我正在使用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个时间步的数据。我认为这可能与hidden_dim有关，但我无法弄清楚具体方法。
这是我的代码
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，或者能建议更好的LSTM编写方法，我将非常感激。
回答：
目前，你的LSTM向前运行5个时间步，并返回每个时间步的结果隐藏状态。这种方法通常在需要为每个输入提供一个输出的情况下使用，例如在序列标注问题中（例如，为句子中的每个单词标记其词性）。
如果你想编码一个长度可变的序列，然后解码一个任意长度的序列（例如用于机器翻译），你需要更广泛地了解序列到序列（seq2seq）建模。这稍微复杂一些，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（请参阅上述pytorch教程中链接的EncoderRNN和DecoderRNN实现）。
基本思路是，例如，获取LSTM在消耗输入句子后的最终状态，然后使用该状态初始化一个独立的LSTM解码器，从中你可以自回归地采样——换句话说，你生成一个新标记，将该标记反馈到解码器中，然后继续进行你指定的任意数量的步骤，或者直到LSTM采样到一个“句子结束”标记，如果你已经训练LSTM来预测采样序列的结束。
