写一段CNN和LSTM并联的网络，其中CNN有3次二维卷积，输入数据的batch_size是4，in_channels=1,每个通道的图像尺寸为(22,751)

好的，下面是一段CNN和LSTM并联的网络代码，满足你的要求：

import torch
import torch.nn as nn

class CNN_LSTM(nn.Module):
    def __init__(self):
        super(CNN_LSTM, self).__init__()
        # 定义CNN部分
        self.cnn = nn.Sequential(
            nn.Conv2d(in_channels=1, out_channels=16, kernel_size=(3, 3), padding=(1, 1)),
            nn.ReLU(),
            nn.Conv2d(in_channels=16, out_channels=32, kernel_size=(3, 3), padding=(1, 1)),
            nn.ReLU(),
            nn.Conv2d(in_channels=32, out_channels=64, kernel_size=(3, 3), padding=(1, 1)),
            nn.ReLU()
        )
        # 定义LSTM部分
        self.lstm = nn.LSTM(input_size=64 * 22, hidden_size=128, num_layers=2, batch_first=True)
        
    def forward(self, x):
        # x的shape为(batch_size, in_channels, 22, 751)
        batch_size = x.shape[0]
        x = self.cnn(x)  # 经过CNN后的shape为(batch_size, 64, 22, 751)
        x = x.view(batch_size, -1, 64 * 22)  # reshape成(batch_size, 751, 64 * 22)
        x, _ = self.lstm(x)  # 经过LSTM后的shape为(batch_size, 751, 128)
        return x

这段代码定义了一个名为`CNN_LSTM`的类，继承自`nn.Module`。其中，`cnn`部分定义了一个3层的CNN，每层都是由一个二维卷积层和一个ReLU激活函数构成。`lstm`部分定义了一个2层的LSTM，输入的特征维度为64*22，隐藏层大小为128。在前向传播过程中，先将输入数据经过CNN，将输出的张量reshape成(batch_size, 751, 64 * 22)的形状，再经过LSTM，最终输出(batch_size, 751, 128)的张量。