代码链接：RIPGeo代码实现
├── lib # 包含模型（model）实现文件
│ |── layers.py # 注意力机制的代码。
│ |── model.py # TrustGeo的核心源代码。
│ |── sublayers.py # layer.py的支持文件。
│ |── utils.py # 辅助函数。
一、导入模块
import torch.nn as nn
import torch
from .sublayers import MultiHeadAttention, PositionwiseFeedForward
import numpy as np
import torch.functional as F这段代码是一个自定义的神经网络模块，其中使用了 PyTorch 库。
1、import torch.nn as nn：导入 PyTorch 中的神经网络模块，这是定义神经网络层和模型的基本库。
2、import torch：导入 PyTorch 库，用于张量（tensor）操作和其他深度学习功能。
3、from .sublayers import MultiHeadAttention, PositionwiseFeedForward：从当前目录下的 sublayers 模块导入 MultiHeadAttention 和 PositionwiseFeedForward。这表明在当前文件所在目录下存在一个名为 sublayers.py 的文件，其中定义了这两个子层（sublayers）。
4、import numpy as np：导入 NumPy 库，通常用于数值计算和数组操作。在这里可能是为了使用一些与数组相关的功能。
5、import torch.functional as F：导入 PyTorch 的 functional 模块，并将其命名为 F。这个模块包含了一些与神经网络操作相关的函数，如激活函数等。
二、SimpleAttention1类定义（NN模型）
class SimpleAttention1(nn.Module):''' Just follow GraphGeo '''def __init__(self, temperature, attn_dropout=0.1, d_q_in=32, d_q_out=32, d_k_in=32, d_k_out=32, d_v_in=32,d_v_out=32, dropout=0.1, drop_last_layer=False):super().__init__()self.temperature = temperatureself.dropout = nn.Dropout(attn_dropout)self.q_w = nn.Linear(d_q_in, d_q_out)self.k_w = nn.Linear(d_k_in, d_k_out)self.v_w = nn.Linear(d_v_in, d_v_out)self.drop_last_layer = drop_last_layerdef forward(self, q, k, v):q = self.q_w(q)k = self.k_w(k)v = self.v_w(v)att_score = (q / self.temperature) @ k.transpose(0, 1)att_weight = torch.softmax(att_score, dim=-1)output = att_weight @ vreturn output, att_weight这是一个简单的注意力机制模块，用于计算注意力分数并将其应用于值（value）向量。
分为几个部分展开描述：
（一）__init__()
def __init__(self, temperature, attn_dropout=0.1, d_q_in=32, d_q_out=32, d_k_in=32, d_k_out=32, d_v_in=32,d_v_out=32, dropout=0.1, drop_last_layer=False):super().__init__()self.temperature = temperatureself.dropout = nn.Dropout(attn_dropout)self.q_w = nn.Linear(d_q_in, d_q_out)self.k_w = nn.Linear(d_k_in, d_k_out)self.v_w = nn.Linear(d_v_in, d_v_out)self.drop_last_layer = drop_last_layer初始化函数，用于定义模块的结构。
1、def __init__(self, temperature, attn_dropout=0.1, d_q_in=32, d_q_out=32, d_k_in=32, d_k_out=32, d_v_in=32,d_v_out=32, dropout=0.1, drop_last_layer=False)：这是初始化方法的签名，它接受一系列参数，用于配置自注意力模块。这些参数包括温度（temperature）、注意力层的 dropout（attn_dropout）、输入和输出维度的设置（d_q_in、d_q_out、d_k_in、d_k_out、d_v_in、d_v_out），以及是否在最后一层使用 dropout（dropout）等。
2、super().__init__()：调用父类（nn.Module）的初始化方法，确保正确地初始化该模块。
3、self.temperature = temperature：将传入的温度参数保存为类成员变量，用于调整注意力分布的尖锐度。
4、self.dropout = nn.Dropout(attn_dropout)：创建一个 dropout 层，用于在自注意力中进行随机失活。
5、self.q_w = nn.Linear(d_q_in, d_q_out)：创建一个线性层，用于将输入的查询（query）向量进行线性变换，从 d_q_in 维映射到 d_q_out 维。
6、self.k_w = nn.Linear(d_k_in, d_k_out)：创建一个线性层，用于将输入的键（key）向量进行线性变换，从 d_k_in 维映射到 d_k_out 维。
7、self.k_v = nn.Linear(d_v_in, d_v_out)：创建一个线性层，用于将输入的值（value）向量进行线性变换，从 d_v_in 维映射到 d_v_out 维。
（二）forward()
def forward(self, q, k, v):q = self.q_w(q)k = self.k_w(k)v = self.v_w(v)att_score = (q / self.temperature) @ k.transpose(0, 1)att_weight = torch.softmax(att_score, dim=-1)output = att_weight @ vreturn output, att_weight这段代码实现了一个简单的自注意力机制，其中q（查询）、k（键）和v（值）分别通过线性变换（矩阵乘法）得到新的表示。这是自注意力机制的基本组成部分，其整体功能是通过计算注意力分数（att_score），生成加权和的输出（output）。整体上，这个前向函数实现了自注意力机制的计算，用于将输入序列中的每个元素与其他元素进行交互，并生成加权和的输出。这是 Transformer 网络中的关键组件。
1、q = self.q_w(q)：通过线性变换（全连接层）对查询 q 进行变换。self.q_w 是查询的权重矩阵。
2、k = self.k_w(k)：通过线性变换对键 k 进行变换。self.k_w 是键的权重矩阵。
3、v = self.v_w(v)：通过线性变换对值 v 进行变换。self.v_w 是值的权重矩阵。
4、att_score = (q / self.temperature) @ k.transpose(0, 1)：计算注意力分数。首先，将查询 q 除以 self.temperature（温度参数，用于
