LSTM自编码器pytorch实现

以下是一个简单的LSTM自编码器的PyTorch实现示例：

import torch
import torch.nn as nn

class LSTMAutoencoder(nn.Module):
    def __init__(self, input_dim, hidden_dim, num_layers):
        super(LSTMAutoencoder, self).__init__()
        self.hidden_dim = hidden_dim
        self.num_layers = num_layers
        
        # Encoder
        self.encoder = nn.LSTM(input_dim, hidden_dim, num_layers, batch_first=True)
        
        # Decoder
        self.decoder = nn.LSTM(hidden_dim, input_dim, num_layers, batch_first=True)
        
    def forward(self, x):
        # Encoder
        _, (hidden, cell) = self.encoder(x)
        
        # Decoder
        out, _ = self.decoder(hidden)
        
        return out

# 创建模型实例
model = LSTMAutoencoder(input_dim=10, hidden_dim=5, num_layers=1)

# 定义损失函数和优化器
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型
num_epochs = 50
for epoch in range(num_epochs):
    # 前向传播
    output = model(x_train)
    
    # 计算损失
    loss = criterion(output, x_train)
    
    # 反向传播和优化
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()
    
    # 输出损失
    if epoch % 10 == 0:
        print('epoch [{}/{}], loss:{:.4f}'.format(epoch+1, num_epochs, loss.item()))

在此示例中，我们定义了一个LSTM自编码器类，它包含一个LSTM编码器和一个LSTM解码器。在正向传递期间，输入被传递到编码器中，然后编码器的隐藏状态被传递到解码器中。解码器输出的结果被视为重构的输入。我们使用均方误差损失函数来度量重构输出与原始输入之间的误差，并使用Adam优化器来更新模型参数。最后，我们训练模型，输出损失并保存模型。