帮我写一个RNN

好的，以下是一个简单的RNN（循环神经网络）的代码示例，使用Python和TensorFlow框架：

import tensorflow as tf

# 定义RNN参数
n_inputs = 3  # 输入特征数量
n_neurons = 5  # 隐藏层神经元数量

# 定义输入和输出形状
X = tf.placeholder(tf.float32, shape=[None, n_inputs])
y = tf.placeholder(tf.float32, shape=[None, 1])

# 定义RNN层
basic_cell = tf.contrib.rnn.BasicRNNCell(num_units=n_neurons)
outputs, states = tf.nn.dynamic_rnn(basic_cell, X, dtype=tf.float32)

# 定义输出层
logits = tf.layers.dense(states, 1)
y_pred = tf.nn.sigmoid(logits)

# 定义损失函数和优化器
loss = tf.losses.log_loss(y, y_pred)
optimizer = tf.train.AdamOptimizer(learning_rate=0.01)
training_op = optimizer.minimize(loss)

# 训练模型
n_epochs = 100
batch_size = 50
with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for epoch in range(n_epochs):
        # 生成训练数据
        X_batch, y_batch = generate_data(batch_size, n_inputs)
        # 训练模型
        sess.run(training_op, feed_dict={X: X_batch, y: y_batch})
        # 每个epoch计算一次损失函数
        loss_val = loss.eval(feed_dict={X: X_batch, y: y_batch})
        print("Epoch:", epoch, "Loss:", loss_val)

在这个示例中，我们使用了TensorFlow的`BasicRNNCell`和`dynamic_rnn`函数来定义一个简单的RNN层。然后，我们添加了一个全连接层作为输出层，并使用`log_loss`作为损失函数。最后，我们使用Adam优化器来训练模型。

请注意，这只是一个简单的示例，实际上RNN的应用非常广泛，您可以根据具体的应用场景对网络结构进行调整和优化。