cnn结合gru的pytorch代码

### 回答1：
以下是一个简单的CNN结合GRU的PyTorch代码示例：

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

class CNN_GRU(nn.Module):
    def __init__(self, vocab_size, embedding_dim, hidden_dim, output_dim, num_filters, filter_sizes, dropout):
        super().__init__()

        self.embedding = nn.Embedding(vocab_size, embedding_dim)
        self.convs = nn.ModuleList([
            nn.Conv2d(in_channels=1, out_channels=num_filters, kernel_size=(fs, embedding_dim))
            for fs in filter_sizes
        ])
        self.gru = nn.GRU(num_filters * len(filter_sizes), hidden_dim, bidirectional=True)
        self.fc = nn.Linear(hidden_dim * 2, output_dim)
        self.dropout = nn.Dropout(dropout)

    def forward(self, text):
        # text = [sent len, batch size]

        embedded = self.embedding(text)
        # embedded = [sent len, batch size, emb dim]

        embedded = embedded.unsqueeze(1)
        # embedded = [batch size, 1, sent len, emb dim]

        conved = [F.relu(conv(embedded)).squeeze(3) for conv in self.convs]
        # conved_n = [batch size, num_filters, sent len - filter_sizes[n] + 1]

        pooled = [F.max_pool1d(conv, conv.shape[2]).squeeze(2) for conv in conved]
        # pooled_n = [batch size, num_filters]

        cat = self.dropout(torch.cat(pooled, dim=1))
        # cat = [batch size, num_filters * len(filter_sizes)]

        _, hidden = self.gru(cat.unsqueeze())
        # hidden = [2, batch size, hidden dim]

        hidden = self.dropout(torch.cat((hidden[-2,:,:], hidden[-1,:,:]), dim=1))
        # hidden = [batch size, hidden dim * 2]

        return self.fc(hidden)

这个模型包含一个嵌入层，一个卷积层，一个GRU层和一个全连接层。输入的文本首先通过嵌入层进行嵌入，然后通过卷积层进行卷积，再通过池化层进行池化，最后通过GRU层进行序列建模。最后一个隐藏状态被输入到全连接层中，以生成最终的输出。

### 回答2：
在PyTorch中，结合CNN和GRU的代码可以用于实现图像分类任务。这种结合可以有效地处理时序数据和图像数据，用于识别视频帧和动态手势等任务。下面是一个简单的CNN-GRU模型的示例代码。

首先，需要在PyTorch中导入必要的库和模块。

import torch
import torch.nn as nn
import torch.optim as optim
import torch.nn.functional as F
from torch.autograd import Variable

接下来，定义模型的结构。这个模型使用两个卷积层和两个池化层来处理图像数据，并使用一个GRU层来处理序列数据。最后，通过一个全连接层将两部分数据进行融合，输出分类结果。

class CNN_GRU_Model(nn.Module):
    def __init__(self):
        super(CNN_GRU_Model, self).__init__()

        # CNN Layers
        self.conv1 = nn.Conv2d(3, 32, kernel_size=3)
        self.pool1 = nn.MaxPool2d(kernel_size=2)
        self.conv2 = nn.Conv2d(32, 64, kernel_size=3)
        self.pool2 = nn.MaxPool2d(kernel_size=2)

        # GRU Layer
        self.gru = nn.GRU(input_size=64, hidden_size=128, batch_first=True)

        # Fully Connected Layers
        self.fc1 = nn.Linear(128, 64)
        self.fc2 = nn.Linear(64, 10)

    def forward(self, x):
        # Convert 3-channel image to 64-channel feature maps
        x = F.relu(self.conv1(x))
        x = self.pool1(x)
        x = F.relu(self.conv2(x))
        x = self.pool2(x)

        # Flatten 64-channel feature maps to a 1D vector for GRU input
        x = x.view(x.size(0), x.size(1), -1)
        x = x.permute(0, 2, 1)

        # GRU layer for sequence modeling
        x, _ = self.gru(x)

        # Fully Connected Layers for Classification
        x = F.relu(self.fc1(x[:, -1, :]))
        x = self.fc2(x)

        return x

然后，定义训练数据、测试数据、优化器和损失函数。

# Load CIFAR10 Dataset
train_dataset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transforms.ToTensor())
test_dataset = torchvision.datasets.CIFAR10(root='./data', train=False, download=True, transform=transforms.ToTensor())

