基于PyTorch的时序数据二分类CNN：输入张量与展平问题咨询

1. 输入张量维度 #

PyTorch中nn.Conv1d要求输入张量形状为(batch_size, in_channels, sequence_length)：

• batch_size：批次内样本数量
• in_channels：输入的通道数，这里每个样本是单序列（30个传感器测量值组成的时序序列），所以设为1
• sequence_length：序列长度，即30个测量值的数量

你当前使用的(num_of_samples, 1, 30)是完全正确的，无需调整。之前转成(38,30,1)的步骤是多余的，可以直接从原始的(38,30)一步转成目标形状：

X_train = X_train.reshape(len(X_train), 1, 30)

2. 卷积后展平的问题 #

你遇到的RuntimeError: mat1 and mat2 shapes cannot be multiplied，核心原因是手动计算的卷积输出维度与实际输出不匹配，导致全连接层输入维度错误。

解决方法： #

不要手动计算conv_linear_out，而是用自适应展平：

• 在forward方法中，用x = x.flatten(1)或者x = x.view(x.size(0), -1)自动展平除了batch维度之外的所有维度，这样不管卷积层怎么调整，都不会出现维度不匹配的问题。

你的代码中的其他问题： #

• 卷积层的nn.Sequential里已经包含了nn.ReLU()，但forward里又叠加了F.leaky_relu，属于重复激活，会导致梯度消失或输出异常，二选一即可（推荐保留leaky_relu，去掉卷积层里的ReLU）。
• nn.Linear(self.conv_linear_out, self.FN_1, nn.Dropout(0.2))写法错误，nn.Linear的第三个参数不是dropout层，需要把dropout单独作为一层添加到模型中。
• F.logsigmoid搭配CrossEntropyLoss不合理，CrossEntropyLoss要求最后一层是原始logits，不需要额外激活。

修改后的CNN类示例：

import torch
import torch.nn as nn
import torch.nn.functional as F

class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        # 简化卷积层参数，避免冗余操作
        self.conv1 = nn.Sequential(
            nn.Conv1d(1, 16, kernel_size=3, padding=1),
            nn.LeakyReLU(),
            nn.MaxPool1d(kernel_size=2)
        )
        self.conv2 = nn.Sequential(
            nn.Conv1d(16, 32, kernel_size=3, padding=1),
            nn.LeakyReLU(),
            nn.MaxPool1d(kernel_size=2)
        )
        self.dropout = nn.Dropout(0.2)
        # 30经过两次池化（2*2）后长度为30//2//2=7，通道数32，所以输入维度是32*7
        self.fc1 = nn.Linear(32 * 7, 50)
        self.fc2 = nn.Linear(50, 2)

    def forward(self, x):
        x = x.float()
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.flatten(1)  # 自适应展平，batch维度保留，其余维度合并
        x = self.dropout(x)
        x = F.leaky_relu(self.fc1(x))
        x = self.fc2(x)  # CrossEntropyLoss不需要额外激活
        return x

3. CNN结构合理性建议 #

你的原始模型存在几个冗余或不合理的点：

• kernel_size=1的卷积层没有提取序列局部特征的作用，相当于线性变换，建议换成kernel_size=2/3，更适合捕捉时序数据的局部模式。
• MaxPool1d(kernel_size=1)完全没有池化效果，无法降低序列长度和计算量，建议设置为2或3，逐步压缩序列长度。
• 训练集只有38个样本，模型层数过多（4个卷积层）容易过拟合，建议简化为2-3个卷积层，同时添加dropout层抑制过拟合。
• 可以尝试调整通道数（比如16、32，不要用17、18这种非2的幂次值，硬件计算更高效）。

额外优化点 #

• 数据预处理：对传感器测量值做标准化（比如用sklearn.preprocessing.StandardScaler），让输入数据分布更稳定，加快模型收敛。
• 损失函数：如果样本不平衡（故障样本少），可以用nn.BCELoss搭配sigmoid激活，或者给CrossEntropyLoss加类别权重。
• 优化器：SGD的收敛速度较慢，可以尝试Adam优化器，学习率可以调到0.0001-0.001。

内容的提问来源于stack exchange，提问作者Rory Majule