有没有pytorch 架构的多步预测例子

是的，下面是使用PyTorch实现多步预测的一个简单例子：

假设我们要预测未来5天的温度，我们可以使用过去7天的温度数据来训练模型。我们可以将时间序列数据组成的Numpy数组转换为PyTorch张量，然后使用LSTM模型进行训练和预测。

首先，我们需要导入必要的库和模块：

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

然后，我们可以生成一些随机的时间序列数据来进行实验：

# Generate random time series data
data = np.random.randn(100, 1)

接下来，我们可以将数据划分为训练集和测试集：

# Split data into training and test sets
train_size = int(len(data) * 0.7)
train_data = data[:train_size]
test_data = data[train_size:]

然后，我们可以定义一个函数来创建输入和输出序列。在这个例子中，我们将使用过去7天的温度数据作为输入，预测未来5天的温度数据作为输出：

def create_sequences(data, seq_length):
    xs = []
    ys = []

    for i in range(len(data)-seq_length-5):
        x = data[i:i+seq_length]
        y = data[i+seq_length:i+seq_length+5]
        xs.append(x)
        ys.append(y)

    return torch.tensor(xs), torch.tensor(ys)

接下来，我们可以使用这个函数创建训练集和测试集的输入和输出序列：

# Create input and output sequences for training set
seq_length = 7
train_X, train_y = create_sequences(train_data, seq_length)

# Create input and output sequences for test set
test_X, test_y = create_sequences(test_data, seq_length)

然后，我们可以定义一个LSTM模型来训练和预测数据：

class LSTM(nn.Module):

    def __init__(self, input_size=1, hidden_size=100, output_size=5):
        super().__init__()
        self.hidden_size = hidden_size

        self.lstm = nn.LSTM(input_size, hidden_size)

        self.linear = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        lstm_out, _ = self.lstm(input.view(len(input), 1, -1))
        predictions = self.linear(lstm_out.view(len(input), -1))
        return predictions[-5:]

接下来，我们可以定义一些训练参数并开始训练模型：

# Define training parameters
learning_rate = 0.01
num_epochs = 1000

# Initialize model and optimizer
model = LSTM()
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# Train model
for epoch in range(num_epochs):
    outputs = model(train_X.float())
    optimizer.zero_grad()
    loss = criterion(outputs, train_y.float())
    loss.backward()
    optimizer.step()
    if epoch % 100 == 0:
        print("Epoch: %d, loss: %1.5f" % (epoch, loss.item()))

最后，我们可以使用训练好的模型来预测未来5天的温度：

# Make predictions
with torch.no_grad():
    test_outputs = model(test_X.float())
    test_loss = criterion(test_outputs, test_y.float())
    print("Test loss: %1.5f" % (test_loss.item()))

# Print predictions
print("Predictions:")
print(test_outputs)

这个例子只是一个简单的演示，实际上在进行多步预测时可能需要更复杂的模型和更多的训练数据。