【SegRNN 源码理解】【今天不水文系列】编码器部分理解

我来小小的理解一下：

首先，16 batchsize，60sequendcelength，7 个特征的通俗解释

16 个独立的样本，每个样本有 60 个连续的时间步及对应的标签值，每个时间步有 60 个特征

所以就是因为样本是随机从训练集中采的，所以就假设采的是

样本 1，样本 6，样本 109，样本 334，样本 354等等等，一共 16 个（这就是 batchsize，表示一个 batch中容纳的样本数）

接下来，每个样本中连续的 60 个时间步，这个就很好理解了，但是这 60 个连续的时间步：

(0)样本 1：可能从第 7 个时间开始.....跟着 60 个，后面紧跟着要预测的 24 个时间步，dataloader 读数据时都封装好了，会对应上的

(1)样本 6：从第 38 个时间开始.....

(2)样本109：从第 1 个时间开始

......

(15)样本 334：从第 129 个时间开始

总之就是这样，然后每个时间有 7 个特征表示

接下来 16x60x7 --》 16×7×60

就是：

（0）样本 1：特征 1[60个连续的时间步]，特征 2，特征 3,,,,,特征 7

（1）样本 6：特征 1，特征 2，特征 3,,,,,特征 7

（2）样本109：特征 1，特征 2，特征 3,,,,,特征 7

......

（15）样本 334：特征 1，特征 2，特征 3,,,,,特征 7

每个特征分别有 60 个连续的时间步

接下来呢，又开始对于这 60 个时间步，分段，分成 5 段，每段 12 个

然后呢，就把分出来的段，12 维统统喂到 linear 中，嵌入到 512 维，用的一个嵌入空间，所以嵌入时使用权值矩阵是一样的，毕竟得在同一个准则下才有可比性，这一步就是学习了每一个小段内，时间之间的相关关系

代码中搞事情：

它把样本batch 维度和特征维度，混到一起写，reshape 成（-1，seg_num_x,seg_dim）

（0）样本 1-特征 1 ：【12】【12】【12】【12】【12】

（0）样本 1-特征 2 ：【12】【12】【12】【12】【12】

....

（0）样本 1-特征 7 ：【12】【12】【12】【12】【12】

（1）样本 6-特征 1 ：【12】【12】【12】【12】【12】

（1）样本 6-特征 2 ：【12】【12】【12】【12】【12】

....

（1）样本 6-特征 7 ：【12】【12】【12】【12】【12】

（15）样本 334-特征 1 ：【12】【12】【12】【12】【12】

（15）样本 334-特征 2 ：【12】【12】【12】【12】【12】

....

（15）样本 334-特征 7 ：【12】【12】【12】【12】【12】

也就是 112 条序列、、、 112×5×12

linear 就是把所有的 12 全部嵌入到 512 维

112×5×512

（0）样本 1-特征 1 ：【512】【512】【512】【512】【512】→ 5步GRU → hn[0,0]

（0）样本 1-特征 2 ：【512】【512】【512】【512】【512】→ 5步GRU → hn[0,1]

....

（0）样本 1-特征 7 ：【512】【512】【512】【512】【512】→ 5步GRU → hn[0,6]

（1）样本 6-特征 1 ：【512】【512】【512】【512】【512】→ 5步GRU → hn[0,7]

（1）样本 6-特征 2 ：【512】【512】【512】【512】【512】→ 5步GRU → hn[0,8]

....

（1）样本 6-特征 7 ：【512】【512】【512】【512】【512】

（15）样本 334-特征 1 ：【512】【512】【512】【512】【512】

（15）样本 334-特征 2 ：【512】【512】【512】【512】【512】

....

（15）样本 334-特征 7 ：【512】【512】【512】【512】【512】→ 5步GRU → hn[0,111]

接下来段内建模完了，那相邻段之间的时间的关系还没有建模呀，就把这些统统喂到 RNN 中，

RNN 把这个当做 5 个时间步，112 当成新的 batch，RNN 的 hiddensize 也设置成了 512（源码中写了），也就是

单层 GRU（文中实际上用的 RNN 单元）

[序列 1] → 5步GRU → hn[0,0]
[序列 2] → 5步GRU → hn[0,1]
...
[序列 8] → 5步GRU → hn[0,7]
...
[序列 112] → 5步GRU → hn[0,111]

实际上这个 hn 应该是三维的，毕竟输入就是三维的，h_n.shape=1×112×512

应该是：

[序列 1] → hn[0, 0, :] - 批次0-特征0的最终隐藏状态
[序列 2] → hn[0, 1, :] - 批次0-特征1的最终隐藏状态
...
[序列 8] → hn[0, 7, :] - 批次1-特征0的最终隐藏状态
...
[序列 112] → hn[0, 111, :] - 批次15-特征6的最终隐藏状态

如果模型使用了多层GRU(例如num_layers=2)，则隐藏状态的第一维将为2，我们会有：