目的：通过一段时间的数据             ，预测后面一段时间的类别
  
 
  
 
  
 
  
 
  
 
  
 
 ，比如输入数据是1-50步的变量












，预测的是50-60步的类别             。

输入变量的数目：15

预测的类别数：0,1,2,3,4,10 （1类数目最多 
  
  
  
  
  
  ，数据不均衡）

GRU模型参数解释：

参考链接：[Pytorch系列-54]：循环神经网络 - torch.nn.GRU（）参数详解_文火冰糖的硅基工坊的博客-CSDN博客_nn.gru参数

 input_size: 输入序列的变量的数目
  
 
  
 
  
 
  
 
  
 
  
 
 。

hidden_size: 隐藏层的特征的数目












。

num_layers: GRU层的数目 
  
  
  
  
  
  。

bias：是否需要偏置
  
  
  
  
  
  
 ，默认是True（需要）
  
  
  
  
  
  
 。

batch_first: 用于确定batch size是否需要放到输入输出数据形状的最前面
 


 


 


 


 


 


。

若为True
 


 


 


 


 


 


， 则输入
  
  
  
  
  
  
、输出的tensor的格式为(batch 
 
 
 
 
 
 ， seq_len
   
   
   
   
   
   
 ， feature)

若为False
 

 

 

 

 

 

，则输入  
  
  
  
  
  
 、输出的tensor的格式为(seq_len 

 

 

 

 

 

 ，batch             ，feature)

默认是False 
 
 
 
 
 
 。

为什么需要该参数呢？

在CNN网络和全连接网络

 
 

 
 

 
 

 
 

 
 

 
 

，batch通常位于输入数据形状的最前面
   
   
   
   
   
   
 。

而对于具有时间信息的序列化数据











，通常需要把seq放在最前面                    ，需要把序列数据串行地输入网络中
 

 

 

 

 

 

。（那我的模型不能设置为True？？？）

seq_len: 输入序列的长度 

 

 

 

 

 

 。在我的情形下可以为50             。

搭建GRU网络：

参考链接：pytorch使用torch.nn.Sequential快速搭建神经网络 - pytorch中文网

self.gru = nn.GRU(self.input_size, self.hidden_size, self.num_layers, batch_first=True, dropout=self.dropout) self.fc = nn.Sequential(nn.Linear(self.hidden_size, self.output_size), nn.Sigmoid()) self.gru = torch.nn.GRU(self.input_size, self.hidden_size, self.num_layers, batch_first=True) self.fc1 = torch.nn.Linear(self.hidden_size, 4) self.fc2 = torch.nn.Linear(self.hidden_size, 4) self.fc3 = torch.nn.Linear(self.hidden_size, 4) self.fc4 = torch.nn.Linear(self.hidden_size, 4) self.fc5 = torch.nn.Linear(self.hidden_size, 4) self.softmax = torch.nn.Softmax(dim=1)

nn.Sequential：是一个Sequential容器
 
 
 
 
 
 
 
 
 
 
 
 
，模块将按照构造函数中传递的顺序添加到模块中

 
 

 
 

 
 

 
 

 
 

 
 

。另外


















，也可以传入一个有序模块











。使用torch.nn.Sequential会自动加入激励函数                    。

torch.nn.Sequential与torch.nn.Module区别与选择

使用torch.nn.Module             ，我们可以根据自己的需求改变传播过程
  
 
  
 
  
 
  
 
  
 
  
 
 ，如RNN等

如果你需要快速构建或者不需要过多的过程












，直接使用torch.nn.Sequential即可

nn.Linear(input_dim, output_dim)

torch.nn.Softmax(dim=1)

参考链接: torch.nn.Softmax_CtrlZ1的博客-CSDN博客_torch.nn.softmax

 tensor([[0.3458, 0.0596, 0.5147],

              [0.3774, 0.7503, 0.3705],

              [0.2768, 0.1901, 0.1148]])

 dim=0表示对于第一个维度的对应下标之和是1, 即0.3458+0.3774+0.2768=1
 


 


 


 


 


 


 、0.0596+0.7503+0.1901=1
 
 
 
 
 
 
 
 
 
 
 
 
。

tensor([[0.3381, 0.1048, 0.5572],

            [0.1766, 0.6315, 0.1919],

            [0.3711, 0.4586, 0.1704]])

dim=1表示对于第二维度而言 
  
  
  
  
  
  ，对应下标之和为1
  
  
  
  
  
  
 ，0.3381+0.1048+0.5572=1, 0.1766+0.6315+0.1919=1
 


 


 


 


 


 


，即所有列的对应下标之和为1


















。

 一些报错记录：

1. 计算交叉熵损失使用的output必须是softmax输出的概率而不是argmax之后得到的类别             。

RuntimeError: Expected floating point type for target with class probabilities, got Long

语义分割损失函数系列(1):交叉熵损失函数_spectrelwf的博客-CSDN博客_语义分割交叉熵

2. 加载生成训练数据集的时候报错
  
 
  
 
  
 
  
 
  
 
  
 
 。

Ran out of input

python报错Ran out of input_在上树的路上的博客-CSDN博客

因为生成的数据集太大了 
 
 
 
 
 
 ，要减少数据集












。（The actually error is OverflowError: cannot serialize a bytes object larger than 4 GiB. You have to reduce the size of the input.）

3.  输入张量和隐藏张量不在一个device上 
  
  
  
  
  
  。

h_0 = torch.zeros(self.num_layers, batch_size, self.hidden_size) Input and hidden tensors are not at the same device, found input tensor at cuda:0 and hidden tensor at cpu h_0 = torch.zeros(self.num_layers, batch_size, self.hidden_size).to(Train.device) Input and hidden tensors are not at the same device, found input tensor at cpu and and hidden tensor at cuda:0

 解决方法：

output, _ = self.gru(input_seq.to(Train.device), h_0)

（input_seq后面加上to(Train.device)）

4. 预测和真实标签长度不一致
  
  
  
  
  
  
 。

报错：Found input variables with inconsistent numbers of samples

y_true.shape 

y_predict.shape

查看真实值和预测值的形状
 


 


 


 


 


 


。