【CNN记录】transpose函数

        在CNN模型中经常会看到transpose算子,transpose就是对多维数组进行转置操作。

        下面我们用numpy里面的transpose函数进行理解学习。

这里写图片描述

 

1、二维数组

import numpy as np

a=np.arange(6).reshape(2,3)
print("before transpose:")
print(a.shape)
print(a)

a = a.transpose(1,0)
print("after transpose:")
print(a.shape)
print(a)

可以看到2x3的二维数组变成了3X2的二维数组。

2、三维数组

import numpy as np

a=np.arange(16).reshape(2,2,4)
print("before transpose:")
print(a.shape)
print(a)

a = a.transpose(2,1,0)
print("after transpose:")
print(a.shape)
print(a)

 

 可以看到2x2x4的三维数组变成了4x2x2的三维数组

那是怎么转的呢,这里借助一个坐标系来理解

原始2x2x4表示成如下三维坐标系

 a.transpose(2,1,0) 即吧0轴和2轴换一下,1轴不变

 

 这样重新读取就是

0 8 4 12 1 9 5 13 2 10 6 14 3 11 7 15

  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
好的,下面是一个使用 RNN+CNN 复原波形的代码实现。需要注意的是,本实现中 RNN+CNN 的结构是在 RNN 的每个时间步上应用了一个 CNN,而不是将 CNN 和 RNN 相互嵌套。实现中仍然使用 PTB 心电数据集进行演示,需要先安装 wfdb、pywt 和 torch 等库: ```python import wfdb import pywt import numpy as np import torch import torch.nn as nn import torch.optim as optim from torch.utils.data import Dataset, DataLoader # 读取数据 record = wfdb.rdrecord('ptbdb/patient001/s0010_re') signal = record.p_signal[:,0] # 滤波和去噪 def denoise(signal): # 小波去噪 coeffs = pywt.wavedec(signal, 'db4', level=4) coeffs[1:] = [pywt.threshold(c, 0.1*np.max(c)) for c in coeffs[1:]] signal_denoised = pywt.waverec(coeffs, 'db4') # 中值滤波 signal_filtered = np.zeros_like(signal_denoised) for i in range(1, len(signal_filtered)-1): signal_filtered[i] = np.median(signal_denoised[i-1:i+2]) signal_filtered[0] = signal_filtered[1] signal_filtered[-1] = signal_filtered[-2] return signal_filtered signal_processed = denoise(signal) # 定义数据集 class EcgDataset(Dataset): def __init__(self, signal, window_size=1000, stride=100): self.signal = signal self.window_size = window_size self.stride = stride def __len__(self): return (len(self.signal) - self.window_size) // self.stride + 1 def __getitem__(self, idx): start = idx * self.stride end = start + self.window_size x = self.signal[start:end].reshape(1, -1) y = self.signal[end:end+1] return x, y # 定义模型 class EcgModel(nn.Module): def __init__(self): super().__init__() self.rnn = nn.GRU(1, 64, batch_first=True, bidirectional=True) self.cnn = nn.Sequential( nn.Conv1d(128, 64, kernel_size=5, stride=1, padding=2), nn.ReLU(), nn.Conv1d(64, 1, kernel_size=1, stride=1), ) def forward(self, x): batch_size = x.shape[0] x, _ = self.rnn(x) x = x.transpose(1, 2) x = self.cnn(x) x = x.transpose(1, 2) return x.view(batch_size, -1) # 训练模型 train_dataset = EcgDataset(signal_processed[:50000]) train_loader = DataLoader(train_dataset, batch_size=32, shuffle=True) model = EcgModel() optimizer = optim.Adam(model.parameters(), lr=0.001) criterion = nn.MSELoss() for epoch in range(10): for x, y in train_loader: optimizer.zero_grad() y_pred = model(x) loss = criterion(y_pred, y) loss.backward() optimizer.step() print(f'Epoch {epoch+1}, loss={loss.item()}') # 测试模型并复原波形 test_dataset = EcgDataset(signal_processed[50000:]) test_loader = DataLoader(test_dataset, batch_size=1, shuffle=False) with torch.no_grad(): model.eval() reconstructed_signal = [] for x, y in test_loader: x = x.transpose(1, 2) x = model.rnn(x)[0] x = x.transpose(1, 2) y_pred = model.cnn(x) reconstructed_signal.append(y_pred.item()) reconstructed_signal = np.concatenate([signal_processed[:50000], reconstructed_signal]) # 显示结果 import matplotlib.pyplot as plt plt.figure(figsize=(10,5)) plt.subplot(1,2,1) plt.plot(signal[:5000]) plt.title('Raw ECG Signal') plt.subplot(1,2,2) plt.plot(reconstructed_signal[:5000]) plt.title('Reconstructed ECG Signal') plt.show() ``` 这个代码实现了对 PTB 心电数据集的预处理、使用 RNN+CNN 进行特征提取和 RNN+CNN 对数据进行复原,其中 RNN 用于提取序列信息,CNN 用于提取局部特征,最后通过线性映射将特征转换为输出值。需要注意的是,在复原波形时,需要将输入序列先通过 RNN 提取序列信息,再将输出结果输入到 CNN 中,得到复原后的序列。代码中使用均方误差作为损失函数,Adam 作为优化器,训练 10 轮。最后将复原后的波形和原始波形进行比较。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值