比较pytorch与keras训练模型的不同并且在Pytorch中使用一维卷积神经网络对一维连续数据分类

        卷积神经网络对于周期性的一维信号分类效果是比较好的，本人做电机故障检测，需要对不同故障的轴承振动信号进行分类。

之前都是用keras搭建神经网络，确实很方便，使用fit（）函数训练模型确实很省事。但是fit（）函数不太灵活，如果想对网络中间层输出特征操作的话好像是不行的（博主也是初学者，如果有大佬知道keras或者tensorflow如何对中间输出特征操作的话还望不吝赐教）。所有，最近看了一下pytorch，并用pytorch搭建了一维卷积神经网络对凯斯西储大学数据集进行分类。在过程中也踩了一些雷，在这边也分享出来。

我选择的数据为空载工况下，外圈故障、内圈故障、滚动体故障三种故障类型，每种故障类型有三个故障深度，所以模型要处理一个9分类任务。下图是我用的数据集。

首先说我踩得第一个坑

在keras中通道数排在最后，比如通过数据预处理程序之后我得到的训练数据和标签形状为（5400，1024），（5400，9），训练数据中5400是样本数，1024是单个样本长度，训练标签中的9是九分类的独热编码。

        在keras中需要插入一个通道维度，并且通道维度在最后，也就是我上图这个样子。但是在pytorch中，通道数所在的位置在批维度之后。比如（32，1，1024）为（一批样本数，通道数，数据长度）。所以要正确插入通道维度。

        此外，在pytorch中输入数据要转化成张量形式，在keras中就不需要这个操作，fit会自动处理。方法如下：       

class MyDataset(Dataset):
    def __init__(self, X, Y):
        self.data_x = torch.FloatTensor(X, ).unsqueeze(dim=1)
        self.data_y = torch.FloatTensor(Y, )
        self.len = X.shape[0]
        pass

    def __getitem__(self, index):
        return self.dat