基于pytorch分别搭建一个一维卷积神经网络和二维卷积神经网络的代码

当使用PyTorch构建一维卷积神经网络（1D CNN）和二维卷积神经网络（2D CNN）时，需要使用PyTorch的`nn`模块来定义网络结构。下面是分别搭建一维卷积神经网络和二维卷积神经网络的代码示例：

一维卷积神经网络（1D CNN）的代码示例：

import torch
import torch.nn as nn

class OneDCNN(nn.Module):
    def __init__(self, input_size, num_classes):
        super(OneDCNN, self).__init__()
        self.conv1 = nn.Conv1d(in_channels=input_size, out_channels=16, kernel_size=3)
        self.relu = nn.ReLU()
        self.fc = nn.Linear(16, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = torch.mean(x, dim=2)  # 对最后一个维度求平均值
        x = self.fc(x)
        return x

# 创建一个输入样本
input_size = 10  # 输入特征的维度
num_classes = 2  # 分类的类别数
input_sample = torch.randn(1, input_size, 100)  # 输入样本的形状为(batch_size, input_size, sequence_length)

# 创建一个1D CNN模型实例
model = OneDCNN(input_size, num_classes)

# 前向传播
output = model(input_sample)
print(output)

二维卷积神经网络（2D CNN）的代码示例：

import torch
import torch.nn as nn

class TwoDCNN(nn.Module):
    def __init__(self, num_classes):
        super(TwoDCNN, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=3, out_channels=16, kernel_size=3)
        self.relu = nn.ReLU()
        self.pool = nn.MaxPool2d(kernel_size=2)
        self.fc = nn.Linear(16 * 13 * 13, num_classes)

    def forward(self, x):
        x = self.conv1(x)
        x = self.relu(x)
        x = self.pool(x)
        x = x.view(x.size(0), -1)  # 将特征展平
        x = self.fc(x)
        return x

# 创建一个输入样本
num_classes = 10  # 分类的类别数
input_sample = torch.randn(1, 3, 32, 32)  # 输入样本的形状为(batch_size, channels, height, width)

# 创建一个2D CNN模型实例
model = TwoDCNN(num_classes)

# 前向传播
output = model(input_sample)
print(output)