Layer0 接入界面

本文档描述 TFB 框架如何把原始数据切片、配置超参数，最终构造出传入 iTransformer.forward() 的四元组。对应 [[00-总览]] BFS 树的第一层。

---

§1 在父层中的位置

RollingForecast 策略按滑动窗口切出 (x_enc, x_mark_enc, x_dec, x_mark_dec)，交由 TransformerAdapter._process() 拼装 dec_input 并直接调用 model.forward()——本文档覆盖的就是这条从"数据切片"到"模型入口"的完整准备路径。

---

§2 I/O 接口定义

四元组 shape（toy 参数）

张量	shape（toy）	具体含义	使用情况
x_enc	(3, 12, 5)	B=3 批次，seq_len=12 时间步，N=5 变量	✅ 实际使用
x_mark_enc	(3, 12, 4)	encoder 时间特征，time_dims=4（hour/weekday/monthday/month）	✅ 实际使用
x_dec	(3, 12, 5)	label_len=6 历史 + pred_len=6 零占位，共 12 步	⚠️ 传入但完全未使用
x_mark_dec	(3, 12, 4)	decoder 时间特征，同 x_enc 的 time_dims	⚠️ 传入但完全未使用

forward() 返回：dec_out[:, -pred_len:, :] → (3, 6, 5)，即 (B, pred_len, N)

x_dec / x_mark_dec 是"哑参数"

_process() 按通用框架逻辑构造了 dec_input，但 iTransformer.forecast() 函数体中一行都没有引用这两个参数。iTransformer 是 encoder-only 模型，Decoder 分支根本不存在。详见 [[#§5.1 encoder-only 与 哑参数]]。

label_len 推导（toy）

参数	值	来源
seq_len	12	rolling_forecast 切片窗口
label_len	6	multi_forecasting_hyper_param_tune() 设置：seq_len // 2
pred_len	6	评测配置指定
dec_len（实际构造）	12	label_len + pred_len = 6 + 6（但模型不使用）

---

§3 顺序图（具体层）

---

§4 语义分组图（索引层）

---

§5 逐步精读

§5.1 encoder-only 与"哑参数"

iTransformer 是 encoder-only 模型，完全没有 Decoder 模块。但 TFB 框架的通用适配器 TransformerAdapter 并不区分模型架构——它对所有 Transformer 类模型统一构造四元组并调用相同签名的 forward()。

结果是：forecast() 函数签名接收 x_dec 和 x_mark_dec，但函数体第一行到最后一行都没有引用它们。

与有 Decoder 的模型对比：

模型	Decoder	x_dec / x_mark_dec 实际用途
Informer	✅ 有（ProbSparse Attention）	传入 Decoder，做自回归预测
Autoformer	✅ 有（Auto-Correlation Decoder）	传入 Decoder，序列分解
iTransformer	❌ 无	⚠️ 收到但函数体完全不用（哑参数）

这是一个框架通用性 vs 模型实现之间的"接口冗余"——对 iTransformer 而言，_process() 中构造 dec_input 的代码是运行但无效的死代码路径。

---

§5.2 MODEL_HYPER_PARAMS 与 iTransformer 的关系

iTransformer 没有专属超参数。Autoformer 有 moving_avg，PatchTST 有 patch_len 和 stride，而 iTransformer 直接复用通用字段，无需额外注册。

与 iTransformer 直接相关的通用参数：

参数	默认值	iTransformer 用途
d_model	512（toy: 8）	DataEmbedding_inverted Linear 输出维度
n_heads	8（toy: 4）	FullAttention 多头数
e_layers	2	Encoder 堆叠层数
d_ff	2048（toy: 16）	EncoderLayer FFN 隐层维度
dropout	0.1	各层 Dropout
embed	"timeF"	时间特征编码方式（影响 time_dims=4）
freq	"h"	时间频率（hour → 4 维时间特征）
activation	"gelu"	FFN 激活函数
output_attention	0	不输出注意力权重矩阵
task_name	"short_term_forecast"	默认值；multi_forecasting_hyper_param_tune 会覆写为 "long_term_forecast"
factor	1	FullAttention 中 top_k = factor × ceil(ln(L))（稀疏注意力比例，Full 模式不使用）

