamic_real_features` değerine eşittir.

past_observed_mask (`torch.BoolTensor`, şekli `(batch_size, sequence_length)` veya `(batch_size, sequence_length, input_size)`, *isteğe bağlı*) : Hangi `past_values`'lerin gözlemlendiğini ve hangilerinin eksik olduğunu belirtmek için mantıksal maske. `[0, 1]` aralığında seçilen maske değerleri: - **gözlemlenen** değerler için 1, - **eksik** değerler için 0 (yani sıfırlarla değiştirilen NaN'lar).

static_categorical_features (`torch.LongTensor`, şekli `(batch_size, number of static categorical features)`, *isteğe bağlı*) : Modelin bir gömme (embedding) öğreneceği ve zaman serisinin değerlerine ekleyeceği isteğe bağlı statik kategorik özellikler. Statik kategorik özellikler, tüm zaman adımları için aynı değere sahip olan (zamana göre statik) özelliklerdir. Statik kategorik bir özelliğin tipik bir örneği, bir zaman serisi kimliğidir.

static_real_features (`torch.Tensor`, şekli `(batch_size, number of static real features)`, *isteğe bağlı*) : Modelin zaman serisi değerlerine ekleyeceği isteğe bağlı statik gerçek özellikler. Statik gerçek özellikler, tüm zaman adımları için aynı değere sahip olan (zamana göre statik) özelliklerdir. Statik bir gerçek özelliğin tipik bir örneği, promosyon bilgisidir.

future_values (`torch.Tensor`, şekli `(batch_size, prediction_length)` veya `(batch_size, prediction_length, input_size)`, *isteğe bağlı*) : Model için etiket olarak hizmet veren zaman serisinin gelecekteki değerleri. `future_values`, Transformer'ın eğitim sırasında `past_values` verildiğinde çıkarmayı öğrenmesi gereken şeydir. Buradaki dizi uzunluğu `prediction_length`'a eşittir. Ayrıntılar için demo defterine ve kod parçacıklarına bakın. İsteğe bağlı olarak, eğitim sırasında eksik değerlerin sıfırlarla değiştirilmesi ve `future_observed_mask` ile belirtilmesi gerekir. Çok değişkenli zaman serileri için `input_size` > 1 boyutu zorunludur ve zaman serisindeki her zaman adımı başına değişken sayısına karşılık gelir.

future_time_features (`torch.Tensor`, şekli `(batch_size, prediction_length, num_features)`) : Tahmin penceri için gerekli zaman özellikleri; model bunları içsel olarak `future_values` içine ekler. Bunlar, örneğin Fourier özellikleri olarak kodlanmış "yılın ayı", "ayın günü" gibi şeyler olabilir. Bunlar, zaman serisinin "hayatının hangi noktasında" olduğunu modelin bilmesine yardımcı olan, temelde "yaş" özellikleri de olabilir. Yaş özellikleri, uzak geçmiş zaman adımları için küçük değerlere sahiptir ve mevcut zaman adımına yaklaştıkça monoton olarak artar. Tatil özellikleri de zaman özellikleri için iyi bir örnektir. Bu özellikler, girdilerin "konumsal kodlamaları" görevini görür. Dolayısıyla, konumsal kodlamaların model parametreleri olarak sıfırdan içsel olarak öğrenildiği BERT gibi bir modelin aksine, Time Series Transformer ek zaman özelliklerinin sağlanmasını gerektirir. Time Series Transformer yalnızca `static_categorical_features` için ek gömme (embedding) öğrenir. Ek dinamik gerçek kovaryatlar bu tensöre birleştirilebilir; ancak bu özelliklerin tahmin zamanında bilinmesi gerektiği unutulmamalıdır. Buradaki `num_features`, `config.num_time_features` + `config.num_dynamic_real_features` değerine eşittir.

future_observed_mask (`torch.BoolTensor`, şekli `(batch_size, sequence_length)` veya `(batch_size, sequence_length, input_size)`, *isteğe bağlı*) : Hangi `future_values`'in gözlemlendiğini ve hangilerinin eksik olduğunu belirtmek için mantıksal maske. `[0, 1]` aralığında seçilen maske değerleri:  - **gözlemlenen** değerler için 1, - **eksik** değerler için 0 (yani sıfırlarla değiştirilen NaN'lar).  Bu maske, nihai kayıp hesabı için eksik değerleri elemek üzere kullanılır.

