sea = x - moving_avg计算原始序列与其移动平均的差值，即季节性分量
return self.embed(x)
embed.py # TokenEmbedding # forward()
embed.py # PositionalEmbedding # forward()
dec 的维度由（32， 192， 512） 变为了（32， 192， 7）
embed.py # DataEmbedding # forward()
embed.py # TimeFeatureEmbedding # forward()
train()
conv_trans
for 循环内代码
decomp_multi
moving_avg = func(x)每一个 AvgPool1d 对 x 进行处理
dec_embedding
self.position_embedding(x)
moving_mean = sum(moving_mean) / len(moving_mean)维度（32， 96， 7）计算所有移动平均的平均值，得到最终的趋势分量
x = self.value_embedding(x) + self.position_embedding(x) + self.temporal_embedding(x_mark)
return x
self.temporal_embedding(x_mark)
local_global.py # moving_avg # forward(x)
遍历 train_loader 的数据：batch_x、batch_y、batch_x_mark、batch_y_mark
方法入口
sea = sum(res) / len(res)维度（32， 96， 7）计算所有季节性分量的平均值，得到最终的季节性分量
model.py # forward()
moving_mean.append(moving_avg)将得到的 moving_avg 加入到 moving_mean 集合中去moving_avg 维度为（32， 96， 7）
python -u run.py --model micn --mode regre --data ETTh1 --features M --freq h --conv_kernel 12 16 --d_layers 1 --d_model 512 --seq_len 96 --label_len 96 --pred_len 96
return self.projection(dec)
regression
local_global.py #series_decomp_multi # forward(x)
清空梯度model_optim.zero_grad()
regression.weight
seasonal_init_dec 变量维度为（32， 192， 7）x_mark_dec 维度为（32， 192， 4）dec_out 维度为（32， 192， 512）
res.append(sea)加入结果中
dec_out = self.conv_trans(dec_out)
self.value_embedding(x)
x 的维度为（32， 192， 7）经过 self.value_embedding(x) 维度为（32， 192， 512）经过 self.position_embedding(x) 维度为（1， 192， 512）经过 self.temporal_embedding(x_mark) 维度为（32， 192， 512）最后将三个嵌入后的 x 相加起来，x 的维度为（32， 192， 512）
初始化Exp_Informer
Dataset_ETT_hour以 ETTh1 数据集为例，这里初始化该类，在该类中读取数据
这里输入参数 batch_x 的维度为（32， 96， 7）第一个维度 32 表示批处理大小，即一次处理的样本数量第二个维度 96 表示时间序列的长度，即时间步数第三个维度 7 表示每个时间步的特征数量
for mic_layer in self.mic: dec = mic_layer(dec)
return self.dropout(x)
self.mode == 'regre'
通过一维平均池化操作（AvgPool1d）对输入进行处理，目的是降低序列数据的长度，同时保留其重要特征
x_dec 的维度（32， 192， 7）pred_len = 96这里通过 torch.zeros 创建一个维度为（32， 96， 7）的变量
