export CUDA_VISIBLE_DEVICES=0 model_name=iTransformer python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/electricity/ \ --data_path electricity.csv \ --model_id ECL_mask_0.125 \ --mask_rate 0.125 \ --model $model_name \ --data custom \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 321 \ --dec_in 321 \ --c_out 321 \ --batch_size 16 \ --d_model 128 \ --d_ff 128 \ --des 'Exp' \ --itr 1 \ --top_k 5 \ --learning_rate 0.001 python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/electricity/ \ --data_path electricity.csv \ --model_id ECL_mask_0.25 \ --mask_rate 0.25 \ --model $model_name \ --data custom \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 321 \ --dec_in 321 \ --c_out 321 \ --batch_size 16 \ --d_model 128 \ --d_ff 128 \ --des 'Exp' \ --itr 1 \ --top_k 5 \ --learning_rate 0.001 python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/electricity/ \ --data_path electricity.csv \ --model_id ECL_mask_0.375 \ --mask_rate 0.375 \ --model $model_name \ --data custom \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 321 \ --dec_in 321 \ --c_out 321 \ --batch_size 16 \ --d_model 128 \ --d_ff 128 \ --des 'Exp' \ --itr 1 \ --top_k 5 \ --learning_rate 0.001 python -u run.py \ --task_name imputation \ --is_training 1 \ --root_path ./dataset/electricity/ \ --data_path electricity.csv \ --model_id ECL_mask_0.5 \ --mask_rate 0.5 \ --model $model_name \ --data custom \ --features M \ --seq_len 96 \ --label_len 0 \ --pred_len 0 \ --e_layers 2 \ --d_layers 1 \ --factor 3 \ --enc_in 321 \ --dec_in 321 \ --c_out 321 \ --batch_size 16 \ --d_model 128 \ --d_ff 128 \ --des 'Exp' \ --itr 1 \ --top_k 5 \ --learning_rate 0.001