用keras写一个2层的LSTM

以下是使用Keras编写的2层LSTM的示例代码：

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

# 定义LSTM网络
model = Sequential()
model.add(LSTM(64, return_sequences=True, input_shape=(timesteps, data_dim))) # 第一层LSTM
model.add(LSTM(32)) # 第二层LSTM
model.add(Dense(num_classes, activation='softmax'))

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

# 训练模型
model.fit(X_train, y_train, batch_size=32, epochs=10, validation_data=(X_test, y_test))

其中，timesteps表示时间步数，data_dim表示每个时间步的特征维度，num_classes表示分类数。在第一层LSTM中，设置return_sequences=True表示返回所有时间步的输出，而在第二层LSTM中，默认为return_sequences=False，只返回最后一个时间步的输出。最后一层Dense层的激活函数设置为softmax函数，用于多分类任务。在编译模型时，使用交叉熵损失函数和Adam优化器。在训练模型时，使用批处理大小为32，迭代10次，并在验证集上进行验证