【Pytorch】Pytorch学习笔记02 - 单变量时间序列 LSTM_pytorch lstm 单变量

最后的话

最近很多小伙伴找我要Linux学习资料，于是我翻箱倒柜，整理了一些优质资源，涵盖视频、电子书、PPT等共享给大家！

资料预览

给大家整理的视频资料：

给大家整理的电子书资料：

如果本文对你有帮助，欢迎点赞、收藏、转发给朋友，让我有持续创作的动力！

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以点击这里获取！

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！

目录

• 说明
• 简单神经网络
• LSTM原理
• Pytorch LSTM
• • 生成数据
    • 初始化
    • 前向传播方法
    • 训练模型
    • 自动化模型构建
• 总结
• 参考文献

说明

这篇文章主要介绍如何使用PyTorch的API构建一个单变量时间序列 LSTM。文章首先介绍了LSTM，解释了它们在时间序列数据中的简单性和有效性。然后，文章解释了如何使用前向方法初始化LSTM，包括定义输入和输出形状，训练模型以及自动化模型构建。最后，文章总结了从头构建LSTM所涉及的关键概念和技术。

简单神经网络

假设我们有以下时间序列数据。我们不使用复杂的递归模型，而是将时间序列视为一个简单的输入 - 输出函数：输入是时间，输出是我们测量的任何因变量的值。这本质上只是简化了一个单变量时间序列。

上面概述的问题与时间序列问题的实际顺序建模方法（如LSTM中使用的）之间有什么区别? 不同之处在于解的递归性。在这里，我们只是简单地传入当前时间步长，并希望网络可以输出函数值。然而，在递归神经网络中，我们不仅传递当前输入，还传递先前的输出。通过这种方式，网络可以学习先前函数值与当前函数值之间的依赖关系。在这里，网络无法学习这些依赖关系，因为我们根本没有将之前的输出输入到模型中。

让我们假设我们试图模拟克莱·汤普森伤愈复出后的上场时间。金州勇士队的教练史蒂夫科尔不希望克莱回来，并立即发挥沉重