Python Pytorch中的LSTM：如何添加/更改序列长度维度？

我在pytorch中运行LSTM，但据我所知，它只取序列长度=1。当我将序列长度重塑为4或其他数字时，我会得到输入和目标中长度不匹配的错误。如果我同时重塑输入和目标，那么模型会抱怨它不接受多目标标签

我的列车数据集有66512行和16839列，目标中有3个类别/类。我希望使用批量大小为200，序列长度为4，即在一个序列中使用4行数据

请告知如何调整我的模型和/或数据，以便能够针对不同的序列长度（例如，4）运行模型

---

您已经设置了

input\u dim=16839

，因此您的模型期望输入的形状

（批量大小，序列号16839）

从中绘制批次的

序列张量

，其形状为

（66512，116839）

。因此，您的批次的形状

（批次大小，116839）

。这是因为它满足上述要求

---

但是，如果您尝试将相同的训练张量重新塑造为

序列长度

=4，则您的

输入尺寸将不再是16839，因此与模型预期的尺寸不匹配，这就是为什么会出现维度不匹配错误。
这就是最终起作用的原因-将输入数据重新塑造为4个序列，每个序列有一个目标值，我根据问题逻辑选择了目标序列中的最后一个值。现在看起来很容易，但那时候很棘手。发布的代码的其余部分是相同的

train_target = torch.tensor(train_data[['Label1','Label2','Label3']].iloc[3::4].values.astype(np.float32))
train_target = np.argmax(train_target, axis=1)
train = torch.tensor(train_data.drop(['Label1','Label2','Label3'], axis = 1).values.reshape(-1, 4, 16839).astype(np.float32)) 
train_tensor = TensorDataset(train, train_target) 
train_loader = DataLoader(dataset = train_tensor, batch_size = batch_size, shuffle = True)

print(train.shape)
print(train_target.shape)

torch.Size([16628, 4, 16839])
torch.Size([16628])

train_target = torch.tensor(train_data[['Label1','Label2','Label3']].iloc[3::4].values.astype(np.float32))
train_target = np.argmax(train_target, axis=1)
train = torch.tensor(train_data.drop(['Label1','Label2','Label3'], axis = 1).values.reshape(-1, 4, 16839).astype(np.float32)) 
train_tensor = TensorDataset(train, train_target) 
train_loader = DataLoader(dataset = train_tensor, batch_size = batch_size, shuffle = True)

print(train.shape)
print(train_target.shape)

torch.Size([16628, 4, 16839])
torch.Size([16628])