pytorch lstm单维数据预测

可以使用 PyTorch 中的 LSTM 模型来预测单维数据。首先，需要将数据转换为 PyTorch 中的张量，然后将其传递给 LSTM 模型进行训练和预测。以下是一个简单的代码示例：

import torch
import torch.nn as nn

# 定义 LSTM 模型
class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        lstm_out, _ = self.lstm(input.view(len(input), 1, -1))
        output = self.fc(lstm_out.view(len(input), -1))
        return output[-1]

# 定义训练数据
data = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
input_data = torch.tensor(data[:-1]).float()
target_data = torch.tensor(data[1:]).float()

# 初始化模型和优化器
model = LSTM(1, 10, 1)
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = nn.MSELoss()

# 训练模型
for epoch in range(1000):
    optimizer.zero_grad()
    output = model(input_data)
    loss = criterion(output, target_data)
    loss.backward()
    optimizer.step()

# 预测未来的单维数据
future_data = [11, 12, 13, 14, 15]
future_input = torch.tensor(future_data).float()
future_output = model(future_input)
print(future_output)

这个示例代码使用了 PyTorch 中的 LSTM 模型来预测未来的单维数据。首先，定义了一个 LSTM 类来构建模型，然后使用训练数据来训练模型。最后，使用训练好的模型来预测未来的单维数据。