我目前有一个包含多个特征的数据集，其中每行是一个时间序列，每列是一个时间步。例如：
的数据
当我使用pytorch LSTM时，我应该如何重新塑造数据，以便我可以正确地表示顺序信息？
目前，我保持原样，将特征转换为Tensor，并将其 Package 在变量中，并使用以下代码重塑它：
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))字符串
最终形状看起来像：
torch.Size([num_rows, 1, num_features])型
LSTM运行得很好，但是，我担心我没有通过保持这个方向来捕捉数据集的序列性质？我应该让每行都是时间序列，列是时间序列吗？在这种情况下，最终的形状会是什么样子，我如何使用pytorch工具转换它？
1条答案
按热度按时间w8f9ii691#
在当前配置下使用LSTM没有意义。LSTM对于处理可变长度序列很有用。如果设置了特征数量，并且您的Tensor大小都是
(num_rows, 1, num_features)，则可以将其压缩为(num_rows, num_features)并将其放入MLP。如果你想使用LSTM类型的方法，你可以这样做：
(num_rows, num_features)的Tensor，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）nn.Embedding层，得到大小为(num_rows, num_features, d_features)的Tensor(num_rows, num_features, d_features)的Tensor也就是说，如果输入的特征数量是固定的，就不需要使用LSTM。LSTM用于处理可变长度序列。
顺便说一句，看起来你正在使用几年前已经过时的
Variable语法-你应该查看pytorch的最新文档。