【模型实现】基于Python的LSTM网络实现单特征预测回归任务（PyTorch）

import torch
import torch.nn as nn
from torch.autograd import Variable
 
# 定义LSTM模型
class LSTMRegressor(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTMRegressor, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.linear = nn.Linear(hidden_size, output_size)
 
    def forward(self, x):
        # 初始化隐藏状态
        h0 = Variable(torch.zeros(1, x.size(0), self.hidden_size))
        c0 = Variable(torch.zeros(1, x.size(0), self.hidden_size))
        
        # 将输入x和初始化的隐藏状态送入LSTM
        out, _ = self.lstm(x, (h0, c0))
        
        # 使用线性层进行输出
        out = self.linear(out[:, -1, :])
        return out
 
# 示例：使用模型
input_size = 1  # 假设单个特征的维度为1
hidden_size = 10  # 隐藏层的节点数
output_size = 1  # 输出的维度，假设为单个值
model = LSTMRegressor(input_size, hidden_size, output_size)
 
# 示例输入数据
x = Variable(torch.randn(1, 10, input_size))  # 1个批次，10个时间步，每个时间步1个特征值
y = model(x)  # 模型预测
 
print(y)

这段代码定义了一个基本的LSTM回归模型，它接受一个单一特征的序列作为输入，并预测序列的下一个值。在PyTorch框架中，我们使用LSTM层处理序列数据，并使用全连接层进行输出。代码示例展示了如何实例化模型并对一个随机生成的序列进行预测。