目录
1.最一开始的输入和encoder之前的处理
2.得到seasonal和trend
3.拼接得到seasonal和trend
4.对原始的向量进行编码得到输出
5.接下来进入了encoder的部分
5.1整个encoder的架构
5.2整个encoder_layer的架构
5.3attention的计算
1.最一开始的输入和encoder之前的处理
这里mean和zeros的维度都是（32，96，7）。而输入的x_enc的维度也是（32，96，7）。对mean和zeros进行查看。如下图：
2.得到seasonal和trend
接下来将会得到论文中所讲到的两个部分，一个是seasonal一个是trend。这个decomp这个函数的需要的输入是（x_enc），
而decomp是series_decomp这个方法的实例化，这个方法需要一个Kernel_size。（一般这个参数都是卷积才会用到的，所以这里的操作类似卷积？）
接下来到了series_decomp这个函数这里，这个函数重点的地方在初始化的地方，他只有一个moving_avg这个方法，而这个方法需要的参数和卷积很像。到了这里这个x的维度是（32，96，7）也就是最一开始的那个dec后的向量。目标是对这个向量进行分解
接下来到了最里面的部分也就是moving_avg这个函数，这个函数仅仅需要一个kernel_size和一个一维卷积。看来这个主要的操作也就是卷积操作。
x[:, 0:1, :]：这个是（32，1，7）的维度。
front = x[:, 0:1, :].repeat(1, (self.kernel_size - 1) // 2, 1)：这个是将第二个维度进行扩充变成了12。
end = x[:, -1:, :].repeat(1, (self.kernel_size - 1) // 2, 1)：这个end是将倒数第一个维度进行扩充变成了12。所以到了这里，front和end的维度都是变成了（32，12，7）。而原来的输入的x的维度是（32，96，7）。为了形成对比方便理解记录一下。一前一后都是取这个原来的x的其中一个维度进行复制12份，而原来的x的维度是（32，96，7）。
x = torch.cat([front, x, end], dim=1)。这一步是将这三个矩阵进行叠加，形成了一个维度为（32，120，7）的新的向量。
x = self.avg(x.permute(0, 2, 1))。这一步是对这个x进行卷积的操作，permute是将tensor的维度进行换位。这一步结束后，x的维度是（32，7，96）。
x = x.permute(0, 2, 1)。这一步是对x进行维度的换，经过这一次x的维度变成了（32，96，7）。
这个repeat的用法是这样的：
到了这一步，这个movingmean是刚才出来的卷积后的tensor。也就是（32，96，7）的维度的数据。这个res是用x来减去这个moving_mean，得到的是res，也就是整个返回的结果。也就是说整个series_decomp这个class返回的结果是一个是进行首尾相加然后卷积出来的moving_mean,还有一个就是res这个res是利用原来的x减去moving_mean的结果。这两个向量的维度都是（32，96，7）的维度。
然后返回到整个model的结构这里这里返回的的seasonal_init，trend_init都是刚才返回的结果。也就是说，上文用原本的x减去叠加卷积的x得到的res是seasonal_init，moving_mean也就是trend_init，也就是说叠加后再进行卷积得到的是这个长期的？用原本的x减去叠加卷积后的x是短期的seasonal_init？
3.拼接得到seasonal和trend
到了这一步，这个label_len是（48），所以取trend_init的后48位和mean进行拼接。取seasonal_init的后48位置和zeros进行拼接，得到最终的trend_init和seasonal_init。这两个向量的维度都是（32，144，7）。
到这里总结一下，
1.seasonal_init是怎么来的：seasonal_init，是decomp的第一个参数，也就是对原本的x进行叠加和卷积后的moving_mean，用原本的x进行减去他得到的结果。对于这个结果是（32，96，7）然后再取后48位，利用这个和zeros进行拼接，得到一个（32，144，7）的向量。
2.trend_init是怎么来的：trend_init是decomp的第二个参数，也就是对x进行叠加和卷积后的moving_mean这个本体，然后对于这个数进行取后48位置，和mean进行拼接，得到一个（32，144，7）的向量。
也就是如论文中下面这几个图所示的部分，
4.对原始的向量进行编码得到输出
接下来到了这一步，这一步对x_enc进行编码，得到了一个（32，96，512）的维度的词编码，这个词编码是对最原始的x_enc进行编码得到的，还没有和season和trend这两个部分联系上。
5.接下来进入了encoder的部分
encoder，应该是在整个部分比较重要的结构。记录一下这里传入的enc_out是对原本的x进行编码的数据，也就是（32，96，512）的维度的数据。
5.1整个encoder的架构
整个encoder部分，重要的部分只有一个EncoderLayer层。
整个EncoderLayer其中有两个比较重要的部分，一个是AutoCorrelation还有一个是moving_avg。反映在论文中的如下图，
论文中的图，如下：根据代码中猜测，红色和绿色的中间应该是还有两层卷积层进行信息的提取，一个EncoderLayer层包括一个Auto-Correlation的计算，还有两个Series Decomp的分解。
5.2整个encoder_layer的架构
整个EncoderLayer对应的部分如下图所示，
然后进入了Encoderlayer里面，也就是Encoder的attn_layer，也就是Encoderlayer。
接下来查看整个EncoderLayer层在做什么
对应论文中的如下图：
整个层大概分为这四个部分，发现到最后decomp只返回了第一个参数作为res，查看这个res看看他是哪个部分。查看series_decomp这个函数，发现res是利用原本的x对原本的x进行叠加和卷积后减去的这个结果。也就是一开始的seasonal的部分。
5.3attention的计算
然后正式进入了EncoderLayer层的，attention的计算的部分：
这个attention的计算也就是AutoCorrelationLayer这个部分：发现这个部分相比于Transformer的attention的计算中主要有区别的就是inner_correlation这个部分。
接下来进入到了其中最麻烦的部分也就是，AutoCorrelation的计算的部分。
