def forward(self, h_dst, h_src): w = self.get_weight(h_dst) res = torch.einsum('boi, bi -> bo', w, h_src) return res 举一个例子

假设 `h_dst` 是形状为 `(batch_size, dst_feats)` 的张量，`h_src` 是形状为 `(batch_size, src_feats)` 的张量。我们可以使用 `MemoryEncoding` 类的实例来计算前向传播结果，具体代码如下：

import torch

# 定义输入张量的大小和内存大小
in_feats = 10
out_feats = 5
mem_size = 3

# 创建 MemoryEncoding 实例
memory_encoding = MemoryEncoding(in_feats, out_feats, mem_size)

# 创建示例输入张量
batch_size = 2
dst_feats = in_feats
src_feats = in_feats
h_dst = torch.randn(batch_size, dst_feats)
h_src = torch.randn(batch_size, src_feats)

# 执行前向传播
output = memory_encoding.forward(h_dst, h_src)

print(output.shape)  # 输出形状为 (batch_size, out_feats)

在这个例子中，我们首先创建了一个 `MemoryEncoding` 类的实例 `memory_encoding`，然后使用随机生成的张量 `h_dst` 和 `h_src` 进行前向传播计算。最后，打印输出张量 `output` 的形状。

请注意，这只是一个示例，实际使用时需要根据具体问题和数据调整输入张量的大小和值。