Pytorch LSTM 输入

Question

我目前有一个具有多个特征的数据集，其中每一行都是一个时间序列，每一列都是一个时间步长。例如：

当我使用 pytorch LSTM 时，我应该如何重新调整数据，以便能够正确表示顺序信息？

目前我保持原样，将特征转换为张量并将其包装在变量内，并使用以下代码对其进行重塑：

X_train_tensors = Variable(torch.Tensor(X_train), requires_grad=True)
X_test_tensors = Variable(torch.Tensor(X_test), requires_grad=True)

y_train_tensors = Variable(torch.Tensor(y_train), requires_grad=True)
y_test_tensors = Variable(torch.Tensor(y_test))

最终形状看起来像：

torch.Size([num_rows, 1, num_features])

LSTM 运行良好，但是，我担心我没有通过保持数据集的方向来捕获数据集的顺序性质？我应该将每一行作为时间序列，将列作为时间序列吗？在这种情况下，最终的形状会是什么样子，我如何使用 pytorch 工具对其进行转换？

Answer 1

在您当前的配置下使用 LSTM 是没有意义的。 LSTM 对于处理可变长度序列非常有用。如果设置了特征数量并且张量的大小均为

(num_rows, 1, num_features)

，您可以将其压缩为

(num_rows, num_features)

并将它们放入 MLP。

如果你想使用 LSTM 类型的方法，你会这样做：

• 创建大小为

  (num_rows, num_features)

  的张量，其中所有特征都是整数值（我从您的电子表格示例中推断出这一点）
• 将这些张量通过

  nn.Embedding

  层以获得大小为

  (num_rows, num_features, d_features)

的张量
• 通过 LSTM 发送大小为

  (num_rows, num_features, d_features)

  的张量

也就是说，如果输入的特征数量是固定的，则无需使用 LSTM。当您必须处理可变长度序列时，可以使用 LSTM。

顺便说一句，看起来您正在使用几年前已被弃用的

Variable

语法 - 您应该查看 pytorch 的当前文档。