整体思路

• 首先，写一个deep_learning.py文件进行神经网络的训练及测试过程。
• 将deep_learning.py中需要优化的参数（在这里我们优化LSTM层数和全连接层数及每层的神经元个数）统一写到一个列表num中。
• 然后，进行遗传算法的编写GA.py，用需要传入deep_learning.py文件的列表num当染色体，需要优化的参数当染色体上的基因。

deep_learning.py文件

由于要将所有需要优化的参数写到一个列表中，所以再此文件中需要定义两个函数，分别是创建LSTM层函数 create_lstm(inputs, units, return_sequences) 和创建全连接层（包括BN层和dropout层）函数 create_dense(inputs, units) 。

函数：create_lstm(inputs, units, return_sequences)

输入：

• inputs：传进此LSTM层的输入，如果这一LSTM层是第一层LSTM层，则传入的是 layers.Input() 的变量名；否则，传入的应该是上一个LSTM层。
• units：此LSTM层中有多少个神经元。
• return_sequences：此LSTM层保留所有输出（True）还是只保留最后一步的输出（False）。

输出：

• 输出LSTM层。