一维cnn pytorch

一维卷积神经网络（1D CNN）可以用于处理一维时间序列数据，例如音频信号或文本序列。PyTorch的1D卷积层可以通过torch.nn.Conv1d()函数实现。以下是一个示例代码：

import torch
import torch.nn as nn

class CNN1d(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size, stride, padding):
        super(CNN1d, self).__init__()
        self.conv1d = nn.Conv1d(in_channels, out_channels, kernel_size, stride, padding)
        self.relu = nn.ReLU()
        self.maxpool1d = nn.MaxPool1d(kernel_size=2)

    def forward(self, x):
        x = self.conv1d(x)
        x = self.relu(x)
        x = self.maxpool1d(x)
        return x

# 使用示例
model = CNN1d(in_channels=1, out_channels=16, kernel_size=3, stride=1, padding=1)
x = torch.randn(1, 1, 10)  # 输入数据格式为(batch_size, channels, sequence_length)
output = model(x)
print(output.shape)  # 输出数据格式为(batch_size, out_channels, sequence_length/2)

上述代码中，定义了一个CNN1d类，包含一个1D卷积层、ReLU激活函数和一个1D最大池化层。在forward函数中，输入数据x经过卷积、激活和池化操作后输出。示例中输入数据的格式为(batch_size, channels, sequence_length)，其中batch_size为批次大小，channels为输入数据的通道数，sequence_length为输入数据的序列长度。输出数据的格式为(batch_size, out_channels, sequence_length/2)，其中out_channels为输出通道数，sequence_length/2为池化操作后的序列长度。