使用tensorflow写一个lstm

好的，下面是一个简单的LSTM模型的代码：

import tensorflow as tf

# 定义参数
input_size = 100
hidden_size = 128
output_size = 10
batch_size = 32
sequence_length = 20

# 定义输入和输出占位符
inputs = tf.placeholder(tf.float32, [batch_size, sequence_length, input_size])
labels = tf.placeholder(tf.float32, [batch_size, output_size])

# 定义LSTM单元
lstm_cell = tf.nn.rnn_cell.BasicLSTMCell(hidden_size)

# 初始化状态
initial_state = lstm_cell.zero_state(batch_size, tf.float32)

# 将输入数据转换为时间序列数据
inputs = tf.unstack(inputs, sequence_length, 1)

# 定义LSTM模型
outputs, states = tf.nn.static_rnn(lstm_cell, inputs, initial_state=initial_state)

# 最后一层输出
output = outputs[-1]

# 定义全连接层
fc_weights = tf.Variable(tf.random_normal([hidden_size, output_size]))
fc_bias = tf.Variable(tf.zeros([output_size]))
logits = tf.matmul(output, fc_weights) + fc_bias

# 定义损失函数
loss = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=labels))

# 定义优化器
optimizer = tf.train.AdamOptimizer(learning_rate=0.01).minimize(loss)

# 训练模型
with tf.Session() as sess:
    # 初始化变量
    sess.run(tf.global_variables_initializer())
    # 迭代训练
    for i in range(1000):
        # 生成随机数据
        inputs_data = np.random.randn(batch_size, sequence_length, input_size)
        labels_data = np.random.randn(batch_size, output_size)
        # 训练模型
        _, loss_val = sess.run([optimizer, loss], feed_dict={inputs: inputs_data, labels: labels_data})
        print("Step %d, Loss: %f" % (i, loss_val))

上面的代码中，我们使用了TensorFlow中的`BasicLSTMCell`作为LSTM单元，并使用`static_rnn`函数将输入数据转换为时间序列数据，最后使用全连接层将LSTM的输出转换为最终的预测结果。在训练过程中，我们使用Adam优化器来最小化损失函数。