def cnn_create(): # 整数标签损失函数 loss = 'sparse_categorical_crossentropy' metrics = ['acc'] inputs = keras.Input(shape=(1000, 2)) x = layers.Conv1D(64, 3, activation='relu')(inputs) x = layers.MaxPooling1D(16)(x) # 全局平均池化GAP层 x = layers.GlobalAveragePooling1D()(x) # 几个密集分类层 x = layers.Dense(32, activation='relu')(x) # 退出层 x = layers.Dropout(0.5)(x) outputs = layers.Dense(4, activation='softmax')(x) model = keras.Model(inputs, outputs) model.compile(optimizer=keras.optimizers.Adam(0.001), loss=loss, metrics=metrics) print("实例化模型成功，参数如下：") print(model.summary()) return model

这是一个使用卷积神经网络（CNN）构建的分类模型，输入是一个形状为（1000，2）的张量，包含1000个时间步长和2个特征。模型包含一层64个卷积核的卷积层，使用ReLU激活函数，接着是一个最大池化层和一个全局平均池化层（GAP）。之后是两个密集层，其中第一个具有32个神经元和ReLU激活函数，并有一个dropout层（dropout率为0.5），第二个是具有4个神经元和softmax激活函数的输出层。模型使用Adam优化器和稀疏分类交叉熵损失函数进行编译。