GRU模型推理python

在Python中，可以使用深度学习库如TensorFlow、PyTorch等来实现GRU模型的推理。以下是一个使用PyTorch实现GRU模型推理的示例代码：

import torch
import torch.nn as nn

# 定义GRU模型
class GRUModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(GRUModel, self).__init__()
        self.gru = nn.GRU(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
        
    def forward(self, x):
        out, _ = self.gru(x)
        out = self.fc(out[:, -1, :])
        return out

# 加载训练好的模型参数
model = GRUModel(input_size=10, hidden_size=20, output_size=2)
model.load_state_dict(torch.load('gru_model.pth'))

# 输入新数据
x = torch.randn(1, 5, 10)  # 输入数据形状为[batch_size, seq_len, input_size]

# 执行推理过程
model.eval()
with torch.no_grad():
    output = model(x)
    _, predicted = torch.max(output.data, 1)

# 后处理输出结果
print(predicted.item())

在上面的示例中，我们首先定义了一个GRU模型，并加载了训练好的模型参数。然后，我们生成了一个随机的输入数据x，并将其输入到模型中进行推理。推理过程中，我们使用了PyTorch中的no_grad()上下文管理器来禁用梯度计算，以提高推理速度。最后，我们将模型的输出结果后处理成了一个标量值，并打印出来。