Level 6 5B 训练子块：fit_method 与 forecast_fit

Abstract

入口：

fit_method(...)

当前例子里，它实际走到：

model.forecast_fit(...)

这一层解释：

_eval_batch(...) 里的训练子块，怎样从统一训练入口 fit_method 进入 forecast_fit(...) 主链。

1. 上一层与当前层位置

上一层是：

• 25-Level5-_eval_batch四段总览

当前层是：

• Level 6：只细分 5B 训练子块。

这一层还不进入：

• 预测子块 5C
• 打分子块 5D
• 训练循环内部每一行

1.5 这一层的关系类型说明

这一层是在继续下钻：

• Level 5 里的 5B 训练子块

所以这里的 6A / 6B / 6C / 6D / 6E：

• 是 训练子块内部的逻辑分块
• 不是 Level 5 的新同级主节点
• 也不是外层对象包含关系

1.6 同层文件关系

这一层和下面两篇是同层兄弟文档：

• 27-Level6-5C-预测子块
• 28-Level6-5D-打分与收尾子块

三者之间没有“前一篇调用后一篇”的代码关系。
它们只是共同对应 25 里的三个兄弟子块：

• 5B
• 5C
• 5D

2. 当前层第一性

5B 训练子块 的第一性是：

把 _eval_batch(...) 里已经切好的训练数据，交给模型的统一训练入口，完成一次正式 fit。

2.5 当前例子里 model 到底是什么

当前例子里，_eval_batch(...) 里拿到的 model 不是裸的 DLinear，而是：

TransformerAdapter(...)

它的来源是：

model = model_factory()

而 TransformerAdapter 的继承关系是：

TransformerAdapter(DeepForecastingModelBase)

所以当前 model 实例天然就带着：

• forecast_fit(...)
• batch_forecast(...)
• _init_model(...)
• _process(...)

这些方法。

这里要分清两层：

2.1 fit_method

它不是一个新算法，而是一个兼容入口变量：

fit_method = model.forecast_fit if hasattr(model, "forecast_fit") else model.fit

它的意义是：

无论底层模型提供的是 forecast_fit(...) 还是 fit(...)，策略层都只写一套调用逻辑。

更具体一点：

fit_method = model.forecast_fit if hasattr(model, "forecast_fit") else model.fit

这里的 fit_method 不是字符串，也不是新的函数定义。
它是一个方法变量，保存的是：

• 如果 model 有 forecast_fit，就保存 model.forecast_fit
• 否则就保存 model.fit

在当前例子里，因为：

• model = TransformerAdapter(...)
• TransformerAdapter 继承自 DeepForecastingModelBase
• DeepForecastingModelBase 定义了 forecast_fit(...)

所以这里实际等价于：

fit_method = model.forecast_fit

而这里的 model.forecast_fit 又是一个绑定方法，也就是：

DeepForecastingModelBase.forecast_fit.__get__(model, TransformerAdapter)

你可以把它先简单理解成：

“已经绑定到当前 model 实例上的 forecast_fit 方法入口”。

2.2 forecast_fit(...)

它才是当前例子里真正执行训练的主函数。

所以这两句在当前例子里的真实含义就是：

fit_method = model.forecast_fit
fit_method(...)

也就是：

model.forecast_fit(...)

再展开一层就是：

DeepForecastingModelBase.forecast_fit(model, ...)

这里只是 Python 的绑定方法机制把 self=model 自动带进去了。

3. 当前命令的最小例子

这一层以下文这组数字作为例子：

• series.shape = (17420, 7)
• tv_ratio = 0.8
• train_length = 13936
• train_valid_data.shape = (13936, 7)
• train_ratio_in_tv = 0.75
• batch_size = 4
• seq_len = 96
• horizon = 24
• model = TransformerAdapter(DLinear)

在 _eval_batch(...) 里，训练子块对应的是：

target_train_valid_data, exog_train_valid_data = split_channel(
    train_valid_data, target_channel
)
covariates_train = {"exog": exog_train_valid_data}

fit_method = model.forecast_fit if hasattr(model, "forecast_fit") else model.fit
fit_method(
    target_train_valid_data,
    covariates=covariates_train,
    train_ratio_in_tv=train_ratio_in_tv,
)

当前例子里，上面这段代码可以直接改写成：

model.forecast_fit(
    target_train_valid_data,
    covariates=covariates_train,
    train_ratio_in_tv=train_ratio_in_tv,
)

再按类定义展开就是：

DeepForecastingModelBase.forecast_fit(
    model,
    target_train_valid_data,
    covariates=covariates_train,
    train_ratio_in_tv=train_ratio_in_tv,
)

