pytorch建立lstm模型实现二分类预测模型

好的，下面是一个简单的基于 PyTorch 的 LSTM 二分类预测模型的代码示例：

import torch
import torch.nn as nn

class LSTMClassifier(nn.Module):
    def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim, num_layers, bidirectional, dropout):
        super().__init__()

        self.embedding = nn.Embedding(vocab_size, embedding_dim)
        self.lstm = nn.LSTM(embedding_dim, hidden_dim, num_layers=num_layers, bidirectional=bidirectional, dropout=dropout)
        self.fc = nn.Linear(hidden_dim * 2 if bidirectional else hidden_dim, output_dim)
        self.dropout = nn.Dropout(dropout)

    def forward(self, text, text_lengths):
        embedded = self.dropout(self.embedding(text))
        packed_embedded = nn.utils.rnn.pack_padded_sequence(embedded, text_lengths.to('cpu'))
        packed_output, (hidden, cell) = self.lstm(packed_embedded)
        output, output_lengths = nn.utils.rnn.pad_packed_sequence(packed_output)
        hidden = self.dropout(torch.cat((hidden[-2,:,:], hidden[-1,:,:]), dim=1) if self.lstm.bidirectional else hidden[-1,:,:])
        return self.fc(hidden)

这是一个包含一个嵌入层、一个 LSTM 层和一个全连接层的模型。其中 `vocab_size` 是词汇表大小，`embedding_dim` 是词向量维度，`hidden_dim` 是 LSTM 隐藏层的维度，`output_dim` 是输出维度（即二分类的结果），`num_layers` 是 LSTM 层数，`bidirectional` 表示是否使用双向 LSTM，`dropout` 是 dropout 概率。

在 forward 方法中，我们首先将输入文本进行嵌入，然后使用 LSTM 层进行处理。由于输入文本长度不同，我们需要使用 `pack_padded_sequence` 和 `pad_packed_sequence` 函数对输入进行处理。最后，我们将 LSTM 层的输出通过全连接层得到最终的预测结果。

接下来，我们需要定义损失函数和优化器，并对模型进行训练和测试：

import torch.optim as optim

# 定义模型和损失函数
model = LSTMClassifier(vocab_size, embedding_dim, hidden_dim, output_dim, num_layers, bidirectional, dropout).to(device)
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters())

# 训练模型
for epoch in range(num_epochs):
    for batch in train_iterator:
        optimizer.zero_grad()
        text, text_lengths = batch.text
        predictions = model(text, text_lengths).squeeze(1)
        loss = criterion(predictions, batch.label)
        loss.backward()
        optimizer.step()

# 测试模型
def test_model(model, iterator):
    correct = 0
    total = 0
    model.eval()
    with torch.no_grad():
        for batch in iterator:
            text, text_lengths = batch.text
            predictions = model(text, text_lengths).squeeze(1)
            pred_labels = predictions.argmax(1)
            correct += (pred_labels == batch.label).sum().item()
            total += batch.batch_size
    return correct / total

test_acc = test_model(model, test_iterator)
print(f'Test Accuracy: {test_acc:.3f}')

在训练过程中，我们首先将优化器的梯度清零，然后将输入文本和长度传递给模型，得到预测结果并计算损失。最后，我们使用反向传播更新模型参数。

在测试过程中，我们将模型设置为 eval 模式，然后对测试数据进行预测，并计算准确率。

这就是一个简单的基于 PyTorch 的 LSTM 二分类预测模型的实现。