一维时序数据，tensorflow代码

以下是一维时序数据的 TensorFlow 代码示例：

import tensorflow as tf

# 定义输入数据和标签的占位符
inputs = tf.placeholder(tf.float32, shape=[None, time_steps, 1], name='inputs')
labels = tf.placeholder(tf.float32, shape=[None, num_classes], name='labels')

# 定义 LSTM 单元
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(num_units=hidden_size)

# 运行 LSTM 单元
outputs, states = tf.nn.dynamic_rnn(cell=lstm_cell, inputs=inputs, dtype=tf.float32)

# 将 LSTM 的输出转换为分类结果
W = tf.Variable(tf.truncated_normal([hidden_size, num_classes], stddev=0.1))
b = tf.Variable(tf.constant(0.1, shape=[num_classes]))
logits = tf.matmul(states[1], W) + b

# 定义损失函数和优化器
cross_entropy = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(labels=labels, logits=logits))
train_step = tf.train.AdamOptimizer(learning_rate=learning_rate).minimize(cross_entropy)

在这个示例中，我们仍然使用 BasicLSTMCell 来定义 LSTM 单元，使用 dynamic_rnn 来运行 LSTM 单元。不同之处在于，我们的输入数据只有一维，因此我们需要将其形状转换为 [batch_size, time_steps, 1]。最后，我们通过全连接层将 LSTM 的输出转换为分类结果，并定义交叉熵损失函数和 Adam 优化器来训练模型。