lstm网络训练模型并输出 python

下面是一个简单的LSTM网络训练模型并输出的Python代码示例：

import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

# 读取数据
data = np.loadtxt('data.csv', delimiter=',')

# 分割数据集
train_data = data[:800, :]
test_data = data[800:, :]

# 准备训练数据
train_X, train_Y = [], []
for i in range(len(train_data)-3):
    train_X.append(train_data[i:i+3])
    train_Y.append(train_data[i+3][0])
train_X = np.array(train_X)
train_Y = np.array(train_Y)

# 准备测试数据
test_X, test_Y = [], []
for i in range(len(test_data)-3):
    test_X.append(test_data[i:i+3])
    test_Y.append(test_data[i+3][0])
test_X = np.array(test_X)
test_Y = np.array(test_Y)

# 构建LSTM网络模型
model = Sequential()
model.add(LSTM(128, input_shape=(3, 1)))
model.add(Dropout(0.2))
model.add(Dense(1, activation='linear'))

# 编译模型
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(train_X, train_Y, epochs=100, batch_size=32)

# 测试模型
score = model.evaluate(test_X, test_Y, verbose=0)

# 输出模型结果
print('Test loss:', score)

这个示例中，我们首先读取一个包含一列数据的 CSV 文件，然后将数据集分割成训练集和测试集。接着，我们准备训练数据和测试数据，将每个数据点的前三个值作为输入，将第四个值作为输出。然后，我们构建了一个包含一个 LSTM 层和一个全连接层的神经网络模型，并编译模型。最后，我们使用训练集训练模型并使用测试集测试模型，并输出测试结果。