decoder_attention_mask (`torch.LongTensor`, şekli `(batch_size, target_sequence_length)`, *isteğe bağlı*) : Belirli token indekslerinde dikkat işleminin uygulanmaması için maske. Varsayılan olarak, modelin geleceği tahmin ederken yalnızca önceki girdilere bakabilmesini sağlamak için nedensel bir maske kullanılır.

encoder_outputs (`tuple(tuple(torch.Tensor)`, *optional*) : Tuple, `last_hidden_state`, `hidden_states` (*optional*) ve `attentions` (*optional*) bileşenlerinden oluşur. `last_hidden_state`, `(batch_size, sequence_length, hidden_size)` boyutunda (*optional*) ve kodlayıcının (encoder) son katmanının çıktısındaki gizli durumların (hidden-states) bir dizisidir. Çözücüde (decoder) çapraz dikkat (cross-attention) için kullanılır.

past_key_values (`~cache_utils.Cache`, *isteğe bağlı*) : Sıralı çözümlemeyi hızlandırmak için kullanılabilen, önceden hesaplanmış gizli durumlar (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler). Bu genellikle, `use_cache=True` veya `config.use_cache=True` olduğunda, çözümlemenin önceki bir aşamasında modelin döndürdüğü `past_key_values` değerlerinden oluşur. Girdi olarak yalnızca [Cache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.Cache) örneği kabul edilir, bkz. [kv cache kılavuzu](https://huggingface.co/docs/transformers/en/kv_cache). `past_key_values` geçirilmezse, varsayılan olarak [DynamicCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.DynamicCache) başlatılır. Model, girdi olarak verilen aynı önbellek biçimini çıktı olarak verecektir. `past_key_values` kullanılıyorsa, kullanıcının, bu modele geçmiş anahtar-değer durumları verilmemiş olan, yalnızca işlenmemiş `input_ids` değerlerini (şekli `(batch_size, unprocessed_length)` olan) girmesi beklenir; bunun yerine, şekli `(batch_size, sequence_length)` olan tüm `input_ids` değerleri girilmez.

use_cache (`bool`, *isteğe bağlı*) : `True` olarak ayarlanırsa, `past_key_values` anahtar değer durumları döndürülür ve çözümlemeyi hızlandırmak için kullanılabilir (bkz. `past_key_values`).

**Dönüş:** [Seq2SeqTSModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqTSModelOutput) veya `tuple(torch.Tensor)`

[Seq2SeqTSModelOutput](/docs/transformers/v5.23.0/tr/main_classes/output#transformers.modeling_outputs.Seq2SeqTSModelOutput) veya bir `torch.Tensor` demeti (eğer `return_dict=False` geçirildiyse veya `config.return_dict=False` ise), yapılandırma ([InformerConfig](/docs/transformers/v5.23.0/tr/model_doc/informer#transformers.InformerConfig)) ve girdilere bağlı olarak çeşitli öğelerden oluşur.

[InformerForPrediction](/docs/transformers/v5.23.0/tr/model_doc/informer#transformers.InformerForPrediction) forward metodu, `__call__` özel metodunu geçersiz kılar.

İleri geçiş tarifi bu fonksiyon içinde tanımlanmalı olsa da, sonrasında bunun yerine `Module` örneğini çağırmak gerekir; çünkü ilki ön ve son işleme adımlarını çalıştırmaktan sorumluyken ikincisi bunları sessizce yok sayar.

- **last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`) -- Modelin decoder'ının son katmanının çıktısındaki gizli durumlar dizisi.

  `past_key_values` kullanılırsa, yalnızca `(batch_size, 1, hidden_size)` biçimindeki dizilerin son gizli durumu (hidden-state) çıktı olarak verilir.
- **past_key_values** (`EncoderDecoderCache`, *isteğe bağlı*, `use_cache=True` geçirildiğinde veya `config.use_cache=True` olduğunda döndürülür) -- Bir [EncoderDecoderCache](/docs/transformers/v5.23.0/tr/internal/generation_utils#transformers.EncoderDecoderCache) örneğidir. Daha fazla ayrıntı için [kv önbellek kılavuzumuza](https://huggingface.co/docs/transformers/en/kv_cache) bakın.

  Sıralı çözümlemeyi hızlandırmak için (bkz. `past_key_values` girdisi) kullanılabilen, önceden hesaplanmış gizli durumları (self-attention bloklarındaki ve cross-attention bloklarındaki anahtar ve değerler) içerir.
- **decoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için bir tane) içeren bir tuple, şekli `(batch_size, sequence_length, hidden_size)`.

