一维卷积神经网络代码pytorch

以下是一个简单的一维卷积神经网络的PyTorch代码示例：

import torch
import torch.nn as nn

class ConvNet(nn.Module):
    def __init__(self):
        super(ConvNet, self).__init__()
        self.conv1 = nn.Conv1d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1)
        self.relu1 = nn.ReLU()
        self.pool1 = nn.MaxPool1d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv1d(in_channels=16, out_channels=32, kernel_size=3, stride=1, padding=1)
        self.relu2 = nn.ReLU()
        self.pool2 = nn.MaxPool1d(kernel_size=2, stride=2)
        self.fc1 = nn.Linear(32*25, 128)
        self.relu3 = nn.ReLU()
        self.fc2 = nn.Linear(128, 10)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.relu1(x)
        x = self.pool1(x)
        x = self.conv2(x)
        x = self.relu2(x)
        x = self.pool2(x)
        x = x.view(-1, 32*25)
        x = self.fc1(x)
        x = self.relu3(x)
        x = self.fc2(x)
        return x

在这个示例中，我们定义了一个名为ConvNet的类，它继承自nn.Module。该类包含了一些卷积、池化和全连接层，以及一些ReLU激活函数。

在构造函数__init__中，我们定义了每个层的参数，包括输入通道数、输出通道数、卷积核大小、步幅和填充。我们还定义了每个层之间的ReLU激活函数和最大池化层。

在前向传递函数forward中，我们将输入x传递给每个层，并应用ReLU激活函数和最大池化层。最后，我们将输出展平并传递给两个全连接层，最终输出结果。