卷积神经网络一维pytorch

在PyTorch中，可以使用`nn.Conv1d`来实现一维卷积神经网络。`nn.Conv1d`接受输入的形状为(batch_size, channels, sequence_length)，其中`batch_size`是批大小，`channels`是输入的通道数，`sequence_length`是输入序列的长度。

以下是一个示例代码，演示了如何定义一个简单的一维卷积神经网络：

import torch
import torch.nn as nn

# 定义一维卷积神经网络模型
class ConvNet(nn.Module):
    def __init__(self, input_size, num_classes):
        super(ConvNet, self).__init__()
        self.conv1 = nn.Conv1d(input_size, 16, kernel_size=3, stride=1, padding=1)
        self.relu = nn.ReLU()
        self.maxpool = nn.MaxPool1d(kernel_size=2, stride=2)
        self.fc = nn.Linear(16 * (input_size // 2), num_classes)
        
    def forward(self, x):
        out = self.conv1(x)
        out = self.relu(out)
        out = self.maxpool(out)
        out = out.view(out.size(0), -1)
        out = self.fc(out)
        return out

# 创建模型实例
model = ConvNet(input_size=10, num_classes=2)

# 定义输入数据
inputs = torch.randn(32, 10, 100)  # (batch_size, channels, sequence_length)

# 前向传播
outputs = model(inputs)

# 打印输出形状
print(outputs.shape)

在这个例子中，我们定义了一个具有一个卷积层、ReLU激活函数、最大池化层和全连接层的一维卷积神经网络。输入数据的形状为(batch_size, channels, sequence_length)，输出数据的形状为(batch_size, num_classes)。