用python 写一个lstm训练底层

好的，下面是一个简单的LSTM模型的代码，用于二分类任务：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM

# 创建数据集
X = np.array([[[0,1],[1,0],[1,0],[0,1]]])
Y = np.array([[1]])

# 定义模型
model = Sequential()
model.add(LSTM(2, activation='tanh', input_shape=(4, 2), return_sequences=False))
model.add(Dense(1, activation='sigmoid'))
model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X, Y, epochs=500, verbose=0)

# 预测新数据
new_X = np.array([[[1,0],[0,1],[0,1],[1,0]]])
predicted_Y = model.predict(new_X)
print(predicted_Y)

这个模型输入一个形状为（1，4，2）的张量，其中1表示训练样本的数量，4表示输入序列的长度，2表示每个时间步的特征数。模型包含一个LSTM层和一个全连接层，通过二分类交叉熵损失函数进行训练。在这里，我们使用了Keras框架来实现LSTM模型。