我试图了解pytorch如何为多个功能时间序列数据实现批处理。我正在尝试每个时间步长具有[打开，关闭，高，低，交易量]的股票数据。在Keras中，我可以将多个时间步分批处理，并通过模型进行馈送，以获得下一个时间步长的预测。例如。批量喂入10个时间步并预测第11个时间步的价格。但是在pytorch中，即使我尝试将其批处理在一起，它也会在每个时间步进行预测。我已经看过有关Udacity的教程，并阅读了许多关于pytorch LSTM的论坛和博客，但是它们似乎使用单个功能示例，或者它们也使用1个功能在NLP模型中输入单个字母，这似乎不适用于此。
据我了解，如果我有如下数据：
data_from_csv = [[time, open, close, high, low, volume],
[1,10,11,15,9,100],
[2,11,12,16,9,100],
[3,12,13,17,9,100],
[4,13,14,18,9,100],
[5,14,15,19,9,100],
[6,15,16,10,9,100]]
我可以制作一个包含多个时间步长的滑动窗口，并将它们分组在一起以通过LSTM。我想在这一点上，我需要弄清楚文档中的以下术语：
功能：例如，这是多少个数据点？ [例如，打开，关闭，高，低，成交量]或5？
Input_size：我假设这会为每个功能创建一个LSTM节点，或者在本示例中为5个？
seq_len：这是一批的长度吗？
批次：这是多少个批次或一个批次的长度？
据我了解，在此示例中，将seq_len为2的批处理馈送到LSTM将会是：
使用input_size为5（用于多少个功能）创建LSTM，为它提供10的任意隐藏大小，以使输入大小增加一倍。现在是num_layers 1，batch_first为true（通常是习惯做法），最后是一个线性层，其输出为1，该预测应类似于： Lstm model with 5 inputs and 1 output
如果要从上述数据中创建一个seq_length为2的滑动窗口，则对于batch_size为1，seq_len为2，input_size为5的情况，它的形状应为（1、2、5）。重塑数据，使其看起来如下：
batch_one = [ [ [10,11,15,9,100],
[11,12,16,9,100] ] ]
batch_two = [ [ [11,12,16,9,100],
[12,13,17,9,100] ] ]
当然会有更多批次（本例中为5），因为滑动窗口将一直持续到倒数第二个步骤，因此我可以预测第6个。我也将首先对其进行规范化，但对于示例而言则不是。因此，如果这是批处理的形状，其中seq_length为2表示5个特征，那么我想它会被馈送到LSTM中，并根据输入批处理接收单个预测，而该预测是下一个打开的结果：
当我尝试此操作时，我将获得每个时间步长/ seq_length的预测，而不是像我在Keras中所做的每个批次的预测。这是正常现象吗，还是我实际上每个时间都在喂食而不是批量生产？除了最后的预测，我是否应该放弃所有内容？我要在前进功能中定义此行为吗？
