最近項目用到了LSTM ，但是對LSTM 的輸入輸出不是很理解，對此，我詳細查找了lstm 的資料

import torch.nn as nnclass LSTMModel(nn.Module):def __init__(self, input_size=1, hidden_size=50, num_layers=2):super(LSTMModel, self).__init__()self.hidden_size = hidden_sizeself.num_layers = num_layersself.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)self.fc = nn.Linear(hidden_size, 1)  # 1 表示預測輸出變量為1def forward(self, x):h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size)c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size)out, _ = self.lstm(x, (h0, c0))out = self.fc(out[:, -1, :])return out # out 形狀為（batch_size,1)

• input_size=1：輸入特征的維度，適用于單變量時間序列。

• hidden_size=50：LSTM 隱藏層的維度，決定了模型的記憶能力。

• num_layers=2：堆疊的 LSTM 層數，增加層數可以提升模型的表達能力。

• batch_first=True：指定輸入和輸出的張量形狀為 (batch_size, seq_len, input_size)。

• self.fc：一個全連接層，將 LSTM 的輸出映射到最終的預測值。

• batch_size 表示批次、seq_len 表示窗口大小、input_size 表示輸入尺寸，單變量輸入為1 ，多變量要基于個數變化

• 初始化隱藏狀態和細胞狀態：

  • h0 和 c0 分別表示初始的隱藏狀態和細胞狀態，形狀為 (num_layers, batch_size, hidden_size)。

  • 在每次前向傳播時，初始化為零張量。

• LSTM 層處理：

  • self.lstm(x, (h0, c0))：將輸入 x 和初始狀態傳入 LSTM 層，輸出 out 和新的狀態。

  • out 的形狀為 (batch_size, seq_len, hidden_size)，包含了每個時間步的輸出。

• 全連接層映射：

  • out[:, -1, :]：提取序列中最后一個時間步的輸出。

  • self.fc(...)：將提取的輸出通過全連接層，得到最終的預測結果。