西储大学轴承二维频域数据应用效果

之前说的还都是一维数据作为输入进行的测试，但是既然是卷积神经网络，怎么能一直在一维领域转悠呢，很多新模型可都是二维卷积。于是，很多人自然而然的想到了将一维数据二维化。转换为二维的方法非常多，我也有计划都试一试，这次先使用我使用最多最熟悉的直接二维化。

其实说开了非常简单，就是使用reshape函数把1024变成32×32，这也是我每个样本取2048个点的原因之一。

trainX = trainX.reshape(trainX.shape[0], 32, 32, 1)

就像是上面这样就好了，这种情况就能够输入常规的卷积模型了。

我自己测试了很多模型，基本规律确实就是在计算机视觉领域越厉害的模型表现越好。这里参与测试的模型分别有Alexnet、ResNet、ResNext、ShuffleNetV2、VIT。这些模型只经过简单的参数调整，其实准确率还有上升的空间，为了节省时间，每个模型只进行2次测试。

首先是Alexnet：

>第1次 model: 79.86 耗时129.0 sec
>第2次 model: 83.11 耗时122.4 sec
A-B model准确率: 98.89 
A-C model准确率: 89.43 
B-A model准确率: 77.82 
B-C model准确率: 78.75 
C-A model准确率: 65.50 
C-B model准确率: 78.50 
总用时：251.4sec 
平均用时：125.7sec 
Alexnet Accuracy: 81.48% (+/-1.62)

你会发现这个结果很奇怪，怪就怪在明明验证loss非常低，acc数值很好，收敛也很快&#x