写一个基于pytorch的LSTM模型代码 输入特征4 序列长度20 批次128

好的，以下是一个基于PyTorch的LSTM模型代码，输入特征为4，序列长度为20，批次为128。

import torch
import torch.nn as nn

class LSTM(nn.Module):
    def __init__(self, input_size=4, hidden_size=64, num_layers=1):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, 1)
    
    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(x.device)
        out, _ = self.lstm(x, (h0, c0))
        out = self.fc(out[:, -1, :])
        return out

# 使用示例
model = LSTM(input_size=4, hidden_size=64, num_layers=1)
x = torch.randn(128, 20, 4)  # 输入数据为 128 个样本，每个样本有 20 个时间步长，每个时间步长有 4 个特征
output = model(x)
print(output.shape)  # 输出为 (128, 1)，表示 128 个样本的预测结果

以上代码定义了一个LSTM模型类 `LSTM`，其中 `input_size` 为输入特征数，`hidden_size` 为 LSTM 隐藏层的大小，`num_layers` 为 LSTM 的层数。在 `forward` 函数中，首先将输入数据通过 LSTM 层进行处理，然后将最后一个时间步的输出通过全连接层 `fc` 得到预测结果。

在使用示例中，我们创建了一个大小为 (128, 20, 4) 的输入张量 `x`，其中第一维表示批次大小为 128，第二维表示序列长度为 20，第三维表示输入特征数为 4。将 `x` 作为输入传入模型 `model` 中，得到输出张量 `output`，其大小为 (128, 1)，表示对于每个样本，预测结果为一个标量。