基于LSTM的时间序列填充缺失值方法（pytorch）

最新推荐文章于 2025-07-12 16:35:50 发布

原创

最新推荐文章于 2025-07-12 16:35:50 发布 · 1w 阅读

38 ·

CC 4.0 BY-SA版权

文章标签：

#LSTM #缺失数据 #填充 #pytorch

import torch
class RNN(torch.nn.Module):
    def __init__(self):
        super().__init__()
        self.rnn = torch.nn.LSTM(
            input_size=1,
            hidden_size=64,
            num_layers=1,
            batch_first=True
        )
        self.out = torch.nn.Linear(in_features=64, out_features=1)

    def forward(self, x):
        # 一下关于shape的注释只针对单项
        # output: [batch_size, time_step, hidden_size]
        # h_n: [num_layers,batch_size, hidden_size] # 虽然LSTM的batch_first为True,但是h_n/c_n的第一维还是num_layers
        # c_n: 同h_n
        output, (h_n, c_n) = self.rnn(x)
        # output_in_last_timestep=output[:,-1,:] # 也是可以的
        output_in_last_timestep = h_n[-1, :, :]
        # print(output_in_last_timestep.equal(output[:,-1,:])) #ture
        x = self.out(output_in_last_timestep)
        return x


# 我们对x = 2 进行数据填充
x = torch.tensor([[1, 3, 4, 5, 6]]).float().unsqueeze(0)
y = torch.tensor([5, 7, 8, 9, 10]).float()



net = RNN()
# 3. 训练
# 3. 网络的训练（