lstm分类多输入单输出代码

以下是一个基于Keras的LSTM分类模型，可以处理多个输入，但只有一个输出。

from keras.layers import Input, Embedding, LSTM, Dense, concatenate
from keras.models import Model

# 定义模型输入
input1 = Input(shape=(max_len1,), name='input1')
input2 = Input(shape=(max_len2,), name='input2')
input3 = Input(shape=(max_len3,), name='input3')

# 定义嵌入层
embedding1 = Embedding(input_dim=vocab_size1, output_dim=embedding_dim1, input_length=max_len1, name='embedding1')(input1)
embedding2 = Embedding(input_dim=vocab_size2, output_dim=embedding_dim2, input_length=max_len2, name='embedding2')(input2)
embedding3 = Embedding(input_dim=vocab_size3, output_dim=embedding_dim3, input_length=max_len3, name='embedding3')(input3)

# 定义LSTM层
lstm1 = LSTM(units=lstm_units1, dropout=dropout_rate1, recurrent_dropout=rec_dropout_rate1, name='lstm1')(embedding1)
lstm2 = LSTM(units=lstm_units2, dropout=dropout_rate2, recurrent_dropout=rec_dropout_rate2, name='lstm2')(embedding2)
lstm3 = LSTM(units=lstm_units3, dropout=dropout_rate3, recurrent_dropout=rec_dropout_rate3, name='lstm3')(embedding3)

# 合并三个LSTM层的输出
merged = concatenate([lstm1, lstm2, lstm3], axis=1)

# 定义输出层
output = Dense(units=num_classes, activation='softmax', name='output')(merged)

# 定义模型
model = Model(inputs=[input1, input2, input3], outputs=output)

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 打印模型结构
print(model.summary())

在这个示例中，我们使用3个输入（input1、input2和input3）和一个输出（output）。每个输入都先传递到一个嵌入层中，然后输入到一个LSTM层中。然后，我们将3个LSTM层的输出连接在一起，并将它们传递到一个Dense层中，进行分类预测。