Keras转PyTorch模型时层配置与张量形状匹配问题求助

现有PyTorch代码存在的核心问题 #

• 类初始化逻辑错误：定义的类名为model，但super()方法传入的类名是未定义的CNN，运行会直接抛出类名不匹配错误。
• 卷积层参数完全不匹配：原KerasConv1D配置为输出16个通道、卷积核大小3、same填充；现有代码卷积层设为输入通道256、输出通道128、卷积核大小1，和原始模型结构完全不符。注：PyTorch中当卷积步长为1时，kernel_size=3对应padding=1即可实现和Keraspadding="same"完全一致的输出尺寸，不存在不支持same填充的问题。
• 激活层缺失：原模型卷积+BN后接ReLU激活，现有代码将激活层逻辑注释，且注释的nn.functional.relu_(16)写法本身存在语法错误，relu_是inplace激活函数，入参需为张量，不能传入整数。
• 池化层实现错误：原模型用GlobalAveragePooling1D对整个序列维度做全局平均，输出形状为(batch_size, 通道数)；现有代码用AvgPool1d(1)是核大小为1的普通平均池化，不会改变张量形状，完全不具备全局池化的效果。
• 缺失分类全连接层：原模型最后接Dense层将池化输出映射到分类类别数，现有代码未实现该全连接层，直接对池化输出做激活，维度和分类逻辑完全错误。
• 张量维度顺序不兼容：Keras的Conv1D默认输入维度顺序为(batch, 序列长度, 通道数)（channels last），PyTorch的Conv1d要求输入维度顺序为(batch, 通道数, 序列长度)（channels first），现有代码未做维度适配，会出现形状不匹配错误。
• Softmax计算维度未指定：F.log_softmax不指定dim参数时默认对最后一维计算，若张量维度不符合预期会出现计算逻辑错误。

正确转换后的PyTorch实现 #

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

class CNN1D(nn.Module):
    def __init__(self, input_channels, number_of_classes):
        super().__init__()
        # 对齐Keras Conv1D(filters=16, kernel_size=3, padding="same")
        self.conv1 = nn.Conv1d(
            in_channels=input_channels,
            out_channels=16,
            kernel_size=3,
            padding=1  # 步长为1时，padding=(kernel_size-1)//2 =1 实现same填充
        )
        self.bn1 = nn.BatchNorm1d(16)
        self.relu = nn.ReLU()
        # 对齐Keras GlobalAveragePooling1D，自适应池化无需指定输入序列长度
        self.global_avg_pool = nn.AdaptiveAvgPool1d(output_size=1)
        # 对齐Keras Dense(number_of_classes, activation="softmax")
        self.fc = nn.Linear(in_features=16, out_features=number_of_classes)

    def forward(self, x):
        # 自动适配输入维度：如果是Keras风格channels last输入，转成PyTorch要求的channels first格式
        if x.dim() == 3 and x.shape[-1] == self.conv1.in_channels:
            x = x.permute(0, 2, 1)
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.global_avg_pool(x)
        # 移除长度为1的序列维度，输出形状为(batch, 16)适配全连接层
        x = x.squeeze(dim=-1)
        x = self.fc(x)
        # 对齐原Keras的softmax输出，若使用nn.CrossEntropyLoss训练可删除此行，直接返回x避免精度损失
        output = F.softmax(x, dim=-1)
        return output

使用提示：初始化模型时传入实际的输入通道数（即输入特征维度）和分类类别数即可，例如输入单变量时序、10分类任务时初始化方式为model = CNN1D(input_channels=1, number_of_classes=10)。

内容的提问来源于stack exchange，提问作者user13071308