tensorflow RNN一个例子的源码

TensorFlow中的循环神经网络（RNN）常用于处理序列数据，比如文本、音频或时间序列预测。下面是一个简单的例子，展示了如何使用tf.keras库创建一个基本的单层LSTM（长短期记忆）模型：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense

# 假设我们有每个样本100维的输入数据和对应的标签
input_dim = 100
timesteps = 50
num_classes = 10

# 创建Sequential模型
model = Sequential()

# 添加一个LSTM层，64个隐藏单元，返回_sequences=True表示会输出整个序列，不是最后一个状态
model.add(LSTM(64, input_shape=(timesteps, input_dim), return_sequences=True))

# 添加全局平均池化层，对于每个样本，取各个时间步的隐藏状态的平均值
model.add(tf.keras.layers.GlobalAveragePooling1D())

# 添加全连接层和输出层
model.add(Dense(num_classes, activation='softmax'))

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

# 假设`X_train`和`y_train`是训练数据，我们可以像这样训练模型：
model.fit(X_train, y_train, epochs=10, batch_size=32)

# 使用`predict`进行预测
predictions = model.predict(X_test)