PyTorch复现Coursera TensorFlow LSTM时序预测模型问题咨询

你现有代码存在多处维度、层逻辑的错误，以下是逐点问题说明和可直接运行的正确实现。

现有代码核心问题 #

• 输入与卷积层维度逻辑颠倒：原TensorFlow模型处理的是单变量时序，输入形状为(批次大小, 滑动窗口长度30, 特征数1)，你误将批次维度32当成了卷积输入通道数，测试输入的形状构造完全错误。
• 卷积层padding配置错误：原模型用padding="causal"（因果卷积，保证预测时不会泄露未来信息），你直接设padding=2会在序列两端补零，导致输出序列长度变长，且不符合因果卷积要求。
• LSTM层调用与参数逻辑错误：第一层LSTM对应TF的return_sequences=True需要返回所有时间步输出，第二层LSTM对应TF默认配置只需要返回最后一个时间步的隐状态；你代码中调用层时误写为self.LSTM（和类名重名）、括号未闭合，且错误地展平了所有时间步特征，把批次维度和序列维度混在了一起。
• 全连接层输入维度计算错误：第二层LSTM输出的是每个样本对应64维隐状态向量，不需要展平操作，直接接输入维度为64的全连接层即可。
• 缺失最后一步将输出乘以400的缩放逻辑。

正确实现代码 #

import torch
import torch.nn as nn
import torch.nn.functional as F

window_size = 30
batch_size = 32

class TimeSeriesPredictModel(nn.Module):
    def __init__(self):
        super().__init__()
        # 因果卷积：输入通道1（单变量时序），输出通道64，卷积核3
        self.conv1d = nn.Conv1d(in_channels=1, out_channels=64, kernel_size=3, stride=1, padding=2)
        # 第一层LSTM：返回所有时间步输出，对应TF的return_sequences=True
        self.lstm1 = nn.LSTM(input_size=64, hidden_size=64, batch_first=True)
        # 第二层LSTM：默认返回所有时间步，后续手动取最后一步输出，对应TF默认return_sequences=False
        self.lstm2 = nn.LSTM(input_size=64, hidden_size=64, batch_first=True)
        # 全连接层
        self.fc1 = nn.Linear(in_features=64, out_features=30)
        self.fc2 = nn.Linear(in_features=30, out_features=30)
        self.fc3 = nn.Linear(in_features=30, out_features=1)

    def forward(self, x):
        # x初始形状: (batch_size, window_size, 1)
        # 转换为Conv1d要求的 (batch, channels, seq_len) 格式
        out = x.permute(0, 2, 1)
        out = F.relu(self.conv1d(out))
        # 裁掉卷积右侧多出来的2个时间步，保证序列长度为window_size，实现因果卷积效果
        out = out[:, :, :-2]
        # 转换回LSTM要求的 (batch, seq_len, features) 格式（batch_first=True）
        out = out.permute(0, 2, 1)
        out, _ = self.lstm1(out)
        out, _ = self.lstm2(out)
        # 取最后一个时间步的输出，形状变为 (batch_size, 64)
        out = out[:, -1, :]
        # 全连接前向传播
        out = F.relu(self.fc1(out))
        out = F.relu(self.fc2(out))
        out = self.fc3(out)
        # 对应TF的Lambda层，输出缩放400倍
        out = out * 400
        return out

# 维度测试
if __name__ == "__main__":
    model = TimeSeriesPredictModel()
    # 构造符合要求的测试输入：(32个样本, 窗口长度30, 单特征)
    test_input = torch.rand((batch_size, window_size, 1), dtype=torch.float32)
    output = model(test_input)
    print(f"输入形状: {test_input.shape}, 输出形状: {output.shape}")
    # 预期打印：输入形状: torch.Size([32, 30, 1]), 输出形状: torch.Size([32, 1])

维度流转对应说明 #

以batch_size=32为例，每一步张量形状完全对齐原TensorFlow模型：

• 初始输入：(32, 30, 1)
• 卷积处理后：(32, 30, 64)
• 第一层LSTM输出：(32, 30, 64)（保留所有时间步）
• 第二层LSTM取最后一步输出：(32, 64)
• 三层全连接处理后：(32, 1)
• 缩放后最终输出：(32, 1)，即每个样本对应一个下一位置的预测值。

内容的提问来源于stack exchange，提问作者imantha