keras实现双向LSTM可以用于手写数字分类python代码

以下是使用Keras实现双向LSTM进行手写数字分类的Python代码：

import numpy as np
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, LSTM, Bidirectional
from keras.utils import np_utils

# 加载手写数字数据集
(X_train, y_train), (X_test, y_test) = mnist.load_data()

# 将图像数据转化为一维向量
X_train = X_train.reshape(-1, 28, 28).astype('float32') / 255.
X_test = X_test.reshape(-1, 28, 28).astype('float32') / 255.

# 将类别标签转化为 one-hot 编码
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)

# 定义双向 LSTM 模型
model = Sequential()
model.add(Bidirectional(LSTM(64, return_sequences=True), input_shape=(28, 28)))
model.add(Bidirectional(LSTM(32)))
model.add(Dense(10, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
print(model.summary())

# 训练模型
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=10, batch_size=128)

# 在测试集上评估模型
score = model.evaluate(X_test, y_test, verbose=0)
print('Test loss:', score[0])
print('Test accuracy:', score[1])

代码中，我们首先加载了手写数字数据集，并将图像数据转化为一维向量。然后，我们定义了一个双向LSTM模型，包含两个LSTM层和一个全连接层。最后，我们使用训练集对模型进行训练，并在测试集上评估模型的性能。