Informer 调试流程图

Abstract

这份笔记对应 debug_informer.py。 目标不是跑 benchmark，而是把 输入数据 -> embedding -> encoder -> decoder -> 输出 这条链路和每一步张量 shape 对上。

1. 整体流程图

2. 一步一步看 tensor

阶段	张量名	shape	含义
输入	x_enc	[2, 96, 7]	encoder 看到的历史序列
输入	x_mark_enc	[2, 96, 4]	历史时间特征，h 频率下对应 4 维
输入	x_dec	[2, 72, 7]	decoder 输入，前 48 步是真实历史尾部，后 24 步是 0
输入	x_mark_dec	[2, 72, 4]	decoder 这 72 步对应的时间特征
归一化	mean_enc	[2, 1, 7]	每个 batch、每个变量在时间维上的均值
归一化	std_enc	[2, 1, 7]	每个 batch、每个变量在时间维上的标准差
编码嵌入	enc_out	[2, 96, 32]	数值 embedding + 时间 embedding + 位置 embedding 之和
编码器中间	EncoderLayer #1 输出	[2, 96, 32]	注意力后长度不变
编码器中间	ConvLayer 输出	[2, 49, 32]	distil=True 时做降采样
编码器输出	enc_out_final	[2, 49, 32]	给 decoder 做 cross-attention 的 memory
解码嵌入	dec_out	[2, 72, 32]	decoder 输入经过 embedding
解码器输出	decoder output	[2, 72, 7]	线性投影回变量维度
最终输出	output	[2, 24, 7]	只保留最后 pred_len 步

3. 模块参数表

模块	参数	当前值	作用
输入 batch	B	2	batch size
输入窗口	seq_len	96	encoder 输入长度
decoder 历史段	label_len	48	decoder 可以看到的历史长度
预测窗口	pred_len	24	最终要输出的未来步数
变量维	C	7	多变量时间序列里的变量数
embedding	d_model	32	每个时间步映射后的隐藏维度
FFN	d_ff	128	Transformer 中前馈网络的隐藏层维度
注意力	n_heads	4	多头注意力头数
编码器	e_layers	2	encoder layer 数量
解码器	d_layers	1	decoder layer 数量
ProbSparse	factor	3	稀疏注意力的采样因子
Dropout	dropout	0.0	dropout 比例
时间编码	embed	timeF	使用线性时间特征编码
时间频率	freq	h	小时级频率，时间特征维数为 4
激活函数	activation	gelu	FFN 激活函数
注意力输出	output_attention	False	是否额外返回 attention map
编码器降采样	distil	True	是否启用 Informer 的 distilling
任务类型	task_name	short_term_forecast	决定走 short_forecast() 分支

4. 参数名到底从哪来

这是你现在最容易混的地方。这里分成两套来源看。

4.1 在 debug_informer.py 里

这里的参数名全部是你手工塞进 SimpleNamespace 里的：

configs = SimpleNamespace(
    seq_len=96,
    label_len=48,
    pred_len=24,
    enc_in=7,
    dec_in=7,
    c_out=7,
    d_model=32,
    ...
)

也就是说，在这个调试脚本里：

• 参数来源不是 TFB 配置系统
• 参数来源不是数据集自动推断
• 参数来源就是你手写的 configs.xxx

所以这份脚本更适合看“模型内部怎么流”，不适合拿来理解“TFB 框架怎么给参数”。

4.2 在真实 TFB 运行里

真实 TFB 里，参数来源是分层叠加的：

真实路径里比较关键的几个来源：

参数名	在 debug_informer.py 里	在真实 TFB 里
seq_len	手写	adapter 自动需求参数，通常来自 benchmark 的 input_chunk_length
pred_len	手写	实际上常由 horizon 同步过来
label_len	手写	常在 DeepForecastingModelBase 里自动设成 seq_len // 2
enc_in/dec_in/c_out	手写	会根据数据列数自动推出来
freq	手写为 h	会根据时间索引频率自动推出来
norm	这个脚本没显式用	benchmark 配置里决定是否归一化
batch_size/lr/num_epochs	这个脚本里没用到训练	真实训练时来自 adapter 默认值或命令行覆盖

5. 哪些参数是 Informer 真正直接用到的

不是所有参数名都会被 Informer 本体用到。

参数名	Informer 直接使用	备注
seq_len	否	主要在别的任务分支或外层数据构造中重要
label_len	是	decoder 历史段长度
pred_len	是	最终输出长度
enc_in	是	encoder 输入通道数
dec_in	是	decoder 输入通道数
c_out	是	projection 输出通道数
d_model	是	embedding 和 Transformer 主维度
n_heads	是	多头注意力头数
e_layers	是	encoder 层数
d_layers	是	decoder 层数
d_ff	是	FFN 隐藏层维度
factor	是	ProbSparse 注意力因子
dropout	是	dropout 比例
embed	是	时间 embedding 类型
freq	是	时间 embedding 输入维度依赖它
activation	是	FFN 激活函数
output_attention	是	是否输出 attention
distil	是	是否插入 ConvLayer 下采样
task_name	是	决定走 short_forecast() 还是别的分支
moving_avg	否	这个是共享参数，Informer 本体没直接用
num_kernels	否	这个是共享参数，Informer 本体没直接用

6. 论文术语到代码对象的映射

论文里的词	代码里对应什么
Input Time Series	x_enc
Time Features	x_mark_enc, x_mark_dec
Value Embedding	TokenEmbedding
Temporal Embedding	TimeFeatureEmbedding 或 TemporalEmbedding
Positional Embedding	PositionalEmbedding
ProbSparse Self-Attention	ProbAttention
Encoder Stack	Encoder([...])
Distilling	ConvLayer
Decoder Input	x_dec
Self-Attention in Decoder	DecoderLayer.self_attention
Cross-Attention	DecoderLayer.cross_attention
Final Projection	nn.Linear(d_model, c_out)

7. 你现在最该打的断点

按顺序打，不要一上来乱钻。

1. debug_informer.py 断在 output = model(...)

2. Informer.py 断在 forward()

3. Informer.py 断在 short_forecast() 里归一化后

4. Embed.py 断在 DataEmbedding.forward()

5. Transformer_EncDec.py 断在 Encoder.forward() 和 Decoder.forward()

8. 一句话总结

你现在最该形成的不是“Informer 很复杂”的印象，而是下面这个稳定映射：

原始序列 [B,L,C] -> embedding [B,L,d_model] -> encoder memory [B,L',d_model] -> decoder hidden [B,L_dec,d_model] -> projection [B,L_dec,C] -> 最后截取 pred_len

只要这条链你能复述出来，后面你再去看真实 TFB batch、adapter、训练循环，就不会再散。