我有1000行6列数据，前5列是特征变量，最后一列是标签，请帮我用pytorch写一个lstm算法进行训练并预测

好的，下面是一个简单的LSTM模型的代码示例：

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

# 数据准备
data = np.random.rand(1000, 6)  # 随机生成1000行6列的数据
features = data[:, :5]
labels = data[:, -1]

# 超参数
input_size = 5
hidden_size = 10
num_layers = 1
output_size = 1
batch_size = 32
num_epochs = 10
learning_rate = 0.001

# 创建数据加载器
dataset = torch.utils.data.TensorDataset(torch.from_numpy(features).float(), torch.from_numpy(labels).float())
dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True)

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

    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device) 
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device)
        out, _ = self.lstm(x, (h0, c0))  
        out = self.fc(out[:, -1, :])  
        return out

# 初始化模型和损失函数
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model = LSTM(input_size, hidden_size, num_layers, output_size).to(device)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
total_step = len(dataloader)
for epoch in range(num_epochs):
    for i, (inputs, labels) in enumerate(dataloader):
        inputs = inputs.to(device)
        labels = labels.to(device)

        outputs = model(inputs)
        loss = criterion(outputs, labels)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if (i+1) % 10 == 0:
            print ('Epoch [{}/{}], Step [{}/{}], Loss: {:.4f}'
                   .format(epoch+1, num_epochs, i+1, total_step, loss.item()))

# 预测
model.eval()
with torch.no_grad():
    inputs = torch.from_numpy(features).float().to(device)
    outputs = model(inputs)
    predicted_labels = outputs.cpu().numpy()

# 打印结果
print('Predicted Labels:', predicted_labels)

说明：

1. 首先，我们随机生成1000行6列的数据，前5列是特征变量，最后一列是标签。
2. 然后，我们根据超参数设置LSTM模型的结构，包括输入层大小、隐藏层大小、层数和输出层大小。
3. 接着，我们创建数据加载器，将数据划分为小批量的数据集。
4. 然后，我们定义LSTM模型。在这个模型中，我们使用nn.LSTM类来构建LSTM层，将LSTM层的输出传递给一个全连接层进行最终的预测。
5. 然后，我们初始化模型和损失函数，并使用Adam优化器进行优化。
6. 最后，我们在训练集上训练模型，并在整个数据集上进行预测。