pytorch写一个LSTM模型，后接一个全连接和sigmoid，并初始化权重

可以参考以下代码实现：

import torch
import torch.nn as nn

# 定义LSTM模型
class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(LSTMModel, self).__init__()
        self.lstm = nn.LSTM(input_size, hidden_size)
        self.fc = nn.Linear(hidden_size, output_size)
        self.sigmoid = nn.Sigmoid()

        # 初始化权重
        self.init_weights()

    def init_weights(self):
        initrange = 0.1
        self.fc.bias.data.zero_()
        self.fc.weight.data.uniform_(-initrange, initrange)

    def forward(self, input):
        lstm_out, _ = self.lstm(input)
        fc_out = self.fc(lstm_out[-1])
        sigmoid_out = self.sigmoid(fc_out)

        return sigmoid_out

以上代码实现了一个简单的LSTM模型，包括一个LSTM层、一个全连接层和Sigmoid激活函数。同时，我们重载了`init_weights()`函数来初始化全连接层的权重，使用了均匀分布初始化方法。在`forward()`函数中，我们通过LSTM层获取最后一个时间步的输出，再通过全连接层和Sigmoid激活函数得到最终的输出结果。

需要注意的是，这里的`input_size`、`hidden_size`和`output_size`分别代表输入特征数、LSTM隐藏层特征数和输出特征数。在实际使用中，需要根据具体问题进行调整。