### 使用PyTorch构建RNN模型 为了使用PyTorch创建循环神经网络(RNN)，可以利用其内置模块`nn.RNN`来简化开发过程。下面提供了一个简单的例子，展示了如何定义、训练以及应用一个基本的RNN模型。 #### 定义RNN模型结构 通过继承`torch.nn.Module`类并重写其中的`__init__()`方法和`forward()`函数来自定义RNN架构： ```python import torch from torch import nn class SimpleRNN(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(SimpleRNN, self).__init__() self.hidden_size = hidden_size self.rnn = nn.RNN(input_size, hidden_size, batch_first=True) self.fc = nn.Linear(hidden_size, output_size) def forward(self, x, hidden_state=None): out, h_out = self.rnn(x, hidden_state) out = self.fc(out[:, -1, :]) return out, h_out ``` 此代码片段展示了一个基础版本的单层RNN模型[^2]。 #### 准备数据集 对于序列预测任务来说，通常会涉及到时间步长的概念，在准备输入张量时需要注意这一点。假设有一个形状为`(batch_size, seq_len, feature_num)`的数据批次，则可以直接将其送入上述定义好的RNN实例中进行前向传播计算。 #### 设置损失函数与优化器 选择合适的损失函数（如交叉熵损失用于分类问题）和优化算法（比如Adam），以便后续能够有效地调整权重参数以最小化误差。 ```python criterion = nn.CrossEntropyLoss() optimizer = torch.optim.Adam(model.parameters(), lr=0.001) ``` 这部分配置有助于指导反向传播过程中梯度更新的方向和幅度。 #### 开始训练流程 编写一段完整的训练逻辑，包括迭代读取样本、执行正向运算得到预测结果、计算当前mini-batch上的平均loss值、调用`.backward()`触发自动求导机制完成链式法则下的逐层微分操作最后再由`.step()`命令实施具体的参数修正动作。 ```python for epoch in range(num_epochs): for i, (inputs, labels) in enumerate(train_loader): outputs, _ = model(inputs) loss = criterion(outputs, labels.long()) optimizer.zero_grad() loss.backward() optimizer.step() if (i+1)%10==0: print(f'Epoch [{epoch+1}/{num_epochs}], Step[{i+1}/{len(train_loader)}], Loss:{loss.item():.4f}') ``` 以上就是基于PyTorch框架搭建简单RNN的具体步骤说明。