写一段深度学习的代码，是对数据用LSTM模型进行预测，训练集比例0.8，单元数10.

这里是一个深度学习代码的示例，使用LSTM模型对数据进行预测。训练集比例为0.8，使用10个LSTM单元。

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

# 构建LSTM模型
model = Sequential()
model.add(LSTM(10, input_shape=(1, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 构造数据集
data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
data = data.reshape((10, 1, 1))
train_size = int(len(data) * 0.8)
train_data = data[:train_size, :, :]
test_data = data[train_size:, :, :]

# 训练模型
model.fit(train_data, train_data, epochs=100, batch_size=1, verbose=2)

# 预测结果
train_predict = model.predict(train_data)
test_predict = model.predict(test_data)

# 输出结果
print(train_predict)
print(test_predict)

在这个示例中，我们首先使用Keras库构建了一个LSTM模型，该模型有10个LSTM单元和一个Dense层。然后我们使用numpy库构造了一个数据集，将其分割成训练集和测试集。接下来我们使用模型对训练集进行训练，训练100个epoch，batch大小为1。最后我们对训练集和测试集进行预测，并输出结果。