模型精读 Roadmap

Abstract

这篇回答：

在已经学完 TFB 主线框架之后，模型精读这一阶段应该怎么推进。

1. 当前阶段判断

你现在不再处于“理解 benchmark 怎么跑”的阶段。

你现在的阶段是：

固定框架入口，系统精读代表模型。

也就是：

• 外层框架主线已经有了
• _eval_batch 这层协议也已经固定了
• 现在开始真正进入：
  • 模型主链
  • 论文理论
  • 代码对象

2. 这一阶段的目标

不是“看很多模型”，而是：

用最少的代表模型，建立稳定的论文 - 代码 - 框架映射能力。

如果这一步做不好，后面你去：

• 改模型
• 做实验
• 找研究问题

都会虚。

3. 路线的总原则

原则 1：框架入口固定

所有模型精读都建立在同一条真实入口上：

run_benchmark
-> pipeline
-> eval_model
-> RollingForecast._eval_batch
-> fit_method / batch_forecast
-> _process
-> model.forward

原则 2：先模型主链，后细节模块

先搞清：

• forward(...)
• 主分支
• 输入输出

再下钻：

• embedding
• encoder
• decoder
• attention

原则 2.5：先图，再代码；代码和例子一起讲

每一层都固定这个顺序：

1. 顺序图
2. 分层树图
3. 完整代码
4. 带中文注释的代码
5. toy example
6. 参数与 tensor 映射

原则 3：先最小对照，再横向扩张

先学：

• DLinear
• Informer

再学：

• PatchTST
• iTransformer
• Autoformer

原则 4：每个模型都要回到 TFB 坐标

不能只懂模型内部，也要知道：

• 在 benchmark 哪一层开始分叉
• adapter 给它什么输入
• 它如何回到统一监督接口

4. 三层数据规模

L1 微型假数据

目的：

• 学 forward(...)
• 学 shape
• 学模块顺序

L2 一批真实 TFB 数据

目的：

• 学模型如何接入真实框架
• 学 _process(...) -> model.forward(...)

L3 完整 benchmark

目的：

• 学模型在完整外层里的真实位置
• 做最小模型对照实验

5. 当前模型顺序

第一阶段：建立最小对照

1. DLinear
2. Informer

第二阶段：Transformer 结构变体

3. PatchTST
4. iTransformer
5. Autoformer

第三阶段：机制扩展

6. FEDformer
7. Nonstationary_Transformer
8. TimeMixer

6. 每个模型的固定产物

每个模型最后都至少应该有：

1. 一篇“模型在 TFB 中的真实入口”文档
2. 一篇“模型主链”文档
3. 一张“论文模块 -> 代码对象”映射表
4. 一份 checkpoints

7. 当前最优先的任务

现在优先级只有这个：

任务 1

重写 Informer 的新一代文档。

不是修旧 phase1 文档，而是新写一套以真实 TFB 入口为起点的文档：

1. Informer 在 TFB 中的真实入口
2. Informer.forward 主链
3. DataEmbedding
4. Encoder
5. Decoder
6. 论文 - 代码映射表
7. Checkpoints

8. 你现在不该做什么

不要：

• 再继续扩高层框架文档
• 同时开很多模型
• 一开始就追大实验
• 一开始就做大改动

9. 下一步动作

下一步就从这里开始：

写 Informer 在 TFB 中的真实入口。

然后按这个顺序继续：

1. Informer.forward 主链
2. 参数总表
3. 最小数学例子
4. DataEmbedding
5. Encoder
6. Decoder

10. 最后压成 5 句话

1. 当前阶段是模型精读阶段，不是框架补课阶段。
2. 这一阶段的核心是建立“论文 - 代码 - 框架”稳定映射。
3. 所有模型精读都必须从真实 TFB 入口出发。
4. 当前第一批顺序是 DLinear -> Informer -> PatchTST -> iTransformer -> Autoformer。
5. 你现在最直接的下一步，就是沿着 Informer 这一套文档自顶向下细读。