时间序列的lstm的输入输出

lstm的官网

总共有七个参数，其中只有前三个是必须的。由于大家普遍使用PyTorch的DataLoader来形成批量数据，因此batch_first也比较重要。

1. input_size：在时间序列预测中，比如需要预测负荷，每一个负荷都是一个单独的值，都可以直接参与运算，因此并不需要将每一个负荷表示成一个向量，此时input_size=1。 但如果我们使用多变量进行预测，比如我们利用前24小时每一时刻的[负荷、风速、温度、压强、湿度、天气、节假日信息]来预测下一时刻的负荷，那么此时input_size=7
2. hidden_size：隐藏层节点个数。可以随意设置。
3. num_layers：层数。nn.LSTMCell与nn.LSTM相比，num_layers默认为1。

Inputs

官方文档

输入由两部分组成：input、(初始的隐状态h_0，初始的单元状态c_0)
其中input：
input(seq_len, batch_size, input_size)

• seq_len：在文本处理中，如果一个句子有7个单词，则seq_len=7；在时间序列预测中，假设我们用前24个小时的负荷来预测下一时刻负荷，则seq_len=24。
• batch_size：一次性输入LSTM中的样本个数。在时间序列预测中，也可以一次性输入很多条数据。
• input_size：但如果我们使用多变量进行预测，比如我们利用前24小时每一时刻的[负荷、风速、温度、压强、湿度、天气、节假日信息]来预测下一时刻的负荷，那么此时input_size=7

点击查看代码

(h_0, c_0)：
h_0(num_directions * num_layers, batch_size, hidden_size)
c_0(num_directions * num_layers, batch_size, hidden_size)

h_0和c_0的shape一致。

num_directions：如果是双向LSTM，则num_directions=2；否则num_directions=1。
num_layers：见前文。
batch_size：见前文。
hidden_size：见前文。

Outputs

官方文档

输出也由两部分组成：otput、(隐状态h_n，单元状态c_n)
其中output的shape为
output(seq_len, batch_size, num_directions * hidden_size)
h_n和c_n的shape保持不变，参数解释见前文。

参考：https://blog.csdn.net/Cyril_KI/article/details/122557880