pytorch实现循环神经网络实验

一：手写循环神经网络的实现
实验： 手动实现循环神经网络RNN，并从至少一个数据集上进行实验，这里我选取了高速公路传感器数据PEMS04（后面的实验都是用的高速公路传感器数据），主要根据数据集的大小以及特征维度，手动实现循环神经网络，包括输入层、隐藏层、输出层，其中注意的是下一层的输入是本身和上一层的隐藏层的同时输入，最后的RNN的返回值为最后一步的隐藏状态，以及每一步的输出状态。
实验目的： 利用手动实现的循环神经网络RNN，利用高速公路车流量数据集，学习回归模型，使得该模型可以很好的根据历史的车流量数据预测未来车流量。
实验算法和原理： 因为是回归模型，所以使用MSE，这里我在测试集上则分别使用了RMSE、MAE、MAPE，梯度更新使用的是Adam优化器。
数据集处理：
在这里统一说一下车流辆回归数据集的处理操作：读取npz文件，只获取一个传感器的所有数据，然后对其归一化操作，最后划分数据集合的80%、20%分别作为训练集和测试集。

1.	#读取数据集，进行划分  
2.