enc_in / dec_in / c_out 不在 MODEL_HYPER_PARAMS 中

这三个参数由 multi_forecasting_hyper_param_tune() 在运行时根据数据集动态推断，不在静态默认值字典里。

---

§5.3 _process() 构造 dec_input

原始源码（adapters_for_transformers.py）：

def _process(self, input, target, input_mark, target_mark):
    dec_input = torch.zeros_like(target[:, -self.config.horizon:, :]).float()
    dec_input = torch.cat([target[:, :self.config.label_len, :], dec_input], dim=1).float().to(input.device)
    output = self.model(input, input_mark, dec_input, target_mark)
    return {"output": output}

逐行注解：

第 1 行：target[:, -self.config.horizon:, :]

• target 是完整的标签窗口，shape = (B, label_len + pred_len, N) = (3, 12, 5)
• [-horizon:] = [-pred_len:] = 取最后 6 步 → shape (3, 6, 5)
• torch.zeros_like(...) 创建等形全零张量，作为"未来未知"的占位符

第 2 行：torch.cat([target[:, :label_len, :], dec_input], dim=1)

• target[:, :label_len, :] = 取前 6 步历史（label 段），shape (3, 6, 5)
• 与全零占位拼接，dim=1（时间维）→ dec_input 最终 shape (3, 12, 5)

第 3 行：直接调用 self.model(input, input_mark, dec_input, target_mark)

• 参数名映射：input = x_enc，input_mark = x_mark_enc，dec_input = x_dec，target_mark = x_mark_dec

toy 数值追踪：

target shape:              (3, 12, 5)   # label_len=6 历史 + pred_len=6 未来
target[:, -6:, :]  →       (3, 6, 5)   # pred_len=6 的未来段
zeros_like(...)    →       (3, 6, 5)   # 全零占位
target[:, :6, :]   →       (3, 6, 5)   # label_len=6 的历史段
cat([历史, 零占位], dim=1) → (3, 12, 5)  # dec_input 最终 shape（⚠️ iTransformer 不会使用）

⚠️ 重要：上述构造对 iTransformer 是无效的——代码会运行，dec_input 会被创建并传入 forward()，但 forecast() 函数体中没有任何代码访问 x_dec 参数。这是框架通用性导致的"合法但多余"的计算。

---

§5.4 forward() 分支路由

原始源码（iTransformer.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, x_mark_enc, x_dec, x_mark_dec)
        return dec_out[:, -self.pred_len:, :]  # [B, L, D]

注解：

• task_name 由 multi_forecasting_hyper_param_tune() 覆写为 "long_term_forecast"，因此命中第一个条件
• forecast() 接收四元组签名，但函数体只使用 x_enc 和 x_mark_enc；x_dec、x_mark_dec 进入函数后立即被忽略
• 返回 dec_out[:, -self.pred_len:, :]，对 forecast() 的输出做末端裁剪（详见 §5.5）

---

§5.5 返回值裁剪：dec_out[:, -pred_len:, :]

裁剪机制：

forecast() 内部 Projection 层的输出 shape 为 (B, pred_len, N)，即已经是目标维度。forward() 再用 [:, -pred_len:, :] 裁剪是防御性写法——确保无论 forecast() 返回多长的序列，都只取最后 pred_len 步。

toy 数值追踪：

forecast() 输出 dec_out:      (3, 6, 5)   # B=3, pred_len=6, N=5
[:, -pred_len:, :]
  = [:, -6:, :]               (3, 6, 5)   # ← 索引 [0..5]，无裁剪（dec_len = pred_len）

在本 toy 参数下，forecast() 输出恰好是 (3, 6, 5)，裁剪前后 shape 不变。

⚠️ 为什么在这里 pred_len = dec_len？

• forecast() 的 Projection 层是 nn.Linear(d_model, pred_len)，permute 后直接输出 (B, pred_len, N)
• 不像 Informer/Autoformer 会输出 label_len + pred_len 长度的序列再裁剪
• 因此 [:, -pred_len:, :] 对 iTransformer 而言是幂等操作，但保留它是为了与其他 Transformer 模型保持接口一致性