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。
Original: https://blog.csdn.net/weixin_39915444/article/details/127242809
Author: 儒雅的晴天
Title: GRU时间序列数据分类预测
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/715827/
转载文章受原作者版权保护。转载请注明原作者出处！