keras搭建一个含有两个隐藏层的LSTM网络

可以使用Keras中的Sequential模型和LSTM层来搭建一个含有两个隐藏层的LSTM网络。以下是一个简单的代码示例：

from keras.models import Sequential
from keras.layers import LSTM, Dense

# 定义模型
model = Sequential()

# 添加第一个LSTM层
model.add(LSTM(units=64, input_shape=(timesteps, input_dim), return_sequences=True))

# 添加第二个LSTM层
model.add(LSTM(units=32, return_sequences=True))

# 添加第三个全连接层
model.add(Dense(units=output_dim, activation='softmax'))

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

# 打印模型结构
model.summary()

在这个示例中，我们使用了Sequential模型来定义模型，分别添加了两个LSTM层和一个全连接层。输入的形状为(timesteps, input_dim)，其中timesteps表示时间步长，input_dim表示每个时间步的输入维度。输出的形状为(output_dim,)，其中output_dim表示输出的类别数。我们使用'categorical_crossentropy'作为损失函数，'adam'作为优化器，并使用'accuracy'作为评估指标。