  Her katmanın çıktısında decoder'ın gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **decoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan çözücü (decoder) dikkat ağırlıkları.
- **cross_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `(batch_size, num_heads, sequence_length, sequence_length)` biçiminde, her katman için bir adet içeren `torch.Tensor` demeti.

  Dekoderin çapraz dikkat katmanının dikkat ağırlıkları, dikkat softmax'ından sonra, çapraz dikkat başlıklarında ağırlıklı ortalamanın hesaplanmasında kullanılır.
- **encoder_last_hidden_state** (`torch.Tensor`, şekli `(batch_size, sequence_length, hidden_size)`, *isteğe bağlı*) -- Modelin kodlayıcısının son katmanının çıktısındaki gizli durumlar dizisi.
- **encoder_hidden_states** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_hidden_states=True` geçirildiğinde veya `config.output_hidden_states=True` olduğunda döndürülür) -- `torch.Tensor` (modelin bir gömme katmanı varsa gömme katmanının çıktısı için bir tane + her katmanın çıktısı için birer tane) içeren, `(batch_size, sequence_length, hidden_size)` biçiminde bir demet.

  Her katmanın çıktısında kodlayıcının gizli durumları ve isteğe bağlı başlangıç gömme çıktıları.
- **encoder_attentions** (`tuple(torch.Tensor)`, *isteğe bağlı*, `output_attentions=True` geçirildiğinde veya `config.output_attentions=True` olduğunda döndürülür) -- `torch.Tensor` (her katman için bir tane) içeren bir tuple, şekli `(batch_size, num_heads, sequence_length, sequence_length)`.

  Dikkat yumuşatma (attention softmax) sonrasında, öz-dikkat (self-attention) kafalarında ağırlıklı ortalamanın hesaplanmasında kullanılan kodlayıcının dikkat ağırlıkları.
- **loc** (`torch.Tensor`, şekli `(batch_size,)` veya `(batch_size, input_size)`, *isteğe bağlı*) -- Modelin aynı büyüklükte girdiler almasını sağlamak için her zaman serisinin bağlam penceresindeki değerleri kaydıran ve ardından orijinal büyüklüğe geri kaydırmak için kullanılan değer.
- **scale** (`torch.Tensor`, şekli `(batch_size,)` veya `(batch_size, input_size)`, *isteğe bağlı*) -- Modelin aynı büyüklükte girdiler almasını sağlamak için her zaman serisinin bağlam penceresinin ölçeklendirme değerleri; ardından orijinal büyüklüğe geri ölçeklendirmede kullanılır.
- **static_features** (`torch.Tensor`, şekli `(batch_size, feature size)`, *isteğe bağlı*) -- Bir batch içindeki her zaman serisinin, çıkarım sırasında kovaryatlara kopyalanan statik özellikleri.

Örnekler:

```python
>>> from huggingface_hub import hf_hub_download
>>> import torch
>>> from transformers import InformerForPrediction

>>> file = hf_hub_download(
...     repo_id="hf-internal-testing/tourism-monthly-batch", filename="train-batch.pt", repo_type="dataset"
... )
>>> batch = torch.load(file)

>>> model = InformerForPrediction.from_pretrained(
...     "huggingface/informer-tourism-monthly"
... )

>>> # during training, one provides both past and future values
>>> # as well as possible additional features
>>> outputs = model(
...     past_values=batch["past_values"],
...     past_time_features=batch["past_time_features"],
...     past_observed_mask=batch["past_observed_mask"],
...     static_categorical_features=batch["static_categorical_features"],
...     static_real_features=batch["static_real_features"],
...     future_values=batch["future_values"],
...     future_time_features=batch["future_time_features"],
... )

>>> loss = outputs.loss
>>> loss.backward()

>>> # during inference, one only provides past values
>>> # as well as possible additional features
>>> # the model autoregressively generates future values
>>> outputs = model.generate(
...     past_values=batch["past_values"],
...     past_time_features=batch["past_time_features"],
...     past_observed_mask=batch["past_observed_mask"],
...     static_categorical_features=batch["static_categorical_features"],
...     static_real_features=batch["static_real_features"],
...     future_time_features=batch["future_time_features"],
... )

>>> mean_prediction = outputs.sequences.mean(dim=1)
```

