cnn-lstm一维数据分类pytorch

下面是一个使用 CNN-LSTM 模型对一维数据进行分类的 PyTorch 示例：

import torch
import torch.nn as nn

class CNN_LSTM(nn.Module):
    def __init__(self, input_dim, hidden_dim, output_dim):
        super(CNN_LSTM, self).__init__()
        
        # CNN layer
        self.conv1d = nn.Conv1d(in_channels=input_dim, out_channels=hidden_dim, kernel_size=3, padding=1)
        self.relu = nn.ReLU()
        self.maxpool = nn.MaxPool1d(kernel_size=2, stride=2)
        
        # LSTM layer
        self.lstm = nn.LSTM(hidden_dim, hidden_dim, batch_first=True)
        
        # Output layer
        self.fc = nn.Linear(hidden_dim, output_dim)
        
    def forward(self, x):
        # CNN layer
        x = self.conv1d(x)
        x = self.relu(x)
        x = self.maxpool(x)
        
        # Reshape output from CNN layer to fit into LSTM layer
        x = x.permute(0, 2, 1)
        
        # LSTM layer
        x, _ = self.lstm(x)
        x = x[:, -1, :]
        
        # Output layer
        x = self.fc(x)
        return x

在这个模型中，我们首先使用了一个 1D CNN，然后将其输出的结果通过 permute 函数改变维度，以便与 LSTM 层的输入格式匹配。LSTM 层将序列作为输入，并将最后一步的输出作为特征向量。最后，我们使用一个全连接层将特征向量映射到输出类别。你可以根据自己的数据，调整模型的超参数和层数。