raw_data = torch.randn(1000)  # 1D tensor
model(raw_data)  # 报错：Expected 2D tensor, got 1D

# 错误示范：直接喂1D数据，维度不匹配
import torch
import torch.nn as nn

raw_data = torch.randn(1000)  # 原始数据：1D [1000]

model = nn.LSTM(
    input_size=1,          # 特征数=1（单列数据）
    hidden_size=50,
    batch_first=True       # 重要！但没救维度问题
)

# 尝试输入：直接传1D，报错
output, _ = model(raw_data)  # RuntimeError: Expected 2D tensor

# 正确姿势：用Dataset处理序列，确保形状 [batch, seq_len, features]
from torch.utils.data import Dataset, DataLoader

class TimeSeriesDataset(Dataset):
    def __init__(self, data, seq_len):
        self.data = data
        self.seq_len = seq_len  # 每个序列长度（如10天）

    def __len__(self):
        return len(self.data) - self.seq_len  # 可切片的样本数

    def __getitem__(self, idx):
        # 输入：前 seq_len 个点 [seq_len, features]
        # 目标：下一个点 [1]
        return (
            self.data[idx:idx+self.seq_len],  # shape: [seq_len]
            self.data[idx+self.seq_len]       # shape: []
        )

# 准备数据（seq_len=10，预测10天后）
dataset = TimeSeriesDataset(raw_data, seq_len=10)
dataloader = DataLoader(dataset, batch_size=32, shuffle=True)

# 训练时：确保输入是 [batch, seq_len, features]
for inputs, targets in dataloader:
    # inputs shape: [batch, seq_len] -> 需转成 [batch, seq_len, 1]（单特征）
    inputs = inputs.unsqueeze(-1)  # 添加特征维度
    output, _ = model(inputs)      # 现在 shape: [batch, seq_len, hidden]