### Python 中 LSTM 的代码示例 为了构建一个多层状态保持型 LSTM 模型，可以按照如下方式编写代码： ```python from keras.models import Sequential from keras.layers import LSTM, Dense model = Sequential() model.add(LSTM(4, batch_input_shape=(batch_size, look_back, 1), stateful=True, return_sequences=True)) model.add(LSTM(4, stateful=True)) ``` 这段代码展示了如何创建一个具有两层的状态保持型 LSTM 网络[^1]。 对于更一般的序列到序列的任务，在 Keras 中可以通过以下方法实现： ```python import tensorflow as tf from tensorflow import keras from tensorflow.keras import layers inputs = keras.Input(shape=(sequence_length,), dtype="int64") x = layers.Embedding(input_dim=vocab_size, output_dim=128)(inputs) x = layers.LSTM(32, return_sequences=True)(x) outputs = layers.Dense(vocab_size, activation="softmax")(x) model = keras.Model(inputs, outputs) ``` 此段代码说明了最简单的方式使用循环神经网络（RNN），即保留每个时间步的输出[^2]。 当训练模型之后，预测阶段也需要维持相同的批量大小设置。例如： ```python predictions = model.predict(trainX, batch_size=batch_size) ``` 这确保了一致性和稳定性[^3]。 关于用于训练的数据集，通常可以选择一些公开可用的时间序列数据集来练习LSTM的应用。比如股票价格、天气预报或是自然语言处理中的文本语料库等。具体选择取决于实际应用场景的需求。 #### 数据准备部分 假设有一个简单的CSV文件作为输入源，其中包含日期和数值列，则可按下面的方法加载并预处理这些数据以便于后续建模工作： ```python import pandas as pd from sklearn.preprocessing import MinMaxScaler # 加载 CSV 文件 dataframe = pd.read_csv('international-airline-passengers.csv', usecols=[1], engine='python') dataset = dataframe.values.astype('float32') # 归一化处理 scaler = MinMaxScaler(feature_range=(0, 1)) scaled_dataset = scaler.fit_transform(dataset) ``` 上述代码片段实现了从CSV读取航空乘客数量的历史记录，并进行了必要的缩放转换操作以适应LSTM的要求。