2025-11-15 学习记录--Python-LSTM模型定义（PyTorch）

`LSTM`模型定义（`PyTorch`）

LSTM（Long Short-Term Memory）长短期记忆网络
是 RNN（循环神经网络）的一种改进版本，主要用来解决 时间序列预测 或 需要记住过去信息的任务 ，例如：👇🏻

PM2.5 时间序列预测

文本生成

股票预测

温度预测

电力负载预测

普通 RNN 的问题是运行久了就遗忘前面的信息 （梯度消失），而 LSTM 通过 "门结构（gates） " 让网络能够选择：👇🏻

记住（Keep）

忘掉（Forget）

更新（Update）

这些信息。

python 复制代码

# LSTM 模型定义（PyTorch）
# ---------------------------------------------------------
# 本文件实现一个简单的单层 LSTM 回归模型，用于预测下一小时 PM2.5。
# 输入维度: 24（窗口长度）
# 输出维度: 1（预测未来1小时 PM2.5）
# ---------------------------------------------------------

import torch  # 导入 PyTorch 主包，用于张量运算与设备管理
import torch.nn as nn  # 导入神经网络模块的子包，习惯性重命名为 nn

# 定义一个继承自 nn.Module 的 LSTM 模型类
class LSTMModel(nn.Module):
    def __init__(self, input_size=1, hidden_size=64, num_layers=1, dropout=0.0):
        super(LSTMModel, self).__init__()  # 调用父类构造函数，初始化模块内部状态

        # 定义一个 LSTM 层
        # input_size: 每个时间步的特征维度（这里每小时只有一个 PM2.5 值，所以是 1）
        # hidden_size: LSTM 隐藏态的维度（即每个时间步输出向量的长度）
        # num_layers: LSTM 堆叠层数（几层 LSTM 单元叠在一起）
        # batch_first=True: 输入/输出张量的形状为 (batch, seq_len, feature)
        # dropout: 当 num_layers>1 时，层间 dropout 的概率
        self.lstm = nn.LSTM(
            input_size=input_size,
            hidden_size=hidden_size,
            num_layers=num_layers,
            batch_first=True,
            dropout=dropout
        )

        # 定义一个线性全连接层，把 LSTM 的最后隐藏态映射为预测值
        # 输入维度 hidden_size -> 输出维度 1（回归预测一个数）
        self.fc = nn.Linear(hidden_size, 1)

    def forward(self, x):
        # forward 定义前向传播逻辑，x 是模型输入张量
        # 期望 x.shape = (batch_size, seq_len=24, feature=1)
        out, _ = self.lstm(x)  # 把输入传入 LSTM，out 为每个时间步的输出（shape=(batch, seq_len, hidden_size)）
                               # 第二个返回值是 (h_n, c_n) ------ 最后一个时间步的隐状态与细胞状态，这里用 _ 忽略它

        # 取 LSTM 输出序列中最后一个时间步的输出作为序列级特征
        # out[:, -1, :] 的形状为 (batch_size, hidden_size)
        out = out[:, -1, :]

        # 把最后时间步的隐藏向量通过全连接层映射为标量预测值
        # 最终 out 的形状为 (batch_size, 1)
        out = self.fc(out)
        return out  # 返回预测结果（未做激活，回归任务通常直接输出实数）