cnn-BiLSTM算法原理

### CNN-BiLSTM算法工作原理

#### 特征提取阶段
卷积神经网络（CNN）部分主要用于处理输入数据并从中抽取空间特征。通过多个卷积层和池化操作，CNN能够自动识别图像或其他结构化数据中的局部模式，并将其转换成更高层次的抽象表示形式[^2]。

import tensorflow as tf
from tensorflow.keras import layers, models

model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(height, width, channels)))
model.add(layers.MaxPooling2D((2, 2)))

#### 时间序列建模阶段
双向长短期记忆网络（BiLSTM）接收来自CNN模块所提取出来的特征图作为输入。不同于单向LSTM仅能从前向后读取信息,BiLSTM包含了两组独立运作但共享参数设置的LSTM单元——一组按照正常顺序遍历整个序列；另一组则逆序扫描同一段资料流。这种设计使得模型可以在任意时刻t获取到来自过去以及未来的信息片段，进而更精准地把握住全局性的趋势变化规律[^4]。

model.add(layers.Bidirectional(layers.LSTM(64)))

#### 输出预测阶段
当完成了上述两个主要步骤之后，所得的结果会被传递给一个或多个全连接层来进行最终分类或是回归任务上的决策制定过程。此时，每一维输出都对应着特定类别标签的概率估计值或者是连续型目标变量的具体数值预报量。

model.add(layers.Dense(num_classes))