lstm时间序列预测python gpu

### 使用Python和GPU实现LSTM时间序列预测

为了利用GPU加速训练过程，在定义模型时需确保PyTorch环境已配置好CUDA支持。当创建`torch.device`对象指定设备为'cuda'时，可以自动检测并使用可用的NVIDIA GPU资源[^1]。

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)

准备用于预测的数据阶段，先将测试输入转换成适合送入神经网络的形式，并加载到DataLoader中以便批量处理。注意这里假设已经完成了数据标准化等预处理工作：

tmp_input = np.hstack((normalized_train_set[-60:], normalized_test_set))
tmp_input = tmp_input.astype('float32')

test_tensor = torch.tensor(tmp_input).to(device)

class MyDataset(torch.utils.data.Dataset):
    def __init__(self, data):
        self.data = data.unsqueeze(1)  # 增加通道维度
    
    def __len__(self):
        return len(self.data)-60+1
    
    def __getitem__(self, idx):
        x = self.data[idx:(idx+60)]
        y = self.data[idx+60]
        return (x,y)

dataset = MyDataset(test_tensor)
dataloader = DataLoader(dataset=dataset, batch_size=len(dataset), shuffle=False)

设置模型进入评估模式而非训练模式非常重要，这会影响某些层（如Dropout）的行为方式。接着遍历整个验证集来获取最终的结果向量。每次迭代过程中，记得把批次内的特征转移到选定好的计算设备上执行推理操作，并收集所有输出作为预测值的一部分。最后一步是将这些张量形式的结果转置回到NumPy数组格式方便后续可视化分析:

model.eval()
with torch.no_grad():
    predictions = []
    for i, (inputs, _) in enumerate(dataloader):  
        inputs = inputs.to(device)
        
        output = model(inputs.float())
        prediction = output.cpu().numpy()

        predictions.extend(prediction.flatten())

predictions_array = np.array(predictions)

绘制图表之前，务必确认所使用的绘图库能够接受CPU上的数值型数据结构。对于来自GPU运算后的结果，则需要通过`.detach().cpu().numpy()`方法将其迁移到主机内存之中再作进一步展示:

plt.figure(figsize=(15,8))
plt.plot(range(len(normalized_test_set)), normalized_test_set, label='Actual', color="blue")
plt.plot(range(len(predictions_array)), predictions_array, label='Predicted', linestyle="--", color="orange")

plt.legend(loc='best')
plt.title('Time Series Prediction with LSTM on GPU')
plt.show()