LeNet-1D: 用于时间序列数据的深度学习模型

LeNet-1D 是一种深度学习模型，主要用于处理基于时间序列的一维数据。它是 LeNet 系列模型的一部分，最早在 1998 年由 Yann LeCun 等人提出，用于手写数字的识别。

LeNet-1D 模型由一系列卷积层、池化层和全连接层组成。它的输入是一维的时间序列数据，例如股票价格、语音信号等。通过卷积层和池化层的堆叠，模型能够提取输入数据的特征。最后，通过全连接层将提取到的特征映射到具体的类别或数值。

LeNet-1D 模型在处理一维数据方面具有一定的优势，对于一些时间序列相关的任务，如语音识别、音乐生成等，可以获得较好的效果。它的结构相对简单，适合于小规模数据集的训练。