pytorch lstm 单变量多步预测，给出代码

以下是一个简单的 PyTorch LSTM 单变量多步预测的代码示例：

import torch
import torch.nn as nn
import numpy as np

# 定义 LSTM 模型
class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        lstm_out, _ = self.lstm(input.view(len(input), 1, -1))
        output = self.fc(lstm_out.view(len(input), -1))
        return output[-1]

# 定义训练数据
data = np.sin(np.arange(1000) * np.pi / 50)
train_data = data[:900]
test_data = data[900:]

# 定义模型参数
input_size = 1
hidden_size = 10
output_size = 5
lr = 0.01
epochs = 100

# 初始化模型和优化器
model = LSTM(input_size, hidden_size, output_size)
optimizer = torch.optim.Adam(model.parameters(), lr=lr)
criterion = nn.MSELoss()

# 训练模型
for epoch in range(epochs):
    model.train()
    train_loss = 0
    for i in range(len(train_data) - output_size):
        input_seq = torch.FloatTensor(train_data[i:i+output_size])
        target_seq = torch.FloatTensor(train_data[i+1:i+output_size+1])
        optimizer.zero_grad()
        output = model(input_seq)
        loss = criterion(output, target_seq)
        loss.backward()
        optimizer.step()
        train_loss += loss.item()

    # 测试模型
    model.eval()
    test_loss = 0
    with torch.no_grad():
        for i in range(len(test_data) - output_size):
            input_seq = torch.FloatTensor(test_data[i:i+output_size])
            target_seq = torch.FloatTensor(test_data[i+1:i+output_size+1])
            output = model(input_seq)
            loss = criterion(output, target_seq)
            test_loss += loss.item()

    print(f'Epoch {epoch+1}, Train Loss: {train_loss/(len(train_data)-output_size):.6f}, Test Loss: {test_loss/(len(test_data)-output_size):.6f}')

这个模型使用了一个单层 LSTM，输入是一个长度为 5 的序列，输出是一个长度为 5 的序列。在训练过程中，每次输入一个长度为 5 的序列，预测下一个时间步的值。在测试过程中，使用训练好的模型预测未来的值。