1.理解conv1d和conv2d
a. 1和2处理的数据不同，1维数据和图像
b. 例如x输入形状为(32,19,512)时，卷积公式是针对512的，而19应该变换为参数中指定的输出通道。
2."SE块"（Squeeze-and-Excitation Block）它可以帮助模型自动学习不同特征的重要性，然后增强有用的特征，抑制不那么重要的特征。SE块的工作流程就是：首先通过自适应平均池化"挤压"出全局信息，然后通过两次一维卷积和ReLU激活函数学习不同特征的重要性，最后通过Sigmoid函数将这些重要性转换为0到1之间的权重。这些权重随后可以用于对原始特征图进行重新标定，即根据权重增强或抑制不同的特征。
3.Pointwise Convolution（点卷积）
点卷积，也称为1x1卷积，是一种特殊的卷积操作，其中卷积核的大小为1x1（对于二维卷积是1x1x输入通道数，对于一维卷积是1x输入通道数）。这种卷积操作不会改变输入数据在空间维度（对于一维数据是长度，对于二维数据是高度和宽度）上的大小，但它可以改变数据的深度（即通道数），常用于构建更复杂的网络结构。
- 位置编码
pos：位置，0~seq_len-1
i: 0~embedding/2 embedding = dmodel
- zip （），对三维数组迭代时：
for x in zip（X）：，X形状为（3,4,5）,则循环3次，x的形状是（4,5）
- torch.stack 把多个2维的张量合成一个3维的张量
7.如果你有一个形状为(3, 4, 5)的tensor，并且你调用.sum(dim=0)，那么你会沿着第一个维度（大小为3的那个维度）求和，结果是一个形状为(4, 5)的tensor，因为第一个维度被求和掉了。
8.torch.max ,0是行，1是列
- loss 和train_loss 的计算
9. 当你在使用val_loader（或任何用于验证/测试的数据加载器）时，你会使用model.train()时训练好的参数。但是，重要的是要注意，尽管你使用的是训练好的参数，但在进行验证或测试时，你应该将模型设置为评估模式（使用model.eval()），而不是训练模式。