pytorch的RNN房价预测代码

当使用PyTorch进行RNN（循环神经网络）的房价预测时，可以按照以下步骤进行：

1. 导入所需的库和模块：

import torch
import torch.nn as nn
import numpy as np

2. 准备数据集：

# 假设我们有一个房价数据集，包含了房屋面积和对应的价格
# 这里只是一个示例，实际情况中需要根据数据集的格式进行处理
data = np.array([[100, 300], [150, 450], [200, 600], [250, 750], [300, 900]], dtype=np.float32)
x_train = data[:, 0]  # 输入特征，房屋面积
y_train = data[:, 1]  # 输出标签，房价

3. 数据预处理：

# 归一化数据，将输入特征和输出标签都缩放到0-1之间
x_train = (x_train - np.min(x_train)) / (np.max(x_train) - np.min(x_train))
y_train = (y_train - np.min(y_train)) / (np.max(y_train) - np.min(y_train))

# 将数据转换为PyTorch张量
x_train = torch.from_numpy(x_train).unsqueeze(1)
y_train = torch.from_numpy(y_train).unsqueeze(1)

4. 定义RNN模型：

class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()
        self.hidden_size = hidden_size
        self.rnn = nn.RNN(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.rnn(x)
        out = self.fc(out[:, -1, :])
        return out

# 定义模型参数
input_size = 1  # 输入特征的维度
hidden_size = 32  # 隐藏层的大小
output_size = 1  # 输出标签的维度

# 创建RNN模型实例
model = RNN(input_size, hidden_size, output_size)

5. 定义损失函数和优化器：

criterion = nn.MSELoss()  # 使用均方误差作为损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.01)  # 使用Adam优化器进行参数更新

6. 训练模型：

num_epochs = 1000  # 训练轮数

for epoch in range(num_epochs):
    outputs = model(x_train)
    loss = criterion(outputs, y_train)

    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if (epoch+1) % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

7. 使用模型进行预测：

# 假设我们有一个新的房屋面积为250的样本，希望预测其价格
x_test = torch.tensor([[250]], dtype=torch.float32)
x_test = (x_test - np.min(x_train)) / (np.max(x_train) - np.min(x_train))  # 归一化输入数据
y_pred = model(x_test.unsqueeze(0))
y_pred = y_pred * (np.max(y_train) - np.min(y_train)) + np.min(y_train)  # 反归一化输出数据
print('预测的房价为: {:.2f}'.format(y_pred.item()))