创建LSTM模型，要求神经网络层数为2，输入维度为3，隐藏层维度为1，序列长度为50，训练轮次为60，批大小为32，损失函数为均方误差，学习率为0.002，优化器为Adam，创建回调函数，用于在每采用100组数据进行一次训练后进行一次验证，每采用100组数据进行一次训练后,即使用验证集的数据进行一次验证

好的，根据您的要求，我会给出一个基本的LSTM模型，并创建回调函数，用于在每采用100组数据进行一次训练后进行一次验证。以下是代码：

import numpy as np
from keras.models import Sequential
from keras.layers import LSTM, Dense
from keras.optimizers import Adam
from keras.callbacks import LambdaCallback

# 定义模型参数
input_dim = 3
hidden_dim = 1
sequence_length = 50
num_epochs = 60
batch_size = 32
learning_rate = 0.002

# 构建LSTM模型
model = Sequential()
model.add(LSTM(hidden_dim, input_shape=(sequence_length, input_dim), return_sequences=True))
model.add(LSTM(hidden_dim, return_sequences=False))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer=Adam(lr=learning_rate))

# 生成随机训练数据
X_train = np.random.rand(1000, sequence_length, input_dim)
y_train = np.random.rand(1000, 1)

# 创建回调函数
def validate(model, X_val, y_val):
    val_loss = model.evaluate(X_val, y_val, verbose=0)
    print('Validation loss: %.4f' % val_loss)

validation_callback = LambdaCallback(on_epoch_end=lambda epoch, logs: 
                                      validate(model, X_train[:100], y_train[:100]) 
                                      if (epoch+1)%100==0 else None)

# 训练模型
model.fit(X_train, y_train, epochs=num_epochs, batch_size=batch_size, verbose=0, callbacks=[validation_callback])

在这段代码中，我们首先定义了模型的各种参数，然后使用Keras构建了一个两层的LSTM模型。接着，我们生成了随机的训练数据，并使用`fit()`函数对模型进行训练。在训练过程中，我们使用了一个回调函数`validation_callback`，它在每轮训练结束后被调用。在每次训练100组数据后，我们就使用训练集的前100个数据对模型进行一次验证，并输出验证集的损失。

请注意，由于我们在这里使用的是随机数据，因此每次运行代码时输出的损失值可能会略有不同。