不用plot_model 函数

如果不使用 `plot_model` 函数，可以使用 Keras 中的 `summary` 函数打印出模型结构。修改代码如下：

import numpy as np
import matplotlib.pyplot as plt
from keras.models import Sequential
from keras.layers import Dense, Flatten, Conv1D, MaxPooling1D

# 生成正弦函数数据
x = np.linspace(0, 100, 1000)
y = np.sin(2*x+1) + 3

# 将数据转换为卷积神经网络需要的格式
X = np.zeros((len(x), 10))
for i in range(len(x)):
    for j in range(10):
        X[i][j] = y[(i+j)%len(x)]
X = np.reshape(X, (X.shape[0], X.shape[1], 1))

# 构建卷积神经网络模型
model = Sequential()
model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(10,1)))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(1, activation='linear'))

# 打印模型结构
model.summary()

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

# 训练模型并可视化损失函数
history = model.fit(X, y, epochs=100, batch_size=32, validation_split=0.2)
loss = history.history['loss']
val_loss = history.history['val_loss']
epochs = range(1, len(loss)+1)
plt.plot(epochs, loss, 'bo', label='Training loss')
plt.plot(epochs, val_loss, 'b', label='Validation loss')
plt.title('Training and validation loss')
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.legend()
plt.show()

# 预测并可视化结果
y_pred = model.predict(X)
plt.plot(x, y, label='true')
plt.plot(x, y_pred, label='predict')
plt.legend()
plt.show()

修改后的代码会打印出卷积神经网络模型的结构，包括每一层的输入形状、输出形状和参数数量等信息。