pytorch构建cnn-gru

可以使用PyTorch实现CNN-GRU模型，以下是一个简单的示例代码：

import torch
import torch.nn as nn

# 定义CNN-GRU模型
class CNN_GRU(nn.Module):
    def __init__(self, input_size, hidden_size, num_layers, num_classes):
        super(CNN_GRU, self).__init__()
        self.num_layers = num_layers
        self.hidden_size = hidden_size
        self.conv1 = nn.Conv2d(1, 16, kernel_size=5, stride=1, padding=2)
        self.relu1 = nn.ReLU()
        self.maxpool1 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv2d(16, 32, kernel_size=5, stride=1, padding=2)
        self.relu2 = nn.ReLU()
        self.maxpool2 = nn.MaxPool2d(kernel_size=2, stride=2)
        self.gru = nn.GRU(input_size, hidden_size, num_layers, batch_first=True)
        self.fc = nn.Linear(hidden_size, num_classes)

    def forward(self, x):
        # CNN部分
        x = self.conv1(x)
        x = self.relu1(x)
        x = self.maxpool1(x)
        x = self.conv2(x)
        x = self.relu2(x)
        x = self.maxpool2(x)
        # 将数据转换为GRU的输入形式
        x = x.reshape(x.shape[0], -1, x.shape[1]*x.shape[2]*x.shape[3])
        # GRU部分
        h0 = torch.zeros(self.num_layers, x.size(0), self.hidden_size).to(device)
        out, _ = self.gru(x, h0)
        # 输出部分
        out = self.fc(out[:, -1, :])
        return out

在这个示例代码中，我们定义了一个名为`CNN_GRU`的类，它继承了`nn.Module`类，并实现了`__init__`和`forward`方法。

在`__init__`方法中，我们定义了模型的各个层，包括两个卷积层、两个ReLU激活函数、两个最大池化层、一个GRU层和一个全连接层。`input_size`表示GRU层的输入维度，`hidden_size`表示GRU层的隐藏层维度，`num_layers`表示GRU层的层数，`num_classes`表示模型输出的类别数。

在`forward`方法中，我们首先通过卷积层、ReLU激活函数和最大池化层提取特征，然后将数据转换为GRU层的输入形式。接着，我们使用GRU层对数据进行处理，最后通过全连接层输出结果。

需要注意的是，这个示例代码中的数据都是二维的，如果要处理更高维度的数据，需要对代码进行相应的修改。另外，还需要根据具体的任务对模型的各个参数进行调整。