Image(镜像)：可以理解为虚拟机的快照，里面包含了你要部署的应用程序以及它关联的所有库、软件。通过镜像可以创建许多不同的Container容器，这些容器就行是一台台运行起来的虚拟机，里面包含了虚拟程序。每个容器独立运行，相互之间不影响。容器就是镜像的实例化。我们可以修改容器中的安装包啥的，然后保存这个容器成为一个新的镜像（在顶层叠加）。如果学习Conda环境，这就很好理解了，我们每次构建一个项

的整体思路是**先用一个主干模型给出一个初始预测结果，然后再对这个结果进行修正**。：为了修正这个错误，首先必须精准识别哪些预测是失败的。：作者将这个的过程建模为一个“”任务。的目标。在传统机器学习或深度学习任务中，模型通常给出一个点预测，比如“明天的气温是 25 度”。而**要求模型输出一个范围或概率**，比如“明天的气温在 23 度到 27 度的概率是 95%”，或者“我是瞎猜的，置信度很低”

沿着最后一维创建滑动窗口，Timer在输入之前，对x=[551, 672, 1]做了交换维度的操作, permute之后变成了[551, 1, 672]；将下游数据集放在./dataset/文件夹下，可以使用提供的数据集微调, 也可以使用自定义的数据集进行微调，不过默认是按照7:1:2划分数据集。能够实现每隔5个样本取1个的效果，同时__len__方法返回的长度也适配了训练过程的采样，能够覆盖原始

强大的混合专家架构：Time-MoE采用稀疏激活机制，在预测任务中仅激活部分网络节点，这不仅确保了高预测精度，还显著降低了计算负担，完美解决了时序大模型在推理阶段的计算瓶颈。2、采用MOE架构，使用多个专家替代单一的FFN层，并设计了一个共享专家捕获公共知识，其他多个专家按需激活和学习，同时增加一个辅助损失函数，让专家模型实现负载均衡。“Point-wise” 是“逐点的”或“按点的”。在训练阶段