GRU pycharm代码

以下是使用 PyTorch 实现 GRU 模型的示例代码：

import torch
import torch.nn as nn

class GRU(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(GRU, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)
        
    def forward(self, x, h0):
        out, h = self.gru(x, h0)
        out = self.fc(out[:, -1, :])
        return out, h

在上述代码中，我们定义了一个名为 GRU 的类，它继承了 PyTorch 的 nn.Module 类。在该类的构造函数中，我们定义了 GRU 模型的基本结构，即输入大小、隐藏层大小、层数和输出大小。我们使用 PyTorch 中的 nn.GRU 类来创建 GRU 层，并使用 nn.Linear 类创建全连接层。在前向传播函数 forward 中，我们首先使用 GRU 层处理输入 x 和初始隐藏状态 h0，然后将最后一个时间步的输出传入全连接层进行分类。

下面是一个使用上述 GRU 模型进行训练和评估的示例：

# 定义超参数
input_size = 10
hidden_size = 20
num_layers = 2
output_size = 1
learning_rate = 0.01
num_epochs = 10

# 创建模型、损失函数和优化器
model = GRU(input_size, hidden_size, num_layers, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    for i, (inputs, labels) in enumerate(train_loader):
        # 前向传播
        outputs, _ = model(inputs, None)
        loss = criterion(outputs, labels)
        
        # 反向传播和优化
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()
        
        if (i+1) % 10 == 0:
            print('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, i+1, len(train_loader), loss.item()))

# 评估模型
with torch.no_grad():
    correct = 0
    total = 0
    for inputs, labels in test_loader:
        outputs, _ = model(inputs, None)
        predicted = torch.round(outputs)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()
    print('Accuracy of the model on the test set: {} %'.format(100 * correct / total))

在上述代码中，我们首先定义了超参数，包括输入大小、隐藏层大小、层数、输出大小、学习率和训练轮数。然后，我们创建了 GRU 模型、损失函数和优化器。在训练循环中，我们对每个 mini-batch 执行前向传播、损失计算、反向传播和优化。在测试循环中，我们计算模型在测试集上的准确率。