用pytorch写lstm模型代码

可以，以下是一个简单的 PyTorch LSTM 模型的代码示例：

import torch
import torch.nn as nn

class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(LSTMModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        out, _ = self.lstm(x, (h0, c0))
        out = self.fc(out[:, -1, :])
        return out

这个模型接受一个输入张量 `x`，其形状为 `(batch_size, seq_len, input_size)`，其中 `batch_size` 是批大小，`seq_len` 是序列长度，`input_size` 是每个时间步的输入特征数。模型输出一个形状为 `(batch_size, output_size)` 的张量，其中 `output_size` 是输出特征数。

你可以使用这个模型来训练一个 LSTM 模型，例如：

model = LSTMModel(input_size=10, hidden_size=20, num_layers=2, output_size=1)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)

# 训练模型
for epoch in range(num_epochs):
    for i, (inputs, targets) in enumerate(train_loader):
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, targets)
        loss.backward()
        optimizer.step()

    # 在验证集上测试模型
    with torch.no_grad():
        for inputs, targets in val_loader:
            outputs = model(inputs)
            val_loss = criterion(outputs, targets)

    print(f"Epoch {epoch+1}, train loss: {loss.item():.4f}, val loss: {val_loss.item():.4f}")

在这个例子中，我们使用均方误差损失函数来训练模型，使用 Adam 优化器来更新模型参数。我们还使用了一个训练集和一个验证集来评估模型的性能。