更新使用脚本

usage.md

@@ -1,20 +1,20 @@
 
-# SpaceExploreAI-Small-Base-Regression-5M
+# SpaceExploreAI-Small-Base-Regression-27M
 
 ## 模型描述
 
-SpaceExploreAI-Small-Base-Regression-5M 是一个基于深度学习的金融时序预测模型，专为股票价格趋势分析和预测而设计。这是 SpaceExploreAI 系列的小型版本，具有约 5M 参数，针对regression任务进行了优化。
+SpaceExploreAI-Small-Base-Regression-27M 是一个基于深度学习的金融时序预测模型，专为股票价格趋势分析和预测而设计。这是 SpaceExploreAI 系列的小型版本，具有约 5M 参数，针对regression任务进行了优化。
 
 ### 主要特点
 
-- **轻量化设计**：仅有 5M 参数，适合资源受限环境
+- **轻量化设计**：仅有 27M 参数，适合资源受限环境
 - **回归预测：专为价格预测等回归任务优化**
 - **Transformer 架构**：基于 Transformer 架构，集成了 RoPE 旋转位置编码技术
 - **多头gqa注意力**：使用先进的多头注意力机制捕捉时间序列数据模式
 
 ## 技术规格
 
-- **参数量**：约 5M
+- **参数量**：约 27M
 - **模型类型**：Transformer
 - **隐藏层大小**：256
 - **隐藏层数量**：4
@@ -24,7 +24,7 @@ SpaceExploreAI-Small-Base-Regression-5M 是一个基于深度学习的金融时
 - **最大序列长度**：32
 - **预测类型**：regression
 - **使用 MoE**：是，混合专家模型增强了模型的表达能力
-- **MOE配置**：8个专家，每个token使用2个专家，中间层大小1024
+- **MOE配置**：一个共享专家，8个专家，每个token使用2个专家，中间层大小1024
 
 ## 使用示例
 
@@ -38,6 +38,7 @@ tokenizer = AutoTokenizer.from_pretrained(model_name)
 model = AutoModel.from_pretrained(model_name)
 
 # 准备输入数据 (假设您已经有了处理好的金融数据)
+imputs:[batch_size, sql_len, feature_size] = [16, 32, 64]
 inputs = torch.tensor([[0.1, 0.2, 0.3, ...]])  # 您的金融序列数据
 
 # 进行预测