python LSTM-CNN模型程序

下面是一个使用Python和Keras构建LSTM-CNN模型的示例程序：

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

# 构建模型
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(sequence_length, features)))
model.add(MaxPooling1D(pool_size=2))
model.add(Dropout(0.25))
model.add(LSTM(128))
model.add(Dropout(0.5))
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))

# 预测
y_pred = model.predict(X_test)

# 评估模型
score = model.evaluate(X_test, y_test)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

上述代码中，首先导入了需要的库，然后通过Sequential模型来构建LSTM-CNN模型。模型中使用了Conv1D和MaxPooling1D层进行卷积和池化操作，LSTM层处理序列数据，Dropout层用于防止过拟合，最后通过Dense层进行分类。

在编译模型时，设置了损失函数（categorical_crossentropy）、优化器（adam）以及评估指标（accuracy）。

接下来，使用fit函数进行模型训练，传入训练数据（X_train、y_train）和测试数据（X_test、y_test），设定批量大小、迭代次数等参数。

然后，可以使用predict函数对测试集进行预测，生成预测结果y_pred。

最后，使用evaluate函数对模型在测试集上进行评估，输出损失（loss）和准确率（accuracy）。

请注意，上述代码只是一个示例，具体的模型架构和参数设置可能需要根据实际情况进行调整和改进。此外，还需要根据具体数据的特点进行数据预处理和特征工程。