LSTM模型定义及参数设置：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

解决RuntimeError: mat1 and mat2 shapes cannot be multiplied

该错误通常是因为矩阵乘法中矩阵维度不匹配导致的。在LSTM模型中，该错误可能出现在self.fc(out[:, -1, :])这一行，即全连接层对LSTM输出的处理。

根据提示信息，可以得知训练数据集中有8个输入特征数据列和1个目标数据列。因此，需要将模型的输入参数设置为：

• input_size = 8: 输入特征维度为8
• hidden_size = 64: 隐藏层大小，可以根据实际情况调整
• num_layers = 2: LSTM层数，可以根据实际情况调整
• output_size = 1: 输出维度为1
• batch_size = 10: 每个batch的样本数量，可以根据实际情况调整

示例:

model = LSTM(input_size=8, hidden_size=64, num_layers=2, output_size=1, batch_size=10)

调整batch_size:

如果仍然出现错误，可能是batch_size设置不正确。建议检查训练数据集的实际batch_size大小，并将其设置为与模型定义中的batch_size参数一致。

其他调试技巧:

• 使用print()语句打印输入和输出张量的维度，以便更直观地了解模型内部数据流。
• 使用调试工具，例如pdb，进行逐步调试，跟踪代码执行过程，找出错误所在。

通过调整模型参数并进行调试，可以有效解决RuntimeError: mat1 and mat2 shapes cannot be multiplied错误，并使模型正常训练和运行。