Layer 2C — Decoder 精读

由 forecast() 主链（[[02-Layer1-forecast主链]]）调用：
seasonal_part, trend_part = self.decoder(dec_out, enc_out, x_mask=None, cross_mask=None, trend=trend_init)

---

1. 在父层中的位置

forecast()
  └─ self.decoder(dec_out, enc_out, trend=trend_init)  ← 本文档
       └─ DecoderLayer[0](x, cross)                   → 详见 03C1-Layer3-DecoderLayer

---

2. I/O 接口定义

	shape	含义
输入 x	(2, 10, 8)	dec_embedding 输出（seasonal 路径）
输入 cross	(2, 12, 8)	encoder 输出（cross-attention KV）
输入 trend	(2, 10, 5)	trend 初始值（forecast 构造的 trend_init）
输出 seasonal_part	(2, 10, 5)	季节分量（d_model→c_out 投影后）
输出 trend_part	(2, 10, 5)	趋势分量（trend_init + 累加的 residual_trend）

---

3. 顺序图（具体层）

---

4. 语义分组图（索引层）

---

5. 逐步精读

5.0 完整原始代码

class Decoder(nn.Module):
    def __init__(self, layers, norm_layer=None, projection=None):
        super(Decoder, self).__init__()
        self.layers = nn.ModuleList(layers)
        self.norm = norm_layer
        self.projection = projection

    def forward(self, x, cross, x_mask=None, cross_mask=None, trend=None):
        for layer in self.layers:
            x, residual_trend = layer(x, cross, x_mask=x_mask, cross_mask=cross_mask)
            trend = trend + residual_trend

        if self.norm is not None:
            x = self.norm(x)

        if self.projection is not None:
            x = self.projection(x)
        return x, trend

---

5.1 DecoderLayer 循环 + trend 累加

for layer in self.layers:
    x, residual_trend = layer(x, cross, x_mask=x_mask, cross_mask=cross_mask)
    trend = trend + residual_trend

d_layers=1，循环只执行 1 次。DecoderLayer 返回两路：

• x (2,10,8)：更新后的 seasonal 表示
• residual_trend (2,10,5)：本层 3 次 decomp 提取的趋势之和，经 Conv1d 投影到 c_out=5

trend = trend_init + residual_trend：将初始 trend（历史均值填充）与本层提取的趋势增量相加，得到最终 trend_part (2,10,5)。

若 d_layers=2（超参可调），则循环两次，每次都做 trend += residual_trend，实现渐进式趋势精化。

→ DecoderLayer 内部详见 [[03C1-Layer3-DecoderLayer]]

---

5.2 my_Layernorm + Linear 投影

if self.norm is not None:
    x = self.norm(x)

if self.projection is not None:
    x = self.projection(x)
return x, trend

my_Layernorm(x) 同 Encoder 的处理：LayerNorm → 减去时间均值，保留 seasonal 特性。

self.projection = nn.Linear(d_model=8, c_out=5) 将 seasonal 表示从 d_model 维投影回原始变量数：

$$\text{seasonal\_part}=x\cdot W_{\text{proj}}^T{W}_{\text{proj}}\in {\mathbb{R}}^{5\times 8}$$

• 输入 x (2, 10, 8) → Linear(8→5) → seasonal_part (2, 10, 5)

trend_part 不经过 projection（已经在 DecoderLayer 内部用 Conv1d 投影到 c_out=5），直接原样返回 (2, 10, 5)。

toy 数值：trend_part[0,6,0] = trend_init[0,6,0] + residual_trend[0,6,0] = 5.0 + 0.03 = 5.03

---

6. 下钻子组件

子组件	职责	下层文档
DecoderLayer	3段（masked self-attn + cross-attn + FFN）+ 3×decomp + trend 路由	[[03C1-Layer3-DecoderLayer]]