pytorch构建3层LSTM 参数分别68，128，64

可以使用下面的代码构建3层LSTM，参数分别为68，128，64：

import torch
import torch.nn as nn

class LSTMNet(nn.Module):
    def __init__(self, input_size, hidden_size1, hidden_size2, hidden_size3, num_classes):
        super(LSTMNet, self).__init__()
        self.hidden_size1 = hidden_size1
        self.hidden_size2 = hidden_size2
        self.hidden_size3 = hidden_size3
        self.num_layers = 3
        self.lstm1 = nn.LSTM(input_size, hidden_size1, self.num_layers, batch_first=True)
        self.lstm2 = nn.LSTM(hidden_size1, hidden_size2, self.num_layers, batch_first=True)
        self.lstm3 = nn.LSTM(hidden_size2, hidden_size3, self.num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size3, num_classes)

    def forward(self, x):
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size1).to(device)
        c0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size1).to(device)
        out, _ = self.lstm1(x, (h0, c0))
        h0_2 = torch.zeros(self.num_layers, out.size(0), self.hidden_size2).to(device)
        c0_2 = torch.zeros(self.num_layers, out.size(0), self.hidden_size2).to(device)
        out, _ = self.lstm2(out, (h0_2, c0_2))
        h0_3 = torch.zeros(self.num_layers, out.size(0), self.hidden_size3).to(device)
        c0_3 = torch.zeros(self.num_layers, out.size(0), self.hidden_size3).to(device)
        out, _ = self.lstm3(out, (h0_3, c0_3))
        out = self.fc(out[:, -1, :])
        return out

在这个示例代码中，我们定义了一个名为`LSTMNet`的类，它继承了`nn.Module`类，并实现了`__init__`和`forward`方法。

在`__init__`方法中，我们定义了模型的各个层，包括三个LSTM层和一个全连接层。`input_size`表示LSTM层的输入维度，`hidden_size1`、`hidden_size2`和`hidden_size3`表示LSTM层的隐藏层维度，`num_classes`表示模型输出的类别数。

在`forward`方法中，我们首先通过第一个LSTM层对数据进行处理，然后将输出结果作为第二个LSTM层的输入，再进行一次处理。最后将第二个LSTM层的输出结果作为第三个LSTM层的输入，再进行一次处理。最终通过全连接层输出结果。

需要注意的是，这个示例代码中的数据都是二维的，如果要处理更高维度的数据，需要对代码进行相应的修改。另外，还需要根据具体的任务对模型的各个参数进行调整。