pytorch-RNN进行回归曲线预测方式

PyTorch-RNN进行回归曲线预测方式

在深度学习中，循环神经网络（RNN）是一种常用的模型，可以用于时间序列数据的建模和预测。本文将介绍如何使用PyTorch-RNN进行回归曲线预测，并演示两个示例。

示例一：使用LSTM进行回归曲线预测

在PyTorch中，我们可以使用LSTM模型进行回归曲线预测。下面是一个简单的示例，演示如何使用LSTM模型预测正弦曲线。

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# 生成正弦曲线数据
data = np.sin(np.arange(0, 10, 0.1))

# 定义LSTM模型
class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.lstm = nn.LSTM(input_size, hidden_size)
        self.linear = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        lstm_out, _ = self.lstm(input.view(len(input), 1, -1))
        output = self.linear(lstm_out.view(len(input), -1))
        return output[-1]

# 定义模型参数
input_size = 1
hidden_size = 10
output_size = 1
learning_rate = 0.01
num_epochs = 1000

# 定义模型、损失函数和优化器
model = LSTM(input_size, hidden_size, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    input = torch.from_numpy(data[:-1]).float()
    label = torch.from_numpy(data[1:]).float()
    output = model(input)
    loss = criterion(output, label)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if epoch % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 预测未来的曲线
future = 100
input = torch.from_numpy(data[-1]).float()
predictions = []
for i in range(future):
    output = model(input)
    predictions.append(output.item())
    input = output

# 绘制预测曲线
plt.plot(np.arange(len(data)), data, label='Original Data')
plt.plot(np.arange(len(data), len(data)+future), predictions, label='Predictions')
plt.legend()
plt.show()

在上述代码中，我们首先生成了一个正弦曲线数据。然后，我们定义了一个LSTM模型，并使用MSELoss作为损失函数和Adam作为优化器。接下来，我们训练模型，并使用训练好的模型预测未来的曲线。最后，我们绘制了原始数据和预测数据的曲线。

示例二：使用GRU进行回归曲线预测

除了LSTM模型外，PyTorch还提供了GRU模型，可以用于回归曲线预测。下面是一个简单的示例，演示如何使用GRU模型预测正弦曲线。

import torch
import torch.nn as nn
import numpy as np
import matplotlib.pyplot as plt

# 生成正弦曲线数据
data = np.sin(np.arange(0, 10, 0.1))

# 定义GRU模型
class GRU(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(GRU, self).__init__()
        self.hidden_size = hidden_size
        self.gru = nn.GRU(input_size, hidden_size)
        self.linear = nn.Linear(hidden_size, output_size)

    def forward(self, input):
        gru_out, _ = self.gru(input.view(len(input), 1, -1))
        output = self.linear(gru_out.view(len(input), -1))
        return output[-1]

# 定义模型参数
input_size = 1
hidden_size = 10
output_size = 1
learning_rate = 0.01
num_epochs = 1000

# 定义模型、损失函数和优化器
model = GRU(input_size, hidden_size, output_size)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

# 训练模型
for epoch in range(num_epochs):
    input = torch.from_numpy(data[:-1]).float()
    label = torch.from_numpy(data[1:]).float()
    output = model(input)
    loss = criterion(output, label)
    optimizer.zero_grad()
    loss.backward()
    optimizer.step()

    if epoch % 100 == 0:
        print('Epoch [{}/{}], Loss: {:.4f}'.format(epoch+1, num_epochs, loss.item()))

# 预测未来的曲线
future = 100
input = torch.from_numpy(data[-1]).float()
predictions = []
for i in range(future):
    output = model(input)
    predictions.append(output.item())
    input = output

# 绘制预测曲线
plt.plot(np.arange(len(data)), data, label='Original Data')
plt.plot(np.arange(len(data), len(data)+future), predictions, label='Predictions')
plt.legend()
plt.show()

在上述代码中，我们首先生成了一个正弦曲线数据。然后，我们定义了一个GRU模型，并使用MSELoss作为损失函数和Adam作为优化器。接下来，我们训练模型，并使用训练好的模型预测未来的曲线。最后，我们绘制了原始数据和预测数据的曲线。