如何自动计算PyTorch 1D CNN中首个全连接层的输入维度

方案1：Dummy输入前向推导（推荐，适配任意自定义结构） #

直接通过构造和真实输入维度一致的假输入，过一遍卷积层链路直接得到输出维度，无需手动计算每一层的感受野、步长、填充带来的尺寸变化，准确率最高。
代码实现示例如下：

import torch
import torch.nn as nn

class SignalCNN(nn.Module):
    def __init__(self, in_channels=3, seq_len=1020, num_classes=10):
        super().__init__()
        # 定义你的卷积主干结构，和原有代码的b1到b5结构完全一致即可
        self.conv_block1 = nn.Sequential(
            nn.Conv1d(in_channels, 64, kernel_size=3, padding=1),
            nn.BatchNorm1d(64),
            nn.ReLU(),
            nn.MaxPool1d(2)
        )
        self.conv_block2 = nn.Sequential(
            # 你的b2结构
        )
        # 依次定义完所有卷积层b3、b4、b5
        # ......

        # 自动计算全连接层输入维度
        # 构造和真实输入格式匹配的dummy输入，PyTorch Conv1d标准输入格式为 (batch_size, 通道数, 序列长度)
        dummy_x = torch.randn(1, in_channels, seq_len)
        with torch.no_grad(): # 关闭梯度计算，降低资源消耗
            # 按forward中的顺序过一遍所有卷积层
            x = self.conv_block1(dummy_x)
            x = self.conv_block2(x)
            x = self.conv_block3(x)
            x = self.conv_block4(x)
            x = self.conv_block5(x)
        # 计算展平后的总元素数，就是全连接层的输入维度
        self.n_features = x.flatten(1).shape[1]

        # 定义全连接层
        self.fc = nn.Linear(self.n_features, num_classes)

    def forward(self, x):
        # *如果你的原始输入维度是(序列长度, batch, 通道)，需要先调整维度：x = x.permute(1, 2, 0)*
        x = self.conv_block1(x)
        x = self.conv_block2(x)
        x = self.conv_block3(x)
        x = self.conv_block4(x)
        x = self.conv_block5(x)
        x = x.flatten(1)
        x = self.fc(x)
        return x

你每次修改滑动窗口长度时，只需传入对应seq_len参数初始化模型即可，n_features会自动计算，无需手动修改代码。

方案2：自适应池化固定输出维度（适配输入长度任意变化的场景） #

如果你的实验中每次输入的序列长度不固定，可以在最后一个卷积层后加入自适应1D池化层，直接将输出的序列长度固定为预设值，无需每次计算全连接层维度：

# 在最后一个卷积层b5之后加入
self.adaptive_pool = nn.AdaptiveAvgPool1d(8) # 自定义固定输出的序列长度，比如8

此时全连接层的输入维度固定为最后一层卷积的输出通道数 × 8，不管输入序列长度是多少，自适应池化都会统一输出为指定长度，全连接层维度无需动态调整。

内容的提问来源于stack exchange，提问作者Lico