这是我想转换为 pytorch 的示例 keras 代码。我的输入数据集是 10000*1*102(标签的两个维度)。该数据集包括 10000 个样本。每个样本包含一行,其中包含 102 个特征。我正在考虑使用 1dcnn 进行回归。
PS:可以根据我的 10000*1*102 数据集调整超参数(例如过滤器、内核大小、步幅、填充)。
model = Sequential()
model.add(Conv1D(filters=64, kernel_size=3, activation='relu', input_shape=(n_timesteps,n_features)))
model.add(Conv1D(filters=64, kernel_size=3, activation='relu'))
model.add(Dropout(0.5))
model.add(MaxPooling1D(pool_size=2))
model.add(Flatten())
model.add(Dense(100, activation='relu'))
model.add(Dense(n_outputs, activation='softmax'))
欢迎使用 pytorch。:) 我真的很高兴你决定从 Keras 切换到 PyTorch。这是我更详细地了解神经网络如何工作的重要一步。如果您对代码有任何具体问题或者它不起作用,请告诉我。
import torch.nn as nn
a0 = nn.Conv1D(n_timesteps, 64, 3)
a1 = nn.Relu()
b0 = nn.Conv1D(64, 64, 3)
b1 = nn.Relu()
c0 = torch.nn.Dropout(p=0.5)
d0 = nn.MaxPool1d(2)
e0 = nn.Flatten()
e1 = nn.Linear(32*n_timesteps,100)
e2 = nn.Relu()
e3 = nn.Linear(n_outputs)
f0 = nn.Softmax(dim=1)
model = nn.Sequential(a0,a1,b0,b1,c0,d0,e0,e1,e2,e3,f0)
本文收集自互联网,转载请注明来源。
如有侵权,请联系 [email protected] 删除。
我来说两句