CNN-GRU混合模型学习笔记

CNN：卷积神经网络

3个组成部分：
1.卷积层——提取图像局部特征
2.池化层——降维（防止过拟合）
3.全连接层——输出结果
一个卷积核扫完整张图片，得到每个小区域的特征值
具体应用中通常有多个卷积核
CNN可能有多层结构，如LeNet-5：
卷积层 – 池化层 – 卷积层 – 池化层 – 卷积层 – 全连接层

处理时间序列（1D序列）：（N，C，L）分别为批次大小、通道数、序列长度。
卷积层类型：使用 nn.Conv1d 来处理一维卷积，它只在一个维度上滑动卷积核。池化层通常是 nn.MaxPool1d 或 nn.AvgPool1d，沿着序列长度池化。
数据预处理：1D 数据:需要归一化或标准化处理，例如 z-score 标准化。可以使用信号处理库或直接用 NumPy、Pandas 等进行预处理。

GRU（Gate Recurrent Unit），门控循环单元

是循环神经网络（Recurrent Neural Network, RNN）的一种。和LSTM（Long-Short Term Memory）一样，也是为了解决长期记忆和反向传播中的梯度等问题而提出来的。
GRU的输入输出结构与普通的RNN一样

通过上一个传输下来的状态