### 使用PyTorch实现RNN神经网络 为了使用PyTorch构建并训练一个简单的循环神经网络(RNN)，以下是详细的说明以及相应的代码示例。 #### 安装依赖库 确保环境中已安装`torch`包。如果尚未安装，可以通过命令行执行如下指令完成安装： ```bash pip install torch ``` #### 导入必要的模块 在编写具体逻辑之前，需导入所需的Python库和工具类： ```python import torch from torch import nn, optim from torch.utils.data import DataLoader, TensorDataset import numpy as np ``` #### 构建自定义RNN模型 这里展示了一个基础版本的RNN架构设计方法，其中包含了单层LSTM单元及其后的线性变换层： ```python class SimpleRNN(nn.Module): def __init__(self, input_size=10, hidden_size=20, output_size=5): super(SimpleRNN, self).__init__() self.hidden_size = hidden_size # 初始化LSTM层 self.lstm = nn.LSTM(input_size=input_size, hidden_size=self.hidden_size) # 添加全连接层用于映射到目标维度 self.fc = nn.Linear(hidden_size, output_size) def forward(self, x): batch_size = x.size(1) h_0 = torch.zeros((1,batch_size,self.hidden_size)).float() c_0 = torch.zeros((1,batch_size,self.hidden_size)).float() out,(h_n,c_n)=self.lstm(x,(h_0,c_0)) last_hidden_state=out[-1,:,:] y_pred = self.fc(last_hidden_state) return y_pred ``` 此部分描述了如何创建一个继承于`nn.Module`的基础类，并重写了其构造函数(`__init__()`)与前馈计算过程(`forward()`)的方法[^1]。 #### 准备数据集 对于时间序列预测任务而言，通常会将连续的时间戳划分为固定长度的小片段作为样本输入给定长窗口大小w，则每个时刻t处的数据点可表示成[x(t-w+1),...,x(t)]的形式；而对于分类问题来说，每条记录则对应着一系列特征向量组成的矩阵形式。此处假设我们已经有了预处理好的张量X_train,y_train分别代表训练集中所有实例对应的属性值集合与其标签类别编号构成的一维数组。 ```python # 假设 X_train 和 y_train 已经准备好 train_dataset = TensorDataset(torch.tensor(X_train).float(), torch.tensor(y_train).long()) train_loader = DataLoader(train_dataset, shuffle=True, batch_size=32) ``` #### 训练流程设置 接下来配置好损失度量方式（如交叉熵）、优化策略（比如Adam），并通过迭代读取mini-batches来进行梯度下降更新操作直至收敛为止: ```python model = SimpleRNN().cuda() # 如果有GPU支持的话建议开启CUDA加速模式 criterion = nn.CrossEntropyLoss() optimizer = optim.Adam(model.parameters()) for epoch in range(num_epochs): running_loss = 0.0 for i, (inputs, labels) in enumerate(train_loader): inputs = inputs.permute(1, 0, 2).to(device=device) # 调整形状适应LSTM输入要求[B,T,F]->[T,B,F] labels = labels.to(device=device) optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader)}') ``` 上述代码展示了完整的训练周期内每次批量传入新批次数据时所经历的主要步骤：清零累积梯度->正向传播求解当前估计误差->反向传播调整权重参数->累加平均本次迭代产生的总代价以便后续监控学习进度变化趋势[^2]。