给我写一段lstm 网络模型

LSTM网络是一种常用的循环神经网络，用于处理序列数据，可以有效地避免长期依赖问题。下面是一个简单的LSTM网络模型的代码示例：

import torch
import torch.nn as nn

class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, output_size):
        super(LSTMModel, self).__init__()
        self.hidden_size = hidden_size
        self.num_layers = num_layers
        self.lstm = nn.LSTM(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, output_size)

    def forward(self, x):
        # Initialize hidden state with zeros
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device=x.device)
        
        # Initialize cell state with zeros
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device=x.device)
        
        # Forward propagate LSTM
        out, _ = self.lstm(x, (h0,c0))
        
        # Decode the hidden state of the last time step
        out = self.fc(out[:, -1, :])
        return out

在这个模型中，我们定义了一个LSTM层和一个全连接层。输入x的形状为(batch_size, sequence_length, input_size)，其中batch_size是批量大小，sequence_length是序列长度，input_size是每个时间步的输入特征数。hidden_size是LSTM层的隐藏状态大小，num_layers是LSTM层的层数，output_size是模型的输出大小。

在forward方法中，我们首先将LSTM的初始隐藏状态和单元状态初始化为全零张量，然后将输入x传递给LSTM层。最后，我们将LSTM的输出传递给全连接层，得到模型的输出。

这个LSTM模型可以用于各种序列数据的任务，如语言建模、文本分类、时间序列预测等。