pytorch lstm 封装

### 封装LSTM模型

为了快速解决复杂机器学习问题并利用PyTorch框架的优点，在构建长期短期记忆（Long Short-Term Memory, LSTM）网络时，可以通过定义自定义类来封装LSTM模型。这不仅简化了代码结构还提高了可读性和重用性。

下面展示了一个简单的例子，说明如何创建一个继承自`torch.nn.Module`的Python类以封装LSTM模型：

import torch
from torch import nn


class LSTMPredictor(nn.Module):

    def __init__(self, input_dim, hidden_dim, layer_dim, output_dim):
        super(LSTMPredictor, self).__init__()
        
        # 隐藏层维度
        self.hidden_dim = hidden_dim
        
        # LSTM层数量
        self.layer_dim = layer_dim
        
        # 定义LSTM层
        self.lstm = nn.LSTM(input_dim, hidden_dim, layer_dim, batch_first=True)
        
        # 全连接层
        self.fc = nn.Linear(hidden_dim, output_dim)

    def forward(self, x):
        # 初始化隐藏状态和单元状态
        h0 = torch.zeros(self.layer_dim, x.size(0), self.hidden_dim).requires_grad_()
        c0 = torch.zeros(self.layer_dim, x.size(0), self.hidden_dim).requires_grad_()

        out, (hn, cn) = self.lstm(x, (h0.detach(), c0.detach()))
        
        # 只取最后一个时间步的结果作为全连接层输入
        out = self.fc(out[:, -1, :])
        
        return out

此段代码展示了怎样通过定义新的神经网络组件来自定义LSTM预测器[^1]。在这个过程中，先初始化必要的参数如输入尺寸(`input_dim`)、隐藏层大小(`hidden_dim`)以及堆叠了多少个LSTM层(`layer_dim`)；接着实例化实际的LSTM层对象及其后的线性变换函数用于最终输出转换。最后实现了前向传播逻辑，其中包含了对初始隐含态与细胞态的设定，并指定了仅需考虑序列中的最后一项来进行分类或回归任务处理。