导入rnn

在 Python 中，如果你想要使用 RNN（循环神经网络）模型，可以通过导入 `keras.layers` 模块中的 `SimpleRNN`、`LSTM`、`GRU` 等层来实现。这些层可以被用于构建循环神经网络的模型。

下面是一个使用 `LSTM` 层构建 RNN 模型的例子：

from keras.models import Sequential
from keras.layers import LSTM, Dense

# 构建 LSTM 模型
model = Sequential()
model.add(LSTM(32, input_shape=(X_train.shape[1], X_train.shape[2])))
model.add(Dense(1))

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

# 训练模型
model.fit(X_train, y_train, epochs=100, batch_size=32)

在上面的例子中，我们通过导入 `keras.models` 模块中的 `Sequential` 类来创建一个序列型模型，然后通过导入 `keras.layers` 模块中的 `LSTM` 层来添加 LSTM 层到模型中。我们还添加了一个全连接层来输出预测结果。最后，我们通过编译模型并使用 `fit` 函数来训练模型。

需要注意的是，`LSTM` 层的 `input_shape` 参数应该是一个三元组 `(timesteps, num_features)`，其中 `timesteps` 表示时间步数，`num_features` 表示每个时间步的特征数。在上面的例子中，我们假设输入数据的形状是 `(samples, timesteps, num_features)`，并将 `input_shape` 参数设置为 `(X_train.shape[1], X_train.shape[2])`。

除了 `LSTM` 层，还可以使用 `SimpleRNN`、`GRU` 等层来构建 RNN 模型。这些层的使用方法与 `LSTM` 层类似。