pytorch中lstm

在 PyTorch 中，可以通过 `nn.LSTM` 类来创建 LSTM 模型。

下面是一个简单的 LSTM 模型的示例代码：

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

在上面的代码中，`nn.LSTM` 的第一个参数是输入特征的维度，第二个参数是隐藏层的维度，第三个参数是 LSTM 层数，`batch_first=True` 表示输入的第一个维度是 batch 的大小。

在 `forward` 方法中，我们首先定义了初始的隐藏状态 `h0` 和记忆状态 `c0`，然后将输入 `x` 和初始状态传入 `nn.LSTM` 中，得到输出 `out`。由于我们只关心最后一个时间步的输出，所以我们取 `out[:, -1, :]`，然后将其传入全连接层 `nn.Linear` 中得到最终的输出。

需要注意的是，在使用 LSTM 模型时，需要将输入数据转换为 PyTorch 的张量，并将其发送到 GPU 上进行计算。例如，`x = torch.tensor(x).float().to(device)`。其中 `x` 是输入数据，`device` 是计算设备。