用CNN模型回归代码

卷积神经网络（Convolutional Neural Network, CNN）通常用于图像识别、分类等计算机视觉任务，因为它们能够捕捉局部特征并自动学习数据中的空间结构。然而，如果你想用CNN来做回归分析，即预测连续数值而非类别标签，这在一定程度上是可以的，虽然它并不是最直接的选择。

CNN回归的基本思路通常是这样的：
1. **设计网络架构**：CNN的核心部分包括卷积层(Convolutional Layer)、池化层(Pooling Layer) 和全连接层(Fully Connected Layer)，但在最后一层，可以换成适合回归任务的层，如密集连接层(Dense Layer)或全局平均池化层(Global Average Pooling)。
2. **输入处理**：对于非图像数据，比如时间序列或者一维数组，你可以将其转化为二维形式，例如将每一步的数据作为单独的通道（channel），然后填充成固定大小的图片。
3. **训练过程**：由于目标是回归，所以损失函数通常选择均方误差(Mean Squared Error, MSE) 或者均方根误差(Root Mean Squared Error, RMSE) 等针对连续值的指标。
4. **前向传播与反向传播**：通过前向传播计算预测值，然后利用实际值和预测值之间的误差进行反向传播更新权重。

# 使用Keras库示例
from keras.models import Sequential
from keras.layers import Conv1D, Dense, Flatten

model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(None, 1))) # 输入形状(样本数, 时间步长, 特征)
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten()) # 将卷积层输出展平为一维向量
model.add(Dense(units=1)) # 最后一层为单节点，对应一个回归值

model.compile(optimizer='adam', loss='mse') # 编译模型，选择优化器和损失函数