ＬｅＮｅｔ－１Ｄ 包 含 三 个 卷 积层Ｃｏｎｖ、两个最大池化层Ｍａｘ－ｐｏｏｌ、一个全局平均池化层ＧＡＰ和一个全连接层ＦＣ。除第一个卷积层使用尺度 为７的 卷 积 核 外其余卷积层均采用尺度为３的卷积核。卷积层和池化层的移动步长分别为１、２

的话，即卷积层每次移动一个像素，池化层每次移动两个像素。全连接层用于将卷积层的输出进行分类或回归等任务。全局平均池化层用于将卷积层的输出进行降维，将多个特征图压缩为一个特征向量。这样可以减少参数数量，提高计算效率。整个LeNet-1D模型的结构如下：

1. 第一个卷积层（Conv1）：尺度为7的卷积核，移动步长为1，激活函数为ReLU。
2. 第一个最大池化层（Max-Pool1）：尺度为3的池化核，移动步长为2。
3. 第二个卷积层（Conv2）：尺度为3的卷积核，移动步长为1，激活函数为ReLU。
4. 第二个最大池化层（Max-Pool2）：尺度为3的池化核，移动步长为2。
5. 全局平均池化层（GAP）：将特征图压缩为一个特征向量。
6. 全连接层（FC）：用于分类或回归等任务。

LeNet-1D模型主要用于处理1D序列数据，如文本、音频等。它通过多个卷积层和池化层提取输入序列的特征，并通过全连接层进行分类或回归等任务。通过使用不同尺度的卷积核和池化核，LeNet-1D可以提取不同尺度的特征，从而更好地捕捉输入序列的局部和全局特征。同时，使用全局平均池化层可以减少参数数量，提高计算效率