如何将NeuralProphet优化器设为SDG而非AdamW及报错排查

在初始化NeuralProphet模型时，直接通过optimizer参数指定为'SGD'即可，注意拼写是SGD（而非代码中的SDG）：

m = NeuralProphet(optimizer='SGD', learning_rate=0.01)

如果需要自定义SGD的进阶参数（如动量），可以传入PyTorch的SGD实例并搭配optimizer_args：

from torch.optim import SGD
m = NeuralProphet(optimizer=SGD, optimizer_args={"momentum": 0.9})

核心错误点 #

1. 优化器名称拼写错误：你代码中写的optimizer = 'SDG'是错误的，NeuralProphet仅识别'SGD'作为随机梯度下降优化器的名称，拼写错误直接触发参数不兼容报错。
2. 参数取值不合理：
   • n_lags=(2*7*24*12)：5分钟分辨率下，2周的lags对应4032个时间步，这个维度会导致模型输入规模过大，不仅内存占用爆炸，还会引发数值不稳定问题。建议先缩小lags范围，比如尝试1天的lags（24*12=288）。
   • learning_rate = 0.1：SGD的学习率0.1过高，通常SGD的合理学习率范围在0.001-0.01之间，过高的学习率会导致损失函数震荡、无法收敛，甚至触发NaN/Inf类报错。
3. 节假日特征潜在问题：add_country_holidays默认窗口范围与5分钟高分辨率数据不匹配，建议显式指定窗口参数，避免特征生成异常。

修正后的代码示例 #

m = NeuralProphet(
    n_forecasts=2*24*12,
    n_lags=24*12,  # 先尝试1天的lags，后续按需调整
    yearly_seasonality="auto",
    weekly_seasonality="auto",  
    daily_seasonality="auto", 
    growth="off", 
    seasonality_reg=0.5, 
    optimizer='SGD',  # 修正拼写错误
    learning_rate=0.01,  # 降低学习率至合理范围
    n_changepoints="auto", 
    changepoints_range="auto"
)
m.add_country_holidays("US", mode="additive", lower_window=-1, upper_window=1)
metrics = m.fit(L12M, freq="5min")

额外排查建议 #

• 验证数据集L12M的ds列是否为标准datetime格式，无缺失或异常时间戳；
• 检查y列是否存在NaN、Inf等异常值，可通过L12M.isnull().sum()和L12M.describe()快速验证；
• 若仍报错，可先注释add_country_holidays代码，逐步排查是否为节假日特征模块导致的问题。

内容的提问来源于stack exchange，提问作者Moody