LSTM训练模型预测结果恒为无波动水平线的问题排查求助

大家好，我最近在训练一个LSTM模型做时序预测，但碰到了非常棘手的问题——模型训练后的预测结果始终是一条没有任何波动的水平线，完全没法拟合数据的真实趋势。我把自己写的模型代码贴在下面，想请各位大佬帮忙排查下可能的问题，谢谢大家了！

我的LSTM模型代码如下：

class Net(nn.Module):
    def __init__(self,input_size,hidden_size,num_layers,output_size,batch_size,seq_length) -> None:
        super(Net,self).__init__()
        self.input_size=input_size
        self.hidden_size=hidden_size
        self.num_layers=num_layers
        self.output_size=output_size
        self.batch_size=batch_size
        self.seq_length=seq_length
        self.num_directions=1 
        self.liner1 = nn.Linear(input_size, hidden_size)
        self.relu = nn.ReLU()
        self.liner2 = nn.Linear(num_layers*hidden_size, output_size)
        self.dropout = nn.Dropout(0.2)
 
        self.lstm=nn.LSTM(input_size=hidden_size,hidden_size=hidden_size,num_layers=num_layers,batch_first=True,dropout=0.2) # LSTM
 
    def forward(self,x):
        batchsize = x.shape[0]
        x = self.liner1(x)
        x = self.relu(x)
 
        h_0 = torch.randn(self.num_directions * self.num_layers, x.size(0), self.hidden_size).to('cuda')
        c_0 = torch.ran...

注：c_0的代码被截断了，实际是类似torch.randn(...)的初始化逻辑。

目前我自己怀疑的几个方向，但还没找到问题所在：

• 是不是LSTM的输入输出维度匹配出了问题？比如batch_first=True的情况下，输入形状有没有符合要求？
• 每次前向传播都重新随机初始化h_0和c_0是不是不合理？是不是应该让模型自己维护隐藏状态，而不是每次都随机生成？
• 全连接层的维度设置num_layers*hidden_size有没有问题？是不是应该取LSTM输出的最后一个时间步的隐藏状态来输入到全连接层？
• 有没有可能是数据预处理（比如归一化）的问题？不过目前我还没发现数据处理环节有明显错误。

如果各位有其他排查思路或者发现代码里的问题，欢迎指点！

备注：内容来源于stack exchange，提问作者user24521131