pytorch实现lstm序列预测代码

在 PyTorch 中实现 LSTM 的序列预测需要以下几个步骤：

1. 导入所需的库，包括 PyTorch 的 tensor 库和 nn.LSTM 模块

import torch
import torch.nn as nn

2. 定义 LSTM 模型。这可以通过继承 nn.Module 类来完成，并在构造函数中定义网络层。

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers)
        
    def forward(self, x, hidden):
        out, hidden = self.lstm(x, hidden)
        return out, hidden

3. 实例化模型并设置初始 hidden state。

input_size = 1
hidden_size = 128
num_layers = 2

model = LSTM(input_size, hidden_size, num_layers)
hidden = (torch.zeros(num_layers, 1, hidden_size),
          torch.zeros(num_layers, 1, hidden_size))

4. 定义训练数据，这里假设我们有一个长度为 T 的输入序列和一个长度为 T 的标签序列。

T = 20
input_sequence = torch.randn(T, 1, input_size)
target_sequence = torch.randn(T, 1, input_size)

5. 定义 loss 函数和优化器

criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters())

6. 迭代地进行前向计算、反向传播和参数更新，这里假设我们训练了 100 次

for i in range(100):
    out, hidden = model(input_sequence, hidden)
    loss = criterion(out, target_sequence)
    optimizer.zero_grad()