1维卷积神经网络结构图解析：从时序数据处理到高效特征提取

1次阅读

没有评论

共计 2120 个字符，预计需要花费 6 分钟才能阅读完成。

在处理时序数据时，传统全连接神经网络（Fully Connected Network）存在两个主要问题：

参数量爆炸：假设输入是长度为 1000 的时间序列，第一层隐藏层有 500 个神经元，仅这一层就需要 50 万个权重参数。这不仅训练缓慢，还容易导致过拟合。
平移不变性差：全连接网络难以捕捉局部特征。例如在传感器数据中，关键特征模式（如异常波形）可能出现在任意时间点，但全连接网络需要看到大量样本才能学习这种位置不变性。

计算效率：
RNN/LSTM 需要逐步处理时间步，难以并行计算
1D CNN 的卷积操作可并行处理所有时间点，GPU 利用率更高
特征提取：
LSTM 擅长学习长程依赖，但容易 ” 遗忘 ” 早期信息
1D CNN 通过分层卷积天然捕获多尺度特征（浅层小卷积核抓细节，深层大感受野抓整体模式）

典型 1D CNN 结构如下（维度以 batch_size=32, input_length=100, channels= 1 为例）：

输入层 [32, 1, 100]
32 个样本，1 个通道（如单变量时序数据），长度 100
卷积层 1 (Conv1d)
使用 16 个大小为 5 的卷积核，步长 1，padding=2
输出尺寸：[32, 16, 100]（公式：$\frac{100-5+2\times2}{1}+1=100$）
ReLU 激活
逐元素应用整流线性单元：$f(x) = max(0,x)$
最大池化 (MaxPool1d)
池化窗口大小 2，步长 2
输出尺寸：[32, 16, 50]
卷积层 2
32 个大小为 3 的卷积核，padding=1
输出：[32, 32, 50]
全局平均池化
将每个通道的所有时间点取平均
输出：[32, 32, 1]
全连接层
展平后接 softmax 分类

import torch
import torch.nn as nn

class TemporalCNN(nn.Module):
    def __init__(self, input_len=100, n_classes=5):
        super().__init__()
        self.conv_net = nn.Sequential(
            # 第一卷积块
            nn.Conv1d(1, 16, kernel_size=5, padding=2),
            nn.BatchNorm1d(16),  # 批归一化加速训练
            nn.ReLU(),
            nn.MaxPool1d(kernel_size=2, stride=2),

            # 第二卷积块
            nn.Conv1d(16, 32, kernel_size=3, padding=1),
            nn.Dropout(0.3),  # 防止过拟合
            nn.ReLU(),
            nn.AdaptiveAvgPool1d(1)  # 自适应池化处理变长序列
        )

        # 计算全连接层输入尺寸
        self.fc = nn.Linear(32, n_classes)

    def forward(self, x):
        # x 形状: [batch, 1, seq_len]
        features = self.conv_net(x)
        return self.fc(features.squeeze(-1))

# 训练循环示例
model = TemporalCNN()
criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=0.001)

for epoch in range(100):
    for x, y in train_loader:  # x: [batch, 1, seq_len]
        pred = model(x)
        loss = criterion(pred, y)

        optimizer.zero_grad()
        loss.backward()
        optimizer.step()