import numpy as np import matplotlib.pyplot as plt import math import torch from torch import nn import pdb from torch.autograd import Variable import os os.environ['KMP_DUPLICATE_LIB_OK']='True' dataset = [] for data in np.arange(0, 3, .01): data = math.sin(data * math.pi) dataset.append(data) dataset = np.array(dataset) dataset = dataset.astype('float32') max_value = np.max(dataset) min_value = np.min(dataset) scalar = max_value - min_value dataset = list(map(lambda x: x / scalar, dataset)) def create_dataset(dataset, look_back=3): dataX, dataY = [], [] for i in range(len(dataset) - look_back): a = dataset[i:(i + look_back)] dataX.append(a) dataY.append(dataset[i + look_back]) return np.array(dataX), np.array(dataY) data_X, data_Y = create_dataset(dataset) # 对训练集测试集划分,划分比例0.8 train_X, train_Y = data_X[:int(0.8 * len(data_X))], data_Y[:int(0.8 * len(data_Y))] test_X, test_Y = data_Y[int(0.8 * len(data_X)):], data_Y[int(0.8 * len(data_Y)):] train_X = train_X.reshape(-1, 1, 3).astype('float32') train_Y = train_Y.reshape(-1, 1, 3).astype('float32') test_X = test_X.reshape(-1, 1, 3).astype('float32') class RNN(nn.Module): def __init__(self, input_size, hidden_size, output_size=1, num_layer=2): super(RNN, self).__init__() self.input_size = input_size self.hidden_size = hidden_size self.output_size = output_size self.num_layer = num_layer self.rnn = nn.RNN(input_size, hidden_size, batch_first=True) self.linear = nn.Linear(hidden_size, output_size) def forward(self, x): # 补充forward函数 out, h = self.rnn(x) out = self.linear(out[0]) # print("output的形状", out.shape) return out net = RNN(3, 20) criterion = nn.MSELoss(reduction='mean') optimizer = torch.optim.Adam(net.parameters(), lr=1e-2) train_loss = [] test_loss = [] for e in range(1000): pred = net(train_X) loss = criterion(pred, train_Y) optimizer.zero_grad() # 反向传播 loss.backward() optimizer.step() if (e + 1) % 100 == 0: print('Epoch:{},loss:{:.10f}'.format(e + 1, loss.data.item())) train_loss.append(loss.item()) plt.plot(train_loss, label='train_loss') plt.legend() plt.show()画出预测值真实值图

抱歉，我作为一个语言模型，无法在这里画图。不过，你可以通过以下代码来画出预测值和真实值的图：

net.eval()
train_predict = net(data_X)
data_predict = train_predict.data.numpy()
dataY_plot = data_Y.reshape(-1)
data_predict_plot = data_predict.reshape(-1)

plt.plot(dataY_plot, label='real')
plt.plot(data_predict_plot, label='predict')
plt.legend()
plt.show()

相关问题

import numpy as np import random import matplotlib.pyplot as plt是否有问题

在Python中，通常每个导入语句都应该单独成行，因此在`import numpy as np import random import matplotlib.pyplot as plt`这行代码中，将三个导入语句放在同一行可能会导致语法错误。正确的写法应该是每个导入语句单独成行，例如：

import numpy as np
import random
import matplotlib.pyplot as plt

这样写可以保证代码的可读性和易于维护。

import numpy as np import matplotlib.pyplot as plt from mpl_toolkits.mplot3d

import numpy是一个用于科学计算的Python库，它提供了大量用于数组操作和数学计算的函数和工具。使用import numpy as np将numpy库导入为np别名，以便在代码中更方便地使用numpy的函数和工具。

而import matplotlib.pyplot as plt是导入matplotlib库的一种常用方式，matplotlib是一个用于绘制图表和数据可视化的库，import语句将matplotlib.pyplot模块导入为plt别名，以便在代码中更方便地使用matplotlib库的绘图函数和工具。

最后，from mpl_toolkits.mplot3d导入模块同样是用于matplotlib库的一种常见操作，它用于导入mpl_toolkits.mplot3d模块，这是一个用于绘制三维图表和可视化三维数据的工具模块。

综合起来，这些import语句在Python代码中的作用是将numpy和matplotlib库以及其相关的模块导入到代码中，以便使用它们提供的各种函数和工具进行数组操作、数学计算和绘制图表等操作。这样可以极大地方便数据科学家、工程师和研究人员们对数据的处理和可视化工作。