简单PyTorch循环神经网络示例 | AI生成和翻译
PyTorch 简单 RNN 示例
循环神经网络（RNN）非常适合处理时间序列或文本等序列数据。以下是一个使用 PyTorch 构建简单 RNN 进行序列分类的基础示例（例如对随机序列进行二元分类）。假设已安装 PyTorch（需导入 import torch 和 import torch.nn as nn）。
import torch
import torch.nn as nn
import torch.optim as optim
import numpy as np
# 超参数
input_size = 1 # 特征维度（如单变量时间序列）
hidden_size = 32 # 隐藏状态维度
output_size = 1 # 二元输出（使用 sigmoid 激活函数）
sequence_length = 10 # 序列长度
batch_size = 32
num_epochs = 10
# 生成虚拟数据：长度为10的序列，根据序列和生成二元标签
def generate_data(num_samples):
X = torch.randn(num_samples, sequence_length, input_size)
y = (torch.sum(X, dim=1) > 0).float().unsqueeze(1)
return X, y
# 简单 RNN 模型
class SimpleRNN(nn.Module):
def __init__(self, input_size, hidden_size, output_size):
super(SimpleRNN, self).__init__()
self.hidden_size = hidden_size
self.rnn = nn.RNN(input_size, hidden_size, batch_first=True)
self.fc = nn.Linear(hidden_size, output_size)
self.sigmoid = nn.Sigmoid()
def forward(self, x):
# x 形状: (batch, seq_len, input_size)
h0 = torch.zeros(1, x.size(0), self.hidden_size) # 初始隐藏状态
out, _ = self.rnn(x, h0)
# 取最后时间步的输出进行分类
out = self.fc(out[:, -1, :]) # 末时间步
return self.sigmoid(out)
# 初始化模型、损失函数、优化器
model = SimpleRNN(input_size, hidden_size, output_size)
criterion = nn.BCELoss()
optimizer = optim.Adam(model.parameters(), lr=0.01)
# 训练循环
num_samples = 1000
X, y = generate_data(num_samples)
dataset = torch.utils.data.TensorDataset(X, y)
dataloader = torch.utils.data.DataLoader(dataset, batch_size=batch_size, shuffle=True)
for epoch in range(num_epochs):
for batch_X, batch_y in dataloader:
optimizer.zero_grad()
outputs = model(batch_X)
loss = criterion(outputs, batch_y)
loss.backward()
optimizer.step()
print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {loss.item():.4f}')
# 推理示例
test_seq = torch.randn(1, sequence_length, input_size)
prediction = model(test_seq)
print(f'Prediction: {prediction.item():.4f}')
实现原理：
- 数据生成：创建长度为10的随机序列，根据序列和是否大于0生成二元标签
- 模型结构：使用
nn.RNN（基础RNN单元）。前向传播逐步处理序列，最终隐藏状态用于输出 - 训练过程：标准 PyTorch 训练循环，使用二元交叉熵损失函数
- 输出结果：Sigmoid 激活函数输出0-1之间的概率值
此为基础RNN实现。若需处理长序列，建议使用 LSTM 或 GRU 变体（例如将 nn.RNN 替换为 nn.LSTM）。
LSTM 变体（快速扩展）
为解决梯度消失问题，可替换为 LSTM：
# 在模型类中替换为：
self.rnn = nn.LSTM(input_size, hidden_size, batch_first=True)
# 前向传播中调整为：
h0 = torch.zeros(1, x.size(0), self.hidden_size)
c0 = torch.zeros(1, x.size(0), self.hidden_size) # LSTM 需要细胞状态
out, (hn, cn) = self.rnn(x, (h0, c0))
请在 PyTorch 环境中运行此代码进行实验！
PyTorch RNN 文档
PyTorch LSTM 文档