import numpy as np import matplotlib.pyplot as plt from keras.models import Sequential from keras.layers import Dense, Flatten, Conv1D, MaxPooling1D from keras import backend as K # 生成正弦函数数据 x = np.linspace(0, 100, 1000) y = np.sin(2*x) # 将数据转换为卷积神经网络需要的格式 X = np.zeros((len(x), 10)) for i in range(len(x)): for j in range(10): X[i][j] = y[(i+j)%len(x)] X = np.reshape(X, (X.shape[0], X.shape[1], 1)) # 构建卷积神经网络模型 model = Sequential() model.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(10,1))) model.add(MaxPooling1D(pool_size=2)) model.add(Flatten()) model.add(Dense(100, activation='relu')) model.add(Dense(1, activation='linear')) # 打印模型结构 model.summary() # 编译模型 model.compile(loss='mse', optimizer='adam') # 训练模型并可视化损失函数 history = model.fit(X, y, epochs=100, batch_size=32, validation_split=0.2) loss = history.history['loss'] val_loss = history.history['val_loss'] epochs = range(1, len(loss)+1) plt.plot(epochs, loss, 'bo', label='Training loss') plt.plot(epochs, val_loss, 'b', label='Validation loss') plt.title('Training and validation loss') plt.xlabel('Epochs') plt.ylabel('Loss') plt.legend() plt.show() # 预测并可视化结果 y_pred = model.predict(X) plt.plot(x, y, label='true') plt.plot(x, y_pred, label='predict') plt.legend() plt.show()把卷积池化的特征图输出

要输出卷积池化的特征图，可以使用 Keras 中的 Model 类来构建一个新的模型，该模型只包含前面的卷积和池化层，然后使用该模型对输入数据进行预测，得到相应的特征图。

以下是代码示例：

# 构建输出特征图的模型
feature_extractor = Sequential()
feature_extractor.add(Conv1D(filters=32, kernel_size=3, activation='relu', input_shape=(10,1)))
feature_extractor.add(MaxPooling1D(pool_size=2))

# 预测并输出特征图
features = feature_extractor.predict(X)

# 可视化特征图
plt.figure(figsize=(10, 5))
for i in range(32):
    plt.subplot(4, 8, i+1)
    plt.imshow(features[0,:,i].reshape((5,2)), cmap='gray')
    plt.axis('off')
plt.show()

该代码将输出卷积池化后的 32 个特征图，每个特征图的大小为 (5, 2)，可以通过修改 subplot 函数的参数来调整可视化输出的特征图数量和布局。