时间序列如何变成语言图解Chronos-T5-Tiny的Tokenization核心机制【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tinyChronos-T5-Tiny 是一个仅 800 万参数的时间序列预测基础模型它把一条波动的时间序列曲线先「均值缩放」、再「均匀量化」变成一串数字 Token然后用 T5 语言模型来学习这些 Token 的规律——这正是本文要图解的 Tokenization分词核心机制。 读完全文你不需要背公式也能说清楚一条曲线是怎么被喂给语言模型的。一、先认识主角800 万参数的时间序列预测模型Chronos 是一族基于语言模型架构的预训练时间序列预测模型训练时把时间序列变成 Token 序列用交叉熵损失学习下一个 Token预测时自回归采样出未来 Token再映射回数值得到概率预测多条轨迹。它使用公开时间序列语料与高斯过程合成数据训练开箱即用。Chronos-T5-Tiny 是家族中最小的成员架构基于 T5编码器-解码器只是把词表从原始 T5 的 32128 个词压缩到4096 个 Token参数仅8MCPU 也能跑型号参数量一句话定位chronos-t5-tiny8M本文主角最快最轻chronos-t5-mini20M精度/速度折中chronos-t5-small46M中小规模任务chronos-t5-base200M更高精度需求chronos-t5-large710M家族旗舰二、一张图看懂 Chronos-T5-Tiny 的 Tokenization 全流程先看项目自带的官方机制图figures/main-figure.png再读下文会更顺畅图中三个部分对应完整流水线左Time Series Tokenization—— 历史序列经过 Mean Scaling均值缩放与 Quantization量化得到一串 Context Tokens如 2400 → … → 2310中Training—— Token 喂给时间序列语言模型输出预测概率分布用交叉熵训练右Inference—— 自回归采样出未来 Token2350 → 2283 → 320…再反量化还原成数值多条采样轨迹合成预测分布。三、时间序列变 Token 的三步法第 1 步均值缩放把曲线压到统一尺度不同序列量级天差地别销量可能是几万传感器读数可能是零点几。Chronos 的做法是均值缩放先把序列处理成正值再除以序列均值把数值压缩到以 1 为中心的相对尺度——曲线形状完整保留量级差异被抹平。第 2 步均匀分箱量化4096 个 Token 覆盖全部取值缩放后的值落入MeanScaleUniformBins分词器划定的[-15, 15]区间区间被等距切成 4096 个小格bin每个数值按所在格子的编号变成一个 Token。这就是时间序列的词表关键参数摘录自config.json的chronos_config字段chronos_config: { tokenizer_class: MeanScaleUniformBins, tokenizer_kwargs: { low_limit: -15.0, high_limit: 15.0 }, n_tokens: 4096, n_special_tokens: 2, pad_token_id: 0, eos_token_id: 1, context_length: 512, prediction_length: 64 }4094 个格子对应数值剩下 2 个是特殊符号——第 3 步两个特殊 Tokenpad 与 EOSpad_token_id 0填充符用来对齐不同长度的输入eos_token_id 1结束符既标记这条序列讲完了也作为解码的起始符decoder_start_token_id。三步走完一条 512 个点的历史序列context_length: 512就成了一串最长 512 个 Token 的句子。四、Token 喂给 T5为什么选语言模型架构config.json里写着vocab_size: 4096、model_type: t5、is_encoder_decoder: true模型是标准 T5 编码器-解码器结构256 维隐层、4 层编码器 4 层解码器训练目标是语言模型的经典目标——预测下一个 Token用交叉熵损失。把时间序列问题转成语言建模问题后就能直接复用 NLP 领域成熟的架构、训练与采样技术。五、推理阶段从采样 Token 还原出概率预测预测时不是算出一个确定值而是采样多条轨迹以历史 Token 为上下文解码器逐个自回归采样未来 Tokentop_k: 50、top_p: 1.0、temperature: 1.0遇到 EOS 停止把采样出的 Token 序列反量化回数值默认采样num_samples: 20条轨迹取分位数如 10% / 50% / 90%就得到中位数预测与 80% 预测区间。