gru和lstm结合代码

以下是一个使用GRU和LSTM结合的代码示例，用于对序列数据进行分类：

import tensorflow as tf

# 定义模型
class MyModel(tf.keras.Model):
    def __init__(self, units):
        super(MyModel, self).__init__()
        self.gru_layer = tf.keras.layers.GRU(units, return_sequences=True)
        self.lstm_layer = tf.keras.layers.LSTM(units)
        self.dense_layer = tf.keras.layers.Dense(1, activation='sigmoid')

    def call(self, inputs):
        x = self.gru_layer(inputs)
        x = self.lstm_layer(x)
        x = self.dense_layer(x)
        return x

# 加载数据
(x_train, y_train), (x_test, y_test) = tf.keras.datasets.imdb.load_data(num_words=10000)
x_train = tf.keras.preprocessing.sequence.pad_sequences(x_train, maxlen=200)
x_test = tf.keras.preprocessing.sequence.pad_sequences(x_test, maxlen=200)

# 定义模型参数
units = 64
batch_size = 32
epochs = 5

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

# 训练模型
model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, validation_data=(x_test, y_test))

在这个示例中，我们首先定义了一个自定义的模型类`MyModel`，其中包含一个GRU层和一个LSTM层，用于对序列数据进行特征提取，并且最后使用一个Dense层进行分类。然后，我们加载IMDB数据集，对其进行预处理，并使用编译后的模型进行训练。