pytorch构建CNN-GRU

要在PyTorch中构建CNN-GRU模型，可以按照以下步骤进行：

1. 导入所需的PyTorch库

import torch
import torch.nn as nn

2. 定义CNN部分的模型

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Conv2d(3, 16, 3, padding=1)
        self.conv2 = nn.Conv2d(16, 32, 3, padding=1)
        self.maxpool = nn.MaxPool2d(2)
        self.relu = nn.ReLU()

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.maxpool(x)
        x = self.conv2(x)
        x = self.relu(x)
        x = self.maxpool(x)
        return x

3. 定义GRU部分的模型

class GRU(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, dropout):
        super(GRU, self).__init__()
        self.gru = nn.GRU(input_size=input_size, hidden_size=hidden_size, num_layers=num_layers, dropout=dropout)

    def forward(self, x):
        x = x.permute(3, 0, 1, 2) # 调整维度顺序
        x = x.view(x.size(0), x.size(1), -1)
        _, hidden = self.gru(x)
        return hidden[-1]

4. 定义完整的CNN-GRU模型

class CNN_GRU(nn.Module):
    def __init__(self):
        super(CNN_GRU, self).__init__()
        self.cnn = CNN()
        self.gru = GRU(input_size=32*8*8, hidden_size=256, num_layers=2, dropout=0.2)
        self.fc = nn.Linear(256, 10)

    def forward(self, x):
        x = self.cnn(x)
        x = self.gru(x)
        x = self.fc(x)
        return x

5. 实例化模型并进行训练和测试

model = CNN_GRU()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

# 进行训练和测试

上述代码中，CNN部分定义了一个具有两个卷积层和ReLU激活函数的简单CNN模型。GRU部分定义了一个简单的GRU模型，并将输入序列的最后一个隐藏状态作为输出。最后，完整的CNN-GRU模型将CNN和GRU组合在一起，并添加一个全连接层来预测输出类别。在实例化模型之后，可以使用标准的PyTorch训练和测试流程来训练和评估模型。