CNN 模型架构：结合 GMLP 和卷积神经网络

import torch
import torch.nn as nn
import torch.nn.functional as F
from gmlp import SpatialGatingUnit, gMLPBlock, gMLP


class CNN(nn.Module):
    def __init__(self):  # 初始化方法
        super(CNN, self).__init__()  # 初始化方法
        # 第一层卷积层，输入为 (1,10000,12)
        self.conv1 = nn.Conv2d(  # 二维卷积层
            in_channels=1,  # input height   # 输入通道数
            out_channels=600,  # n_filters     # 输出通道数（卷积核数量）
            kernel_size=(200, 3),  # filter size  # 卷积核大小
            stride=(200, 3),  # filter movement/step   # 卷积核移动步
        )

        self.gmlp = gMLP(d_model=600, d_ffn=1200, seq_len=200, num_layers=6)
        #  gmlp(data).shape

        self.flatten = nn.Flatten()

        self.linear = nn.Linear(in_features=120000, out_features=64)
        self.relu = nn.ReLU(inplace=True)
        self.dropout = nn.Dropout(p=0.4)  # 将张量展平

        self.out = nn.Linear(64, 6)  # 全连接层，输出6个类别

    def forward(self, x):  # 前向传播方法
        x = self.conv1(x)  # 通过第一个卷积层序列
        # 四维转三维
        N, C, H, W = x.shape
        x = x.view(N, C, H * W).permute(0, 2, 1)
        x = self.gmlp(x)
        x = self.flatten(x)  # 换顺序了 先展平 在输入线性层中
        x = self.linear(x)
        feature = x  # 提取特征
        x = self.relu(x)
        x = self.dropout(x)
        output = self.out(x)  # 通过全连接层得到输出
        return feature, output  # 返回特征和输出

该代码实现了一个 CNN 模型，它结合了 GMLP（门控混合线性模型）和卷积层，用于图像分类。模型架构包括卷积层、GMLP 模块、全连接层和激活函数。

代码解释:

1. 导入必要的库:

   • torch: PyTorch 库
   • torch.nn: PyTorch 神经网络模块
   • torch.nn.functional: PyTorch 函数式神经网络模块
   • gmlp: GMLP 模型的库

2. 定义 CNN 类:

   • 继承自 nn.Module 类
   • 在 __init__ 方法中定义模型的各个层，包括:
     • self.conv1: 第一个二维卷积层
     • self.gmlp: GMLP 模块
     • self.flatten: 将张量展平的层
     • self.linear: 全连接层
     • self.relu: ReLU 激活函数
     • self.dropout: Dropout 层
     • self.out: 输出层

3. 定义 forward 方法:

   • 定义模型的前向传播过程
   • 输入 x 通过各层进行处理，最终输出特征和分类结果

使用说明:

1. 确保已安装 gmlp 库
2. 使用 CNN() 实例化模型
3. 使用 model(input) 传入图像数据进行预测

注意:

• 该代码仅提供模型架构，需要根据具体任务进行调整和优化
• 代码中的参数（如卷积核大小、GMLP 层数等）需要根据实际情况进行设置