所以 Chronos 输出的不只是明天卖多少而是明天大概率落在哪个区间——这对库存、风控等决策场景更实用。六、最小示例三步跑通第一次预测from chronos import ChronosPipeline pipeline ChronosPipeline.from_pretrained(amazon/chronos-t5-tiny) forecast pipeline.predict(context, prediction_length12) # 形状: [序列数, 20条样本, 12]context可以是 1 维张量、1 维张量列表或左填充的 2 维张量forecast的 20 条样本可直接算分位数、画预测区间。完整的可视化示例见README.md。七、关键文件速览文件作用config.json模型架构 Tokenization 全部关键参数model.safetensors预训练权重文件generation_config.json解码起始/结束 Token 等生成参数README.md项目文档、架构说明与完整使用示例figures/main-figure.png本文引用的官方机制示意图八、新手 FAQ为什么量化成 Token而不是用网络直接回归分词 语言建模让模型能在海量序列上预训练、零微调即用且采样式解码天然给出概率分布代价是量化精度有限——Tiny 的 4096 个格子在轻快与精度之间是个不错的平衡。Token 数量、预测长度可以改吗4096 是词表大小属于训练期设定推理时你可以自由调整prediction_lengthTiny 训练时最长 64与采样条数num_samples。该选 Tiny 还是更大的型号数据少、要在 CPU 上实时推理选 Tiny追求更高精度按需升级到 base/large它们的 Tokenization 机制与 Tiny 完全一致。一句话总结Chronos-T5-Tiny 把「时间序列 → 均值缩放 → 均匀量化成 Token → 语言模型学习 → 采样反量化」串成一条流水线用 800 万参数实现了开箱即用的概率预测——理解了这套 Tokenization 机制你就理解了整个 Chronos 家族。【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
时间序列如何变成语言图解Chronos-T5-Tiny的Tokenization核心机制【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tinyChronos-T5-Tiny 是一个仅 800 万参数的时间序列预测基础模型它把一条波动的时间序列曲线先「均值缩放」、再「均匀量化」变成一串数字 Token然后用 T5 语言模型来学习这些 Token 的规律——这正是本文要图解的 Tokenization分词核心机制。 读完全文你不需要背公式也能说清楚一条曲线是怎么被喂给语言模型的。一、先认识主角800 万参数的时间序列预测模型Chronos 是一族基于语言模型架构的预训练时间序列预测模型训练时把时间序列变成 Token 序列用交叉熵损失学习下一个 Token预测时自回归采样出未来 Token再映射回数值得到概率预测多条轨迹。它使用公开时间序列语料与高斯过程合成数据训练开箱即用。Chronos-T5-Tiny 是家族中最小的成员架构基于 T5编码器-解码器只是把词表从原始 T5 的 32128 个词压缩到4096 个 Token参数仅8MCPU 也能跑型号参数量一句话定位chronos-t5-tiny8M本文主角最快最轻chronos-t5-mini20M精度/速度折中chronos-t5-small46M中小规模任务chronos-t5-base200M更高精度需求chronos-t5-large710M家族旗舰二、一张图看懂 Chronos-T5-Tiny 的 Tokenization 全流程先看项目自带的官方机制图figures/main-figure.png再读下文会更顺畅图中三个部分对应完整流水线左Time Series Tokenization—— 历史序列经过 Mean Scaling均值缩放与 Quantization量化得到一串 Context Tokens如 2400 → … → 2310中Training—— Token 喂给时间序列语言模型输出预测概率分布用交叉熵训练右Inference—— 自回归采样出未来 Token2350 → 2283 → 320…再反量化还原成数值多条采样轨迹合成预测分布。三、时间序列变 Token 的三步法第 1 步均值缩放把曲线压到统一尺度不同序列量级天差地别销量可能是几万传感器读数可能是零点几。Chronos 的做法是均值缩放先把序列处理成正值再除以序列均值把数值压缩到以 1 为中心的相对尺度——曲线形状完整保留量级差异被抹平。