人工智能
数据集
现在有一个数据集是飞机的流量数据，它包含每月的飞机流量
这个数据集我们可以看成是序列数据，因为当前月份的飞机流量肯定和前面几个月的飞机流量有关系，当我们将其看成是序列数据的时候，我们就可以使用序列模型来完成这个任务了。
本例中一共有144个月份的数据，我们将两个月的数据作为样本的特征x1、x2，然后将第三个月的数据作为样本的标签y。这样整个数据集就有143份，我们将70%作为训练集，也就是99份作为训练集，然后剩下的作为测试集。
这99份数据并不代表着我们数据集中有99个样本，如果要是有99个样本的话，那么序列就是1了，然后每个时间步输入就是两个特征（输入是两个数字，也就是说输入是2），就没有体会到序列数据的感觉。所以
我们将99份数据看成是一个样本，然后一个样本序列为99，也就是99个时间步，然后每个时间步输入维度是2，也就是两个数字，两个月份的数据。
数据预处理
现在dataset就是已经进行均值归一化的数据了，它是一个列表
然后我们构造数据集，数据集是这样构建的，训练集一共一个样本，这个样本有99个时间步，每个时间步的输入是两个月的数据，这个时间步的输出是第三个月的标签。现在我们构建这样的训练数据集。
现在划分数据集，将70%作为训练集，30%作为测试集
现在我们已经有了训练数据和测试数据了，但是我们需要构造出输入数据为seq，batch，input的格式，以及输出给格式为seq,batch,output的格式,具体来说是这样的：
模型搭建
现在我们已经有了可以放到RNN模型中的数据了，现在我们构建模型
net = lstm_reg(2, 4)
我们来分析一下forward中的维度的变化
首先输入x的维度是99，1，2，其中99表示seq，也就是99个时间步，1表示batch=1，2表示输入层神经元是2
然后输入到网络之后输出x维度为99，1，4
其中99表示seq，1表示batch，4表示输出，因为隐藏层我们定义网络是4
net = lstm_reg(2, 4)
criterion = nn.MSELoss()
optimizer = torch.optim.Adam(net.parameters(), lr=1e-2)