Level3 forward 主链

Abstract

这一篇对应 00-DLinear总览与Level树 的 Level 3。

它只讲一件事：

进入 DLinear.forward(...) 以后，forecasting 任务到底走哪条分支，以及 encoder(...) 在这里到底扮演什么角色。

1. 当前层第一性

这一层存在的第一性是：

先确定 forecasting 任务里，forward(...) 真实走的是哪条分支，并钉死 DLinear 里的 encoder(...) 不是 Transformer encoder，而是“分解 + 两路线性预测”的主体函数。

用户最容易误解的地方就在这里：

• 名字叫 encoder
• 但它并不是注意力 encoder
• 它实际上就是 DLinear 的主运算体

2. 上下文

父节点：

• 00-DLinear总览与Level树
• 02-Level2-数据进入DLinear

下一层：

• 04-Level4-encoder分解与线性预测总览

当前入口接口：

DLinear.forward(x_enc, x_mark_enc, x_dec, x_mark_dec)

当前出口接口：

forecast(x_enc)
-> encoder(x_enc)
-> output.shape = (B, pred_len, C)

3. 顺序图

4. 抽象树

5. forward(...) 完整代码

位置：

• DLinear.py

def forward(self, x_enc, x_mark_enc, x_dec, x_mark_dec, mask=None):
    if (
        self.task_name == "long_term_forecast"
        or self.task_name == "short_term_forecast"
    ):
        dec_out = self.forecast(x_enc)
        return dec_out[:, -self.pred_len :, :]
    if self.task_name == "imputation":
        dec_out = self.imputation(x_enc)
        return dec_out
    if self.task_name == "anomaly_detection":
        dec_out = self.anomaly_detection(x_enc)
        return dec_out
    if self.task_name == "classification":
        dec_out = self.classification(x_enc)
        return dec_out
    return None

6. 中文注释版完整代码

def forward(self, x_enc, x_mark_enc, x_dec, x_mark_dec, mask=None):
    # forecasting 任务：真正走 forecast(x_enc)
    if (
        self.task_name == "long_term_forecast"
        or self.task_name == "short_term_forecast"
    ):
        dec_out = self.forecast(x_enc)
        # 只保留最后 pred_len 段作为预测输出
        return dec_out[:, -self.pred_len :, :]

    if self.task_name == "imputation":
        dec_out = self.imputation(x_enc)
        return dec_out

    if self.task_name == "anomaly_detection":
        dec_out = self.anomaly_detection(x_enc)
        return dec_out

    if self.task_name == "classification":
        dec_out = self.classification(x_enc)
        return dec_out

    return None

7. 代码块 1：任务分支判断

7.1 输入/输出语义

输入：

• task_name
  • 当前任务类型。

输出：

• 决定走哪一条模型内部路径。

当前真实例子里：

• task_name = short_term_forecast

所以一定走：

dec_out = self.forecast(x_enc)
return dec_out[:, -self.pred_len :, :]

这一段在总体里的作用：

先把 forecasting 任务和其他任务分开。DLinear 不同任务会共享部分代码壳，但当前例子只关心 forecasting。

8. 代码块 2：forecast(x_enc)

代码：

def forecast(self, x_enc):
    return self.encoder(x_enc)

8.1 输入/输出语义

输入：

• x_enc
  • 历史数值窗口，形状 (B, seq_len, C)。

输出：

• dec_out
  • 未来预测窗口，形状 (B, pred_len, C)。

8.2 这里最该固定的认识

这里没有 decoder、没有 attention、没有复杂桥接。

forecast(...) 的语义非常直接：

把历史窗口 x_enc 直接送进 DLinear 的主体函数 encoder(...)，得到未来预测。

9. 代码块 3：为什么名字叫 encoder

这是用户最容易困惑的点。

在 DLinear 里：

def encoder(self, x):
    ...

这个名字容易让人误以为：

• 它像 Informer 一样是一个注意力 encoder
• 只是整个模型的一部分

但在当前 forecasting 主链里，它其实承担的是：

DLinear 的核心运算主体。

也就是：

• 输入原始历史序列 x_enc
• 先分解 seasonal / trend
• 再各自线性预测到未来 pred_len
• 最后相加返回

所以这里更准确的脑内翻译应该是：

encoder(x)
≈
DLinear 的主运算体

10. toy 例子贴代码讲解

固定 toy 参数（与所有文档对齐）：

• B = 2
• seq_len = 6
• pred_len = 2
• enc_in = 3

x_enc.shape = (2, 6, 3)

10.1 代码块 1：进入 forecasting 分支

dec_out = self.forecast(x_enc)

• 入口：(2, 6, 3) — 2 个 batch，每个 6 步历史，3 个变量
• 出口：(2, 2, 3) — 每个 batch 预测 2 步

10.2 代码块 2：最终返回

return dec_out[:, -self.pred_len :, :]

forecast(x_enc) 的 encoder(...) 已经直接输出 (B, pred_len, C)，所以这里的 [:, -pred_len:, :] 是保险切片：

dec_out.shape = (2, 2, 3)
dec_out[:, -2:, :].shape = (2, 2, 3)   ← 等于整体，没有截断

保险切片的目的：某些 encoder 实现可能输出比 pred_len 长的序列，统一从末尾取 pred_len 步保证输出形状正确。在 DLinear 这里恰好等于全部。

11. 这一层最该固定什么

1. 当前 forecasting 任务里，forward(...) 只走 forecast(x_enc)。
2. x_mark_enc / x_dec / x_mark_dec 不是真正核心。
3. encoder(...) 在 DLinear 里不是 Transformer encoder，而是模型主体。
4. 这层的真正出口是：

encoder(x_enc)

12. 下一步

继续看：

• 04-Level4-encoder全链精读