网格搜索法LSTM学习率0.001、0.0001，units16、32、64、128，batch_size16、32、64代码示例

以下是一个简单的示例代码，使用网格搜索法搜索LSTM模型的最佳超参数组合，包括学习率、units和batch_size。本示例使用的是Keras框架。

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, LSTM
from keras.wrappers.scikit_learn import KerasRegressor
from sklearn.model_selection import GridSearchCV

# 定义LSTM模型
def create_model(units=16, learn_rate=0.001):
    model = Sequential()
    model.add(LSTM(units=units, input_shape=(X_train.shape[1], X_train.shape[2])))
    model.add(Dense(1))
    optimizer = keras.optimizers.Adam(lr=learn_rate)
    model.compile(loss='mean_squared_error', optimizer=optimizer)
    return model

# 创建Keras模型
model = KerasRegressor(build_fn=create_model, verbose=0)

# 定义超参数范围
units = [16, 32, 64, 128]
learn_rate = [0.001, 0.0001]
batch_size = [16, 32, 64, 128]
param_grid = dict(units=units, learn_rate=learn_rate, batch_size=batch_size)

# 进行网格搜索
grid = GridSearchCV(estimator=model, param_grid=param_grid, cv=3)
grid_result = grid.fit(X_train, y_train)

# 输出结果
print("Best: %f using %s" % (grid_result.best_score_, grid_result.best_params_))

在上面的代码中，我们首先定义了一个LSTM模型，其中包括一个LSTM层和一个全连接层。然后，我们使用KerasRegressor将此模型包装为scikit-learn中的回归器。接下来，我们定义了超参数的范围，即units、learning_rate和batch_size。最后，我们使用GridSearchCV函数进行网格搜索，基于交叉验证对每种超参数组合进行评估，并选择最佳的超参数组合。