LSTM模型pytorch

### 使用 PyTorch 实现 LSTM 模型

#### 定义 LSTM 模型类
为了使用 PyTorch 构建一个简单的 LSTM 模型，首先需要定义一个继承自 `nn.Module` 的模型类。这个类包含了初始化方法和前向传播逻辑。

import torch
from torch import nn, optim

class SimpleLSTM(nn.Module):
    def __init__(self, input_size=50, hidden_layer_size=100, output_size=1):
        super(SimpleLSTM, self).__init__()
        self.hidden_layer_size = hidden_layer_size
        
        self.lstm = nn.LSTM(input_size, hidden_layer_size)

        self.linear = nn.Linear(hidden_layer_size, output_size)
        
    def forward(self, input_seq):
        lstm_out, _ = self.lstm(input_seq.view(len(input_seq), 1, -1))
        predictions = self.linear(lstm_out.view(len(input_seq), -1))
        return predictions[-1]

此部分展示了如何利用 PyTorch 提供的 API 创建深度学习模型[^1]。

#### 训练函数设计
接下来是编写用于训练该模型的功能模块：

def train_model(model, training_data, epochs=15, learning_rate=0.01):
    loss_function = nn.MSELoss()
    optimizer = optim.Adam(model.parameters(), lr=learning_rate)

    for i in range(epochs):
        for seq, labels in training_data:
            optimizer.zero_grad()
            model_output = model(seq)

            single_loss = loss_function(model_output, labels)
            single_loss.backward()
            optimizer.step()

        if i%2 == 0:
            print(f'Epoch {i} loss: {single_loss.item()}')
            
    print('Finished Training')

这段代码说明了通过定义模型类、训练函数能够方便地进行 LSTM 模型的训练过程[^2]。

#### 测试与预测功能
最后还需要准备测试数据并调用模型来进行预测操作:

test_inputs = test_data[:-forecast_horizon].tolist() 

for i in range(forecast_horizon):
    seq = torch.FloatTensor(test_inputs[-input_length:])
    with torch.no_grad():
        model_output = model(seq)
    
    test_inputs.append(model_output.item())

上述片段解释了怎样设置好测试环境以及执行预测任务的方法.