Python 长LSTM预测

我使用LSTM将5个序列作为输入来预测另外5个序列。我想知道如何预测超过5个时间步。我想这和隐藏的颜色有关，但我想不出来

这是我的密码

class LSTM(nn.Module):
    def __init__(self, seq_len=5, n_features=256, n_hidden=256, n_layers=1, output_size=1):
        super().__init__()
        self.n_features = n_features
        self.seq_len = seq_len
        self.n_hidden = n_hidden
        self.n_layers = n_layers
        
        self.l_lstm = nn.LSTM(input_size=self.n_features, hidden_size=self.n_hidden, num_layers=self.n_layers, batch_first=True)

        

    def init_hidden(self, batch_size):
        hidden_state = torch.zeros(self.n_layers,batch_size,self.n_hidden).to(device)
        cell_state = torch.zeros(self.n_layers,batch_size,self.n_hidden).to(device)
        self.hidden = (hidden_state, cell_state)
    
    def forward(self, x):        
        
        lstm_out, self.hidden = self.l_lstm(x,self.hidden)

        return lstm_out

---

如果有人知道如何扩展预测范围，或者可以建议一种更好的编写LSTM的方法，我将非常感激。

现在，您正在向前运行LSTM 5个时间步，并返回每个时间步产生的隐藏状态。当您知道每个输入都需要一个输出时，通常会使用这种方法，例如顺序标签问题（例如，用词性标记句子中的每个单词）

如果要对可变长度序列进行编码，然后对任意长度的序列进行解码（例如，对于机器翻译），则需要更一般地查找（seq2seq）建模。这更为复杂，涉及两个LSTM，一个用于编码输入序列，另一个用于解码输出序列（请参见上文链接的pytorch教程中的

EncoderRNN

和

decodernn

实现）

---

基本思想是，例如，在使用输入句子后，获取LSTM的最终状态，然后使用该状态初始化一个单独的LSTM解码器，从中进行自回归采样-换句话说，生成一个新的令牌，将令牌反馈回解码器，然后继续执行指定的任意数量的步骤，或者，在LSTM对“句子结束”标记进行采样之前，如果您已训练LSTM预测采样序列的结束。

在LSTM层之后添加一个包含步骤数的密集层。请提供一个示例。我想我不太明白。