cnn-lstm一维分类代码

以下是使用Keras编写的CNN-LSTM一维分类代码：

from keras.models import Sequential
from keras.layers import Dense, LSTM, Conv1D, MaxPooling1D, Dropout
from keras.optimizers import Adam
from keras.utils import to_categorical

# 准备数据
X_train = ...
y_train = ...
X_test = ...
y_test = ...

# 将标签进行 one-hot 编码
y_train = to_categorical(y_train)
y_test = to_categorical(y_test)

# 定义模型
model = Sequential()

# 添加卷积层
model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(X_train.shape[1], 1)))
model.add(MaxPooling1D(pool_size=2))

# 添加 LSTM 层
model.add(LSTM(units=64, return_sequences=True))
model.add(Dropout(0.2))
model.add(LSTM(units=32, return_sequences=False))
model.add(Dropout(0.2))

# 添加全连接层
model.add(Dense(units=2, activation='softmax'))

# 编译模型
model.compile(optimizer=Adam(lr=0.001), loss='categorical_crossentropy', metrics=['accuracy'])

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

在这个模型中，我们首先添加了一个卷积层来提取特征，然后将其传递给两层 LSTM 层，最后通过一个全连接层进行分类。通过使用 `Dropout` 层，我们可以防止过拟合。在编译时，我们使用 Adam 作为优化器，使用交叉熵作为损失函数，使用准确率作为评价指标。在训练时，我们使用了验证集来评估模型的性能。