PyTorch 一维CNN模型搭建与输入维度调整

在使用PyTorch构建一维卷积神经网络 (1D-CNN) 时，确保输入数据的维度与模型相匹配至关重要。本文将介绍如何搭建一个简单的1D-CNN模型，并重点解析如何调整输入数据的维度以解决常见的 RuntimeError 错误。

1. 模型搭建

以下代码展示了一个简单的1D-CNN模型，包含多个卷积层、平均池化层、全局平均池化层以及全连接层：pythonimport torchimport torch.nn as nn

class CNN(nn.Module): def init(self): super(CNN, self).init() self.conv1 = nn.Sequential( nn.Conv1d(1, 5, kernel_size=12, stride=1, padding=1), nn.Mish() ) # ... 其他卷积层 ... self.conv8 = nn.Sequential( nn.Conv1d(35, 40, kernel_size=12, 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) self.loss_fn = nn.CrossEntropyLoss()

def forward(self, x):        # ... 输入维度调整 ...        x = self.conv1(x)        x = self.avgpool(x)        # ... 其他卷积和池化操作 ...        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

2. 输入维度调整

1D-CNN 要求输入数据的维度为三维：[batch_size, channels, sequence_length]。其中：

batch_size 表示批次大小。* channels 表示通道数。* sequence_length 表示序列长度。

如果输入数据的维度不符合要求，例如是 [batch_size, sequence_length, channels]，则需要进行调整。

在上述代码的 forward 函数中，我们假设输入数据的维度为 [100, 10000, 12]，其中通道数为12。为了匹配 1D-CNN 的要求，我们需要进行以下调整：python def forward(self, x): x = torch.squeeze(x, dim=1) # 移除维度为1的维度 x = x.unsqueeze(1) # 在第二个维度上增加维度 # ... 后续操作 ..