所以：

fit_method(...) 就是当前 RollingForecast 训练子块真正进入 DeepForecastingModelBase.forecast_fit(...) 的入口。

4. 先看顺序图

这张图回答的是：

训练子块在代码执行上怎样推进到训练循环入口。

5. 再看抽象索引树

这棵树回答的是：

为了理解 forecast_fit(...)，这一层最重要的五个逻辑块是什么。

6. 职责树

6.1 6A 统一训练入口

职责：

• 兼容 forecast_fit(...) 和 fit(...)
• 让上层策略代码不用关心具体模型接口差异

6.2 6B 数据准备

职责：

• 合并 covariates["exog"]
• 根据数据形态补齐 freq / enc_in / dec_in / c_out / label_len

6.3 6C 模型准备

职责：

• 真正实例化底层 PyTorch 模型

6.4 6D DataLoader 准备

职责：

• 切 train/valid
• 做归一化
• 构造 DatasetForTransformer 和 DataLoader

6.5 6E 优化器与训练循环入口

职责：

• 初始化 loss / optimizer / early stopping
• 进入 epoch-batch 训练循环

7. 输入输出接口

7.1 本层入口接口

_eval_batch(...) 中的训练入口：

fit_method(
    target_train_valid_data,
    covariates=covariates_train,
    train_ratio_in_tv=train_ratio_in_tv,
)

7.2 forecast_fit(...) 的函数形参

forecast_fit(
    train_valid_data: pd.DataFrame,
    *,
    covariates: Optional[dict] = None,
    train_ratio_in_tv: float = 1.0,
    **kwargs,
)

7.3 本层关键输入

• train_valid_data
• covariates
• train_ratio_in_tv

7.4 本层关键中间变量

• series_dim
• exog_data
• train_data
• valid_data
• self.train_data_loader
• criterion
• optimizer

7.5 本层输出

• 返回值语义上是“已完成 fit 的模型对象”
• 更关键的是副作用：
  • self.model 已初始化并训练
  • self.scaler 已 fit
  • self.train_data_loader 已建立

8. 函数 / 文件关系图

9. 关键代码对应关系

9.1 统一训练入口

在 rolling_forecast.py：

fit_method = model.forecast_fit if hasattr(model, "forecast_fit") else model.fit

当前例子里，因为 TransformerAdapter 提供了 forecast_fit(...)，所以实际走：

model.forecast_fit(...)

9.2 数据依赖参数补齐

在 deep_forecasting_model_base.py：

self.multi_forecasting_hyper_param_tune(train_valid_data)

当前例子里，这一步会补：

• freq
• enc_in = 7
• dec_in = 7
• c_out = 7
• label_len = seq_len // 2 = 48

9.3 真正初始化底层模型

在 deep_forecasting_model_base.py：

self.model = self._init_model()

再往下在 adapter 里会变成：

self.model_class(self.config)

当前例子最终就是：

DLinear(self.config)

9.4 建立 DataLoader

在 deep_forecasting_model_base.py：

train_dataset, self.train_data_loader = forecasting_data_provider(...)

这一步会正式回到你阶段一学过的那条链：

• DatasetForTransformer
• DataLoader
• batch 四元组

10. 当前例子的具体落地

10.1 输入到 forecast_fit(...)

• train_valid_data.shape 约为 (13936, 7)
• covariates_train["exog"] 是外生变量部分

10.2 参数补齐后

• enc_in = 7
• dec_in = 7
• c_out = 7
• label_len = 48
• freq = 'h'

10.3 训练数据侧

按 train_ratio_in_tv = 0.75 再切出：

• train_data
• valid_data

然后建立：

• self.train_data_loader
• valid_data_loader

10.4 最后进入训练循环前

已经具备：

• 模型 self.model
• 训练 batch 流 self.train_data_loader
• criterion
• optimizer
• early_stopping

11. 当前层最重要的认知

这一层最需要稳定下来的不是训练循环细节，而是：

fit_method 只是统一入口；真正的训练主链在 forecast_fit(...)；而 forecast_fit(...) 又负责把“原始训练数据”推进到“epoch-batch 训练循环入口”。

12. 下一层入口

下一层最自然的 BFS 细分是：

for epoch in range(config.num_epochs):
    for i, (input, target, input_mark, target_mark) in enumerate(self.train_data_loader):

也就是继续写：

• Level 7 训练循环

对应下层文档：

• 29-Level7-forecast_fit训练循环

13. 只留一句

Level 6 只看训练子块怎样从 fit_method 进入 forecast_fit(...)，并推进到训练循环入口。