第九章（1）：循环神经网络与pytorch示例（RNN实现股价预测）

**第九章：循环神经网络与PyTorch示例**

在前几章中，我们已经学习了线性模型、决策树模型、随机森林模型等。然而，在实际的预测任务中，数据往往具有时间序列或顺序特征，这些模型并不能很好地捕捉这种关系。在本章中，我们将介绍循环神经网络（RNN），一种能够处理时间序列数据的神经网络结构。

**9.1 循环神经网络（RNN）**

循环神经网络（RNN）是一种特殊类型的神经网络，其输出不仅依赖于当前输入，还依赖于历史输入。这种机制使得RNN能够捕捉时间序列数据中的长期依赖关系。

**9.2 PyTorch示例：股价预测**

在本节中，我们将使用PyTorch实现一个简单的RNN模型，用于预测股票价格。

###9.2.1 数据准备首先，我们需要准备我们的数据。假设我们有一个包含历史股价和当前股价的时间序列数据集。

import pandas as pdfrom sklearn.preprocessing import MinMaxScaler# 加载数据data = pd.read_csv('stock_data.csv', index_col='date', parse_dates=['date'])

# 归一化数据scaler = MinMaxScaler()
scaled_data = scaler.fit_transform(data[['open', 'high', 'low', 'close']])

# 将数据转换为时间序列格式X = []
y = []
for i in range(len(scaled_data) -1):
 X.append(scaled_data[i])
 y.append(scaled_data[i +1])

X, y = np.array(X), np.array(y)

import torchfrom torch import nn# 定义RNN模型class RNNModel(nn.Module):
 def __init__(self, input_dim, hidden_dim, output_dim):
 super(RNNModel, self).__init__()
 self.rnn = nn.RNN(input_dim, hidden_dim, num_layers=1)
 self.fc = nn.Linear(hidden_dim, output_dim)

 def forward(self, x):
 h0 = torch.zeros(1, x.size(1), self.hidden_dim).to(x.device)
 out, _ = self.rnn(x, h0)
 return self.fc(out[:, -1, :])

# 初始化模型参数input_dim =4 # 股价数据维度hidden_dim =10 # 隐藏层维度output_dim =1 # 输出维度model = RNNModel(input_dim, hidden_dim, output_dim)

# 定义损失函数和优化器criterion = nn.MSELoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 训练模型for epoch in range(100):
 optimizer.zero_grad()
 outputs = model(torch.tensor(X).float())
 loss = criterion(outputs, torch.tensor(y).float())
 loss.backward()
 optimizer.step()
 if (epoch+1) %10 ==0:
 print('Epoch {}: Loss = {:.4f}'.format(epoch+1, loss.item()))