Model Order 阅读入口：DLinear -> PatchTST -> Informer

Abstract

model-order 的意思是：

不是按 PyTorch 知识类别排序，而是按你学习模型时第一次遇到这些函数的顺序排序。

1. 总顺序

当前固定顺序：

DLinear -> PatchTST -> Informer

原因：

顺序	模型	为什么放这里
1	DLinear	最简单，先学 moving_avg / AvgPool1d / Linear
2	PatchTST	在 DLinear 基础上加入 patch / unfold / Transformer encoder / FullAttention
3	Informer	最后再看更复杂的 DataEmbedding / ProbAttention / Encoder-Decoder

2. DLinear 目录

目录：

01-DLinear/

阅读顺序：

顺序	文档	解决的问题
1	[[01-DLinear/01-Autoformer_EncDec-moving_avg-forward-基础语法注解]]	moving_avg.forward 里的切片、repeat、torch.cat
2	[[01-DLinear/02-AvgPool1d与permute-DLinear-moving_avg]]	AvgPool1d 为什么要先 permute(0,2,1)
3	[[01-DLinear/03-Linear最后一维规则-DLinear-Informer-PatchTST]]	nn.Linear 为什么作用最后一维；DLinear 怎么 seq_len -> pred_len

DLinear 阶段的核心目标：

先把 (B,T,C) 的时间序列张量、滑动平均、线性投影讲清楚。

3. PatchTST 目录

目录：

02-PatchTST/

阅读顺序：

顺序	文档	解决的问题
1	[[02-PatchTST/01-ReplicationPad1d与unfold-PatchTST-PatchEmbedding]]	为什么先 padding，再 unfold 切 patch，再 reshape(B*C,...)
2	[[02-PatchTST/02-Flatten与标准化统计-PatchTST输出头]]	mean(dim=1)、标准化、FlattenHead、反标准化
3	[[02-PatchTST/03-Conv1d与BCL格式-Informer-PatchTST]]	Transformer FFN 里的 Conv1d(kernel=1) 和 (B,C,L) 格式
4	[[02-PatchTST/04-LayerNorm-BatchNorm-Dropout-Transformer基础]]	Transformer 层里的归一化和 dropout
5	[[02-PatchTST/05-Attention基础操作-view-matmul-einsum-softmax-topk]]	PatchTST / Informer attention 里的 view / einsum / softmax / topk
6	[[02-PatchTST/06-Encoder实例逐步精读-PatchTST-Layer2B]]	PatchTST self.encoder 实例如何嵌套、forward 每步怎么走、token 数值直觉怎么变

PatchTST 阶段的核心目标：

理解 patching + channel-independent + Transformer encoder。

注意：

有些文档标题里仍然带 Informer，因为这些函数是 Transformer 共用基础。
但在 model-order 里，它们先放在 PatchTST 阶段学习，因为 PatchTST 是第一次系统遇到 Transformer encoder / attention 的地方。

4. Informer 目录

目录：

03-Informer/

阅读顺序：

顺序	文档	解决的问题
1	01-Embedding与位置编码-Informer-PatchTST	Informer 的 DataEmbedding / TokenEmbedding / TemporalEmbedding / PositionalEmbedding，以及 PatchTST PatchEmbedding 对照
2	02-ProbAttention完整代码精读	SelfAttention_Family.py 里的 ProbAttention：采样 key、选择 top query、初始化 context、精确更新 context

Informer 阶段的核心目标：

在已经理解 Transformer 基础操作之后，再看 Informer 特有的 embedding 和 ProbAttention。

后续如果继续补 Informer，应优先新增：

03-Informer/02-ProbAttention完整代码精读.md
03-Informer/03-DataEmbedding完整下钻.md
03-Informer/04-EncoderDecoder主链基础函数.md

5. 和 concept-order 的区别

concept-order/ 是按知识类别整理：

层函数
Tensor 操作

model-order/ 是按模型学习路径整理：

DLinear -> PatchTST -> Informer

如果你是在复习 PyTorch 函数，优先看 concept-order。

如果你是在跟模型源码，优先看 model-order。