### PyTorch 实现 RNN 循环神经网络 #### 创建数据集 为了训练和评估RNN模型，需要准备合适的数据集。通常情况下，对于时间序列预测、自然语言处理等问题，可以采用公开的时间序列数据库或文本语料库作为输入[^2]。 ```python from torch.utils.data import DataLoader, Dataset import numpy as np class SequenceDataset(Dataset): def __init__(self, sequences, labels=None): self.sequences = sequences self.labels = labels def __len__(self): return len(self.sequences) def __getitem__(self, idx): sequence = self.sequences[idx] label = self.labels[idx] if self.labels is not None else 0 return sequence, label def create_data_loader(sequences, batch_size=32, shuffle=True, num_workers=4): dataset = SequenceDataset(sequences) data_loader = DataLoader(dataset, batch_size=batch_size, shuffle=shuffle, num_workers=num_workers) return data_loader ``` 此部分代码展示了如何定义自定义`SequenceDataset`类来封装序列型数据，并通过`DataLoader`创建用于训练和测试的数据加载器。 #### 定义 RNN 模型结构 下面是一个基于PyTorch框架构建的简单RNN模型实例，该模型采用了LSTM单元以及全连接层来进行分类或其他任务： ```python import torch.nn as nn class SimpleRNNModel(nn.Module): def __init__(input_dim, hidden_dim, layer_dim, output_dim): super(SimpleRNNModel, self).__init__() # LSTM 层 self.hidden_dim = hidden_dim self.layer_dim = layer_dim self.lstm = nn.LSTM(input_dim, hidden_dim, layer_dim, batch_first=True) # 全连接层 self.fc = nn.Linear(hidden_dim, output_dim) def forward(x): h_0 = torch.zeros(self.layer_dim, x.size(0), self.hidden_dim).requires_grad_() c_0 = torch.zeros(self.layer_dim, x.size(0), self.hidden_dim).requires_grad_() out, (hn, cn) = lstm(x, (h_0.detach(), c_0.detach())) out = fc(out[:, -1, :]) return out ``` 上述代码片段描述了一个具有单向多层LSTM结构的RNN模型，在每次调用forward函数时接收一批次的输入张量x并返回经过线性变换后的输出out。 #### 训练过程概述 在实际应用中还需要编写完整的训练循环逻辑，包括损失计算、反向传播更新参数等操作；同时也要注意设置合适的优化算法与超参数配置以提高泛化性能。