PyTorch Tensor 构建：使用 stock_prices 创建训练数据

使用 PyTorch Tensor 构建训练数据：股票价格示例

代码 src_data = torch.tensor([stock_prices[i:i+input_seq_len] for i in range(num_samples)]).unsqueeze(-1).float() 用于将股票价格数据 stock_prices 转换成适合机器学习模型训练的格式。

数据格式解释：

假设 num_samples=2, input_seq_len=3, stock_prices=[1,2,3,4,5,6]，则 src_data 的格式为:

tensor([[[1.],
         [2.],
         [3.]],

        [[4.],
         [5.],
         [6.]]])

• 第一个维度 代表样本数量 (num_samples)，这里是 2。
• 第二个维度 代表输入序列长度 (input_seq_len)，这里是 3。
• 第三个维度 代表特征数量，这里是 1，因为只有一个特征 (股票价格)。

每个元素都是一个浮点数，代表股票价格。

代码解释：

1. [stock_prices[i:i+input_seq_len] for i in range(num_samples)]：使用列表推导，将 stock_prices 分割成多个长度为 input_seq_len 的子列表，每个子列表代表一个样本。
2. torch.tensor(...)：将子列表转换成 PyTorch 的 tensor 对象。
3. .unsqueeze(-1)：在最后一个维度添加一个维度，使其成为 3 维 tensor。
4. .float()：将 tensor 的数据类型转换成浮点数。

总结：

通过以上步骤，我们成功地将股票价格数据转换为适合机器学习模型训练的格式，每个样本包含一段连续的股票价格序列。