给定sin函数的前三个值，预测后一个值，利用numpy、math工具包进行正弦值序列的生成np.arange(0,3,.01)并划分训练集和测试集的范围，对数据进行reshape，然后编写RNN模型（包含RNN模型和一层全连接层），在进行优化器和损失函数定义，采用adam优化器，最后进行预测，绘出预测值和真实值的对比图，使用pytorch完成

好的，下面给出使用 PyTorch 实现的代码。

首先，我们需要导入必要的包。

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

然后，生成 sin 函数序列并划分训练集和测试集。

# 生成 sin 函数序列
x = np.arange(0, 3, 0.01)
y = np.sin(x)

# 划分训练集和测试集
split = int(len(x) * 0.8)
x_train, y_train = x[:split], y[:split]
x_test, y_test = x[split:], y[split:]

# 对数据进行 reshape
x_train = x_train.reshape(-1, 1, 1)
y_train = y_train.reshape(-1, 1)
x_test = x_test.reshape(-1, 1, 1)
y_test = y_test.reshape(-1, 1)

接着，我们可以定义 RNN 模型。

class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()
        self.rnn = nn.RNN(input_size, hidden_size, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        out, _ = self.rnn(x)
        out = out[:, -1, :]
        out = self.fc(out)
        return out

定义完模型后，我们可以将模型实例化，并定义优化器和损失函数。

# 实例化模型
model = RNN(1, 10, 1)

# 定义优化器和损失函数
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)
criterion = nn.MSELoss()

然后，我们可以使用训练集来训练模型。

# 训练模型
loss_list = []

for epoch in range(100):
    model.train()
    optimizer.zero_grad()
    output = model(torch.tensor(x_train, dtype=torch.float32))
    loss = criterion(output, torch.tensor(y_train, dtype=torch.float32))
    loss.backward()
    optimizer.step()
    loss_list.append(loss.item())

    if epoch % 10 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, 100, loss.item()))

训练完成后，我们可以使用测试集进行预测，并绘制预测值和真实值的对比图。

# 使用测试集进行预测
model.eval()
with torch.no_grad():
    y_pred = model(torch.tensor(x_test, dtype=torch.float32))

# 绘制预测值和真实值的对比图
plt.plot(x_test.reshape(-1), y_test.reshape(-1), label='True Values')
plt.plot(x_test.reshape(-1), y_pred.numpy().reshape(-1), label='Predicted Values')
plt.legend()
plt.show()

最后，我们可以看到预测值和真实值的对比图。