如何用python搭建CNN-BILSTM的深度学习模型

下面是一个用 Python 和 Keras 库搭建 CNN-BILSTM 模型的示例代码：

from keras.models import Sequential
from keras.layers import Dense, Dropout, Activation, Flatten, Conv1D, MaxPooling1D, Bidirectional, LSTM

# 创建模型
model = Sequential()

# 添加一个一维卷积层和最大池化层
model.add(Conv1D(filters=64, kernel_size=3, padding='same', activation='relu', input_shape=(input_shape)))
model.add(MaxPooling1D(pool_size=2))

# 添加一个双向LSTM层
model.add(Bidirectional(LSTM(64, return_sequences=True)))

# 添加一个全连接层
model.add(Dense(64, activation='relu'))

# 添加一个Dropout层
model.add(Dropout(0.5))

# 添加一个输出层
model.add(Dense(num_classes, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, batch_size=32, epochs=10, validation_data=(X_test, y_test))

这个模型包含一个一维卷积层和最大池化层，一个双向 LSTM 层，一个全连接层，一个 Dropout 层和一个输出层。其中，一维卷积层和最大池化层用于提取特征，双向 LSTM 层用于学习序列信息，全连接层用于将特征进行分类，Dropout 层用于防止过拟合。模型使用交叉熵损失函数和 Adam 优化器进行训练。