写一个RNN的预测代码

好的，以下是一个简单的RNN预测代码，使用PyTorch实现：

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

# 定义RNN模型
class RNN(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(RNN, self).__init__()

        self.hidden_size = hidden_size

        self.i2h = nn.Linear(input_size + hidden_size, hidden_size)
        self.i2o = nn.Linear(input_size + hidden_size, output_size)
        self.softmax = nn.LogSoftmax(dim=1)

    def forward(self, input, hidden):
        combined = torch.cat((input, hidden), 1)
        hidden = self.i2h(combined)
        output = self.i2o(combined)
        output = self.softmax(output)
        return output, hidden

    def initHidden(self):
        return torch.zeros(1, self.hidden_size)


# 定义训练数据
input_data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
target_data = np.array([2, 4, 6, 8, 10, 12, 14, 16, 18, 20])

# 转换为Tensor
input_tensor = torch.from_numpy(input_data).unsqueeze(1).float()
target_tensor = torch.from_numpy(target_data).unsqueeze(1).float()

# 定义超参数
input_size = 1
hidden_size = 10
output_size = 1
learning_rate = 0.01

# 创建RNN模型
rnn = RNN(input_size, hidden_size, output_size)

# 定义损失函数和优化器
loss_fn = nn.MSELoss()
optimizer = torch.optim.Adam(rnn.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(1000):
    hidden = rnn.initHidden()
    rnn.zero_grad()

    for i in range(input_tensor.size(0)):
        output, hidden = rnn(input_tensor[i], hidden)

    loss = loss_fn(output, target_tensor[-1])
    loss.backward()
    optimizer.step()

    if epoch % 100 == 0:
        print('Epoch: {}, Loss: {}'.format(epoch, loss.item()))

# 预测模型
hidden = rnn.initHidden()
for i in range(input_tensor.size(0)):
    output, hidden = rnn(input_tensor[i], hidden)
    print('Input: {}, Target: {}, Output: {}'.format(input_data[i], target_data[i], output.item()))

这个代码使用一个简单的RNN模型来进行序列预测。训练数据是一个简单的1到10的序列，目标是每个元素乘以2得到的序列。模型的输入和输出都是标量，因此需要将训练数据和目标数据转换为形状为`(seq_length, 1)`的张量。在训练过程中，将RNN的输出与目标数据的最后一个元素进行比较，使用均方误差损失函数进行优化。最后，使用训练好的模型进行预测并输出结果。