pytorch现一维CNN

对于一维卷积神经网络（1D CNN）的实现，PyTorch提供了相应的模块torch.nn.Conv1d。以下是一个示例的一维CNN模型的代码：

import torch
import torch.nn as nn

class OneDCNN(nn.Module):
    def __init__(self, input_size, num_classes):
        super(OneDCNN, self).__init__()
        self.conv1 = nn.Conv1d(input_size, 64, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.maxpool = nn.MaxPool1d(kernel_size=2, stride=2)
        self.fc = nn.Linear(64, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.maxpool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x

# 创建一个随机输入
input_size = 10
batch_size = 16
seq_length = 50
num_classes = 5

input_data = torch.randn(batch_size, input_size, seq_length)

# 创建模型实例并进行前向传播
model = OneDCNN(input_size, num_classes)
output = model(input_data)

print(output.shape)  # 输出为(batch_size, num_classes)

在这个示例中，我们定义了一个名为OneDCNN的继承自nn.Module的类，该类实现了一个简单的一维CNN模型。模型包含一个卷积层、ReLU激活函数、最大池化层和全连接层。在forward方法中，我们将输入数据通过卷积层、激活函数、池化层和全连接层依次传递，并返回最终的输出。

需要注意的是，输入数据的维度为(batch_size, input_size, seq_length)，其中batch_size表示批量大小，input_size表示输入特征的维度，seq_length表示序列长度。输出的维度为(batch_size, num_classes)，其中num_classes表示分类的类别数。