LeNet_1D_V 模型结构代码解析 - PyTorch 实现

LeNet_1D_V 模型结构代码解析 - PyTorch 实现

以下代码使用 PyTorch 库实现了一个名为 LeNet_1D_V 的卷积神经网络模型，该模型适用于一维信号的分类任务。

import torch.nn as nn

class LeNet_1D_V(nn.Module):
    def __init__(self):
        super(LeNet_1D_V, self).__init__()
        self.conv1 = nn.Sequential(
            nn.Conv1d(1, 5, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.conv2 = nn.Sequential(
            nn.Conv1d(5, 10, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.conv3 = nn.Sequential(
            nn.Conv1d(10, 15, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.conv4 = nn.Sequential(
            nn.Conv1d(15, 20, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.conv5 = nn.Sequential(
            nn.Conv1d(20, 25, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.conv6 = nn.Sequential(
            nn.Conv1d(25, 30, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.conv7 = nn.Sequential(
            nn.Conv1d(30, 35, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.conv8 = nn.Sequential(
            nn.Conv1d(35, 40, kernel_size=3, stride=1, padding=1),
            nn.Mish()
        )
        self.avgpool = nn.AvgPool1d(kernel_size=2, stride=1)
        self.global_avgpool = nn.AdaptiveAvgPool1d(1)
        self.fc = nn.Linear(40, 6)
        self.softmax = nn.Softmax(dim=1)

    def forward(self, x):
        x = self.conv1(x)
        x = self.avgpool(x)
        x = self.conv2(x)
        x = self.avgpool(x)
        x = self.conv3(x)
        x = self.avgpool(x)
        x = self.conv4(x)
        x = self.avgpool(x)
        x = self.conv5(x)
        x = self.avgpool(x)
        x = self.conv6(x)
        x = self.avgpool(x)
        x = self.conv7(x)
        x = self.avgpool(x)
        x = self.conv8(x)
        x = self.global_avgpool(x)
        x = x.view(x.size(0), -1)
        feature = x
        x = self.fc(x)
        output = self.softmax(x)
        return feature, output

model = LeNet_1D_V()
print(model)

模型结构解释：

• 输入: 模型接收一维信号作为输入，其形状为 (batch_size, 1, signal_length)，其中 1 代表单通道。
• 卷积层 (conv1-conv8): 模型使用八个卷积层，每个卷积层使用 3x1 的卷积核，并使用 Mish 激活函数。卷积层用于提取信号的特征。
• 池化层 (avgpool): 模型使用平均池化层，以减少特征图的尺寸和计算量。
• 全连接层 (fc): 全连接层将卷积层输出的特征映射到最终的分类结果。
• Softmax层 (softmax): 该层用于将全连接层的输出转换为概率分布。

分类损失函数:

上述代码中没有明确定义分类损失函数。在训练神经网络进行分类任务时，常用的损失函数有交叉熵损失函数 (CrossEntropyLoss) 和多分类的对数损失函数 (NLLLoss)。根据代码中的模型结构，可以使用交叉熵损失函数来进行分类任务的训练。

代码说明:

• nn.Conv1d : 一维卷积层
• nn.Mish : Mish 激活函数
• nn.AvgPool1d : 一维平均池化层
• nn.AdaptiveAvgPool1d : 自适应平均池化层
• nn.Linear : 全连接层
• nn.Softmax : Softmax 激活函数

总结:

LeNet_1D_V 模型是一个简单但有效的用于一维信号分类任务的模型。该模型结构易于理解和修改，并提供了良好的分类性能。