写一个1D CNN卷积神经网络代码

当然，下面是一个使用PyTorch库实现的1D CNN卷积神经网络的代码示例：

import torch
import torch.nn as nn

class CNN(nn.Module):
    def __init__(self, input_size, num_classes):
        super(CNN, 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)
        
        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)
        
        self.fc = nn.Linear(32 * (input_size // 4), num_classes)
    
    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(x.size(0), -1)
        x = self.fc(x)
        
        return x

# 创建模型实例
input_size = 100
num_classes = 10
model = CNN(input_size, num_classes)

# 构造随机输入数据
batch_size = 16
sequence_length = 100
input_data = torch.randn(batch_size, 1, sequence_length)

# 前向传播
output = model(input_data)

print("输出大小: ", output.size())

在上述代码中，我们定义了一个名为CNN的模型类，其中包含两个卷积层和一个全连接层。在前向传播过程中，输入数据首先通过卷积层、ReLU激活函数和最大池化层进行特征提取和下采样，然后通过全连接层进行分类预测。最后，我们使用随机生成的输入数据进行了一次前向传播，并打印了输出的大小。

请注意，上述代码仅提供了一个简单的示例，并不一定适用于所有情况。你可以根据自己的需求进行调整和修改。