pytorch环境下搭建CNN-LSTM模型

首先，你需要安装 PyTorch，可以通过官方网站或者 Anaconda 安装。

然后，你需要定义一个 CNN-LSTM 模型的类。下面是一个简单的示例：

import torch.nn as nn
import torch.nn.functional as F

class CNNLSTM(nn.Module):
    def __init__(self):
        super(CNNLSTM, self).__init__()
        self.conv1 = nn.Conv2d(3, 32, kernel_size=3, stride=1, padding=1)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3, stride=1, padding=1)
        self.pool = nn.MaxPool2d(kernel_size=2, stride=2)
        self.lstm = nn.LSTM(64 * 8 * 8, 256, batch_first=True)
        self.fc = nn.Linear(256, 10)

    def forward(self, x):
        x = F.relu(self.conv1(x))
        x = self.pool(x)
        x = F.relu(self.conv2(x))
        x = self.pool(x)
        x = x.view(-1, 64 * 8 * 8)
        x = x.unsqueeze(0)
        x, _ = self.lstm(x)
        x = x.squeeze(0)
        x = self.fc(x)
        return x

在这个例子中，我们定义了一个包含两个卷积层、一个池化层、一个 LSTM 层和一个全连接层的 CNN-LSTM 模型。

在 forward 函数中，我们首先将输入 x 通过卷积层和池化层进行特征提取，然后将结果通过 view 函数变成一维向量，再通过 unsqueeze 函数增加一个维度作为 LSTM 的 batch 维度，接着将结果输入到 LSTM 层中进行序列建模，最后通过全连接层输出最终的分类结果。

接下来，你需要定义一个损失函数和一个优化器，并开始训练模型。下面是一个简单的示例：

import torch.optim as optim

model = CNNLSTM()
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)

for epoch in range(10):
    running_loss = 0.0
    for i, data in enumerate(trainloader, 0):
        inputs, labels = data
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        running_loss += loss.item()
        if i % 2000 == 1999:
            print('[%d, %5d] loss: %.3f' %
                  (epoch + 1, i + 1, running_loss / 2000))
            running_loss = 0.0

在这个例子中，我们使用交叉熵损失函数和 Adam 优化器进行训练。我们循环迭代数据集，对模型进行前向传播、计算损失、反向传播和优化参数的操作。每隔 2000 次迭代，我们打印一次当前的平均损失。

当训练完成后，你可以使用模型进行预测。下面是一个简单的示例：

correct = 0
total = 0
with torch.no_grad():
    for data in testloader:
        images, labels = data
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

print('Accuracy of the network on the 10000 test images: %d %%' % (
    100 * correct / total))

在这个例子中，我们使用测试集对模型进行预测，并计算模型的准确率。