LSTM训练集，测试集输入输出构造代码

下面是一个简单的LSTM模型的训练集，测试集输入输出构造代码。假设我们要训练一个LSTM模型来学习一个序列的模式。我们可以生成一个包含训练序列和目标序列的训练数据集。

import numpy as np

# 构造输入序列
input_seq = np.array([[1, 2, 3, 4, 5],
                      [2, 3, 4, 5, 6],
                      [3, 4, 5, 6, 7],
                      [4, 5, 6, 7, 8]])

# 构造目标序列
target_seq = np.array([[6, 7],
                       [7, 8],
                       [8, 9],
                       [9, 10]])

# 将输入序列和目标序列转化为LSTM网络的输入形式
X_train = np.reshape(input_seq, (input_seq.shape[0], input_seq.shape[1], 1))
y_train = np.reshape(target_seq, (target_seq.shape[0], target_seq.shape[1], 1))

# 打印训练集和测试集的形状
print(f"X_train shape: {X_train.shape}")
print(f"y_train shape: {y_train.shape}")

输出结果为：

X_train shape: (4, 5, 1)
y_train shape: (4, 2, 1)

其中，`X_train`是输入序列的LSTM网络形式，形状为`(4, 5, 1)`，代表有4个样本，每个样本有5个时间步，每个时间步有1个特征。`y_train`是目标序列的LSTM网络形式，形状为`(4, 2, 1)`，代表有4个样本，每个样本有2个时间步，每个时间步有1个特征。在这个例子中，我们将LSTM模型训练成预测输入序列的最后2个时间步的输出。