# Create Data Loaders
train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True)
test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False)

# Define Optimizer and Loss Function
model = CNN_GRU_Model()
optimizer = optim.Adam(model.parameters(), lr=0.001)
criterion = nn.CrossEntropyLoss()

最后，进行模型的训练和测试。

# Training Loop
for epoch in range(5):
    for i, (inputs, labels) in enumerate(train_loader):

        # Forward + Backward + Optimize
        optimizer.zero_grad()
        outputs = model(inputs)
        loss = criterion(outputs, labels)
        loss.backward()
        optimizer.step()

        if (i+1) % 100 == 0:
            print ('Epoch [%d/%d], Iter [%d/%d] Loss: %.4f' 
                   %(epoch+1, 5, i+1, len(train_dataset)//64, loss.item()))

# Test the Model
correct = 0
total = 0
for inputs, labels in test_loader:
    outputs = model(inputs)
    _, predicted = torch.max(outputs.data, 1)
    total += labels.size(0)
    correct += (predicted == labels).sum()

print('Test Accuracy of the model on the 10000 test images: %.2f %%' % (100.0 * correct / total))

总体来说，这个代码演示了如何利用PyTorch结合CNN和GRU的技术来进行图像分类任务。通过对序列和图像两部分数据的处理，可以实现更加复杂的识别任务。

### 回答3：
代码如下：

import torch
import torch.nn as nn

class CNN_GRU(nn.Module):
    def __init__(self, embedding_dim, hidden_dim, vocab_size, num_classes, kernel_sizes, num_filters, dropout_prob):
        super(CNN_GRU, self).__init__()
        self.embedding = nn.Embedding(vocab_size, embedding_dim)
        self.convs = nn.ModuleList([nn.Conv2d(1, num_filters, (k, embedding_dim)) for k in kernel_sizes])
        self.gru = nn.GRU(num_filters * len(kernel_sizes), hidden_dim, bidirectional=True)
        self.fc = nn.Linear(hidden_dim * 2, num_classes)
        self.dropout = nn.Dropout(dropout_prob)

    def forward(self, x):
        x = self.embedding(x)
        x = x.unsqueeze(1) # batch_size, 1, seq_len, emb_dim
        x = [torch.relu(conv(x)).squeeze(3) for conv in self.convs]
        x = [nn.functional.max_pool1d(conv, conv.shape[2]).squeeze(2) for conv in x]
        x = torch.cat(x, dim=1) # batch_size, num_filters * len(kernel_sizes)
        x = x.unsqueeze(0) # 1, batch_size, num_filters * len(kernel_sizes)
        x, hidden = self.gru(x)
        x = self.dropout(x)
        x = x.squeeze(0) # batch_size, hidden_size * 2
        x = self.fc(x)
        return x

以上代码定义了一个名为 CNN_GRU 的类，该类继承自 nn.Module。

初始化方法中包含了模型的参数：

- embedding_dim：词向量维度
- hidden_dim：GRU 的隐藏层维度
- vocab_size：词汇表大小
- num_classes：分类数目
- kernel_sizes：卷积核大小列表
- num_filters：卷积核数量
- dropout_prob：dropout 概率

在初始化方法中，定义了词嵌入层、一维卷积层、GRU 层、全连接层以及 dropout 层。

在前向方法中，首先对输入 x 进行词嵌入，然后将词嵌入的输出增加一维，即 batch_size, 1, seq_len, emb_dim。

接着使用一维卷积层对词嵌入的输出进行卷积，得到卷积层的输出，再对该输出进行最大池化，得到每个卷积核对应的特征图的最大值，最后将所有卷积核的最大值拼接起来（在 dim=1 的维度上），得到一个特征向量。

接下来，将特征向量增加一维 batch_size，并输入到 GRU 层中。GRU 层的输出和隐藏状态将作为下一个时刻的输入，最后仅取最后一层的输出，通过全连接层得到分类结果。

最后，添加了 dropout 层来缓解过拟合问题。