第 2 步均匀分箱量化4096 个 Token 覆盖全部取值缩放后的值落入MeanScaleUniformBins分词器划定的[-15, 15]区间区间被等距切成 4096 个小格bin每个数值按所在格子的编号变成一个 Token。这就是时间序列的词表关键参数摘录自config.json的chronos_config字段chronos_config: { tokenizer_class: MeanScaleUniformBins, tokenizer_kwargs: { low_limit: -15.0, high_limit: 15.0 }, n_tokens: 4096, n_special_tokens: 2, pad_token_id: 0, eos_token_id: 1, context_length: 512, prediction_length: 64 }4094 个格子对应数值剩下 2 个是特殊符号——第 3 步两个特殊 Tokenpad 与 EOSpad_token_id 0填充符用来对齐不同长度的输入eos_token_id 1结束符既标记这条序列讲完了也作为解码的起始符decoder_start_token_id。三步走完一条 512 个点的历史序列context_length: 512就成了一串最长 512 个 Token 的句子。四、Token 喂给 T5为什么选语言模型架构config.json里写着vocab_size: 4096、model_type: t5、is_encoder_decoder: true模型是标准 T5 编码器-解码器结构256 维隐层、4 层编码器 4 层解码器训练目标是语言模型的经典目标——预测下一个 Token用交叉熵损失。把时间序列问题转成语言建模问题后就能直接复用 NLP 领域成熟的架构、训练与采样技术。五、推理阶段从采样 Token 还原出概率预测预测时不是算出一个确定值而是采样多条轨迹以历史 Token 为上下文解码器逐个自回归采样未来 Tokentop_k: 50、top_p: 1.0、temperature: 1.0遇到 EOS 停止把采样出的 Token 序列反量化回数值默认采样num_samples: 20条轨迹取分位数如 10% / 50% / 90%就得到中位数预测与 80% 预测区间。所以 Chronos 输出的不只是明天卖多少而是明天大概率落在哪个区间——这对库存、风控等决策场景更实用。六、最小示例三步跑通第一次预测from chronos import ChronosPipeline pipeline ChronosPipeline.from_pretrained(amazon/chronos-t5-tiny) forecast pipeline.predict(context, prediction_length12) # 形状: [序列数, 20条样本, 12]context可以是 1 维张量、1 维张量列表或左填充的 2 维张量forecast的 20 条样本可直接算分位数、画预测区间。完整的可视化示例见README.md。七、关键文件速览文件作用config.json模型架构 Tokenization 全部关键参数model.safetensors预训练权重文件generation_config.json解码起始/结束 Token 等生成参数README.md项目文档、架构说明与完整使用示例figures/main-figure.png本文引用的官方机制示意图八、新手 FAQ为什么量化成 Token而不是用网络直接回归分词 语言建模让模型能在海量序列上预训练、零微调即用且采样式解码天然给出概率分布代价是量化精度有限——Tiny 的 4096 个格子在轻快与精度之间是个不错的平衡。Token 数量、预测长度可以改吗4096 是词表大小属于训练期设定推理时你可以自由调整prediction_lengthTiny 训练时最长 64与采样条数num_samples。该选 Tiny 还是更大的型号数据少、要在 CPU 上实时推理选 Tiny追求更高精度按需升级到 base/large它们的 Tokenization 机制与 Tiny 完全一致。一句话总结Chronos-T5-Tiny 把「时间序列 → 均值缩放 → 均匀量化成 Token → 语言模型学习 → 采样反量化」串成一条流水线用 800 万参数实现了开箱即用的概率预测——理解了这套 Tokenization 机制你就理解了整个 Chronos 家族。【免费下载链接】chronos-t5-tiny项目地址: https://ai.gitcode.com/hf_mirrors/autogluon/chronos-t5-tiny创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
