以下是一个简单的轴承剩余寿命预测GRU的PyTorch代码示例： ```python import torch import torch.nn as nn class GRU(nn.Module): def __init__(self, input_size, hidden_size, output_size): super().__init__() self.hidden_size = hidden_size self.gru = nn.GRU(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x, hidden): output, hidden = self.gru(x, hidden) output = self.fc(output[:, -1, :]) return output, hidden input_size = 10 hidden_size = 20 output_size = 1 model = GRU(input_size, hidden_size, output_size) criterion = nn.MSELoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) num_epochs = 100 batch_size = 32 sequence_length = 10 # 假设我们有n个样本，每个样本有m个特征 # x的shape为(n, sequence_length, m)，y的shape为(n, 1) # 这里使用随机数据作为示例 x = torch.randn(1000, sequence_length, input_size) y = torch.randn(1000, output_size) for epoch in range(num_epochs): for i in range(0, len(x), batch_size): x_batch = x[i:i+batch_size] y_batch = y[i:i+batch_size] hidden = torch.zeros(1, len(x_batch), hidden_size) optimizer.zero_grad() output, hidden = model(x_batch, hidden) loss = criterion(output, y_batch) loss.backward() optimizer.step() print(f'Epoch: {epoch+1}/{num_epochs}, Loss: {loss.item():.4f}') ``` 在这个代码示例中，我们定义了一个简单的GRU模型，其输入特征数为10，隐藏层大小为20，输出为1。我们使用MSE损失函数和Adam优化器进行训练。我们假设我们有1000个样本，每个样本有10个特征，我们将每个样本分成长度为10的序列进行训练。在每个时刻，我们将所有序列的GRU隐藏状态初始化为0，并在训练过程中逐步更新它们。最后，我们输出每个批次的平均损失并进行100个epoch的训练。