LSTM模型定义及常见错误解决：RuntimeError: mat1 and mat2 shapes cannot be multiplied

定义LSTM模型

class LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size, batch_size):
        super(LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.batch_size = batch_size
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        batch_size = self.batch_size # 获取输入数据的batch_size
        h0 = torch.zeros(self.num_layers, batch_size, self.hidden_size).cuda()
        c0 = torch.zeros(self.num_layers, batch_size, self.hidden_size).cuda()
        x = x.unsqueeze(0)
        out, _ = self.lstm(x, (h0, c0))
        out = out.squeeze(0)
        out = self.fc(out[:, -1, :])
        return out

常见错误：'RuntimeError: mat1 and mat2 shapes cannot be multiplied'

这个错误提示表明在执行矩阵乘法时，两个矩阵的形状不匹配。具体来说，一个是1x3090的矩阵，另一个是10x1的矩阵。这意味着有一些维度的大小不匹配，不能进行矩阵乘法。

可能的原因：

在LSTM模型的forward函数中，最后一层全连接层的输入的形状不正确。具体来说，out[:, -1, :]的形状是(batch_size, hidden_size)，而fc层的输入形状应该是(batch_size, output_size)，这两个形状不匹配。

解决方法：

在fc层之前添加一个线性层，将out[:, -1, :]的形状转换为(batch_size, output_size)。具体来说，在LSTM模型的构造函数中添加如下代码：

self.linear = nn.Linear(hidden_size, output_size)

然后在forward函数中将out[:, -1, :]通过线性层进行转换：

out = self.linear(out[:, -1, :])

这样就可以保证fc层的输入形状是(batch_size, output_size)，解决了矩阵形状不匹配的问题。