使用Keras输出输出RNN模型

下面是一个简单的 Keras 实现 RNN 模型的示例代码：

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

# 定义模型
model = Sequential()

# 添加 SimpleRNN 层
model.add(SimpleRNN(units=32, input_shape=(None, 1)))

# 添加全连接层
model.add(Dense(units=1))

# 编译模型
model.compile(optimizer='adam', loss='mse')

# 输出模型结构和参数数量
model.summary()

上述代码中，我们首先导入了 `Sequential`、`Dense` 和 `SimpleRNN` 模块。然后，我们创建一个序列模型，并通过 `add()` 方法添加 `SimpleRNN` 层和一个全连接层。在 `SimpleRNN` 层中，我们指定了 `units` 参数，它表示 RNN 层的神经元数量；而 `input_shape` 参数则表示输入数据的形状。我们的输入数据是一个序列，因此它的形状应该是 `(None, 1)`，其中第一个维度是序列长度，第二个维度是每个时间步的特征数量。在本例中，我们只有一个特征。最后，我们使用 `compile()` 方法编译模型，并指定优化器和损失函数。

如果你运行上述代码，你会看到模型的结构和参数数量被输出到控制台上。你应该会看到类似下面的输出：

Model: "sequential_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
simple_rnn_1 (SimpleRNN)     (None, 32)                1088      
_________________________________________________________________
dense_1 (Dense)              (None, 1)                 33        
=================================================================
Total params: 1,121
Trainable params: 1,121
Non-trainable params: 0
_________________________________________________________________

上述输出中，我们可以看到模型包含一个 `SimpleRNN` 层和一个全连接层。`SimpleRNN` 层有 1088 个参数，而全连接层有 33 个参数，总共有 1121 个参数需要训练。