pytorch lstm 单变量 多步预测后一位，给出代码

以下是一个简单的 PyTorch LSTM 单变量多步预测后一位的代码示例：

import torch
import torch.nn as nn

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

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

# 定义训练数据
data = torch.tensor([1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0, 10.0])
input_data = data[:-1].view(len(data)-1, 1, 1)
target_data = data[1:].view(len(data)-1, 1)

# 定义模型和优化器
model = LSTM(1, 10, 1)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.1)

# 训练模型
for epoch in range(100):
    optimizer.zero_grad()
    output = model(input_data)
    loss = criterion(output, target_data)
    loss.backward()
    optimizer.step()

# 预测后一位
with torch.no_grad():
    future_data = torch.tensor([11.0])
    future_input = future_data.view(1, 1, 1)
    future_output = model(future_input)
    print(future_output.item())

这个代码示例使用了 PyTorch 的 nn.LSTM 模块来定义 LSTM 模型，使用均方误差损失函数和 Adam 优化器来训练模型，并使用训练好的模型来预测序列中的下一个值。