1dcnn+lstm多输出pytorch

您好！感谢您的提问。下面是一个简单的 1D-CNN + LSTM 多输出的 PyTorch 实现示例：

import torch
import torch.nn as nn

class CNN_LSTM(nn.Module):
    def __init__(self, input_size, hidden_size, output_size):
        super(CNN_LSTM, self).__init__()
        self.hidden_size = hidden_size
        self.conv1 = nn.Conv1d(input_size, 32, kernel_size=3, padding=1)
        self.relu1 = nn.ReLU(inplace=True)
        self.pool1 = nn.MaxPool1d(kernel_size=2, stride=2)
        self.conv2 = nn.Conv1d(32, 64, kernel_size=3, padding=1)
        self.relu2 = nn.ReLU(inplace=True)
        self.pool2 = nn.MaxPool1d(kernel_size=2, stride=2)
        self.lstm = nn.LSTM(64, hidden_size, batch_first=True)
        self.fc1 = nn.Linear(hidden_size, output_size[0])
        self.fc2 = nn.Linear(hidden_size, output_size[1])
        self.fc3 = nn.Linear(hidden_size, output_size[2])

    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.transpose(1, 2)
        _, (h_n, _) = self.lstm(x)
        h_n = h_n[-1]
        out1 = self.fc1(h_n)
        out2 = self.fc2(h_n)
        out3 = self.fc3(h_n)
        return out1, out2, out3

这个模型的输入是一个 3D 的 tensor，形状为 `(batch_size, input_size, sequence_length)`。在这个模型中，我们首先使用了两个 1D-CNN 层和池化层来提取输入序列的特征，然后使用了一个 LSTM 层来处理序列数据。最后，我们使用三个全连接层来输出对应的三个结果。

使用这个模型的示例代码：

# 定义模型
model = CNN_LSTM(input_size=10, hidden_size=64, output_size=[2, 1, 3])

# 定义输入数据
batch_size = 32
sequence_length = 20
input_size = 10
x = torch.randn(batch_size, input_size, sequence_length)

# 运行模型
out1, out2, out3 = model(x)
print(out1.shape)  # torch.Size([32, 2])
print(out2.shape)  # torch.Size([32, 1])
print(out3.shape)  # torch.Size([32, 3])

在这个示例中，我们使用了一个输入形状为 `(32, 10, 20)` 的数据，并且输出了三个不同形状的结果。您可以根据您的数据和需要来修改这个模型。