### 如何使用 PyTorch 的 RNN 进行时间序列数据分类 #### 数据准备 对于时间序列数据分类的任务，首先要准备好合适的数据集。通常情况下，这些数据会被划分为特征（即过去的观测值）和标签（类别）。确保数据被标准化或归一化有助于提高模型性能。 #### 定义超参数 设置必要的超参数，比如批量大小(batch size)，输入尺寸(input_size)，隐藏层尺寸(hidden_size)，层数(num_layers)，输出尺寸(output_size)等。这些参数的选择取决于具体的应用场景和实验设计[^1]。 ```python batch_size = 64 input_size = 10 # 时间序列长度 hidden_size = 50 num_layers = 2 output_size = 3 # 类别数量 learning_rate = 0.001 ``` #### 构建RNN模型 创建一个继承自`nn.Module`的类来定义自己的RNN模型。在这个例子中，除了标准的RNN层外，还加入了一个全连接层用于最终的分类决策。由于`nn.Linear`仅接收二维张量作为输入，因此需要调整形状以适应这一需求[^4]。 ```python import torch.nn as nn class RNNClassifier(nn.Module): def __init__(self, input_dim, hidden_dim, layer_num, output_dim): super(RNNClassifier, self).__init__() self.rnn = nn.RNN( input_size=input_dim, hidden_size=hidden_dim, num_layers=layer_num, batch_first=True ) self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x): out, _ = self.rnn(x) out = out[:, -1, :] # 取最后一个时刻的输出 out = self.fc(out) return out ``` #### 训练过程 编写训练循环，在每次迭代过程中执行前向传播、计算损失并更新权重。这里采用交叉熵损失函数(`CrossEntropyLoss`)配合Adam优化算法来进行训练。为了防止梯度爆炸问题的发生，还可以应用梯度裁剪技术(gradient clipping)[^3]。 ```python criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate) for epoch in range(num_epochs): for i, (seqs, labels) in enumerate(train_loader): outputs = model(seqs.float()) loss = criterion(outputs, labels.long()) optimizer.zero_grad() loss.backward() # 应用梯度裁剪 nn.utils.clip_grad_norm_(model.parameters(), max_norm=1.0) optimizer.step() if (i+1) % 100 == 0: print(f'Epoch [{epoch+1}/{num_epochs}], Step [{i+1}/{n_total_steps}], Loss: {loss.item():.4f}') ``` #### 测试与评估 完成训练后，通过测试集验证模型的表现，并可能进一步微调模型参数直至达到满意的精度水平。