如何将CNN LSTM表格keras转换为pytorch

我正试图将keras的CNN LSTM转换为pytorch，但我遇到了麻烦

ConvNN_model = models.Sequential()
ConvNN_model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(64, 64, 1)))
ConvNN_model.add(layers.MaxPooling2D((2, 2)))
ConvNN_model.add(layers.Conv2D(64, (3, 3), activation='relu'))
ConvNN_model.add(TimeDistributed(LSTM(128, activation='relu')))
ConvNN_model.add(Dropout(0.2))
ConvNN_model.add(LSTM(128, activation='relu'))
ConvNN_model.add(layers.Dense(64, activation='relu'))
ConvNN_model.add(layers.Dropout(0.25))
ConvNN_model.add(layers.Dense(15, activation='softmax'))

---

如何将上述代码从Keras转换为Pytorch？

这是Keras中的CNN：

ConvNN\u model=models.Sequential（）
ConvNN_model.add（layers.Conv2D（32，（3,3），activation='relu'，input_shape=（64,64,1）））
ConvNN_model.add（layers.MaxPooling2D（（2,2）））
ConvNN_model.add（layers.Conv2D（64，（3,3），activation='relu'））
ConvNN_model.add（时间分布（LSTM（128，activation='relu'））
ConvNN_模型添加（退出（0.2））
ConvNN_model.add（LSTM（128，activation='relu'））
ConvNN_model.add（layers.Dense（64，activation='relu'））
ConvNN_模型添加（层。退出（0.25））
ConvNN_model.add（layers.Dense（15，activation='softmax'））

这是PyTorch中的等效代码：

class-ConvNN\u模型（nn.Module）：
定义初始化（自）：
super（ConvNN_模型，self）。_init_(）
self.layers=nn.Sequential(
nn.Conv2d（1,32，内核大小=3），
nn.ReLU（），
nn.MaxPool2d（（2,2）），
nn.Conv2d（32,64，内核大小=3），
nn.ReLU（），
时间分布（nn.LSTM（128128）），
nn.辍学率（0.2），
nn.LSTM（128128），
nn.ReLU（），
nn.线性（128，64），
nn.ReLU（），
nn.辍学率（0.25），
nn.线性（64,15），
nn.Softmax（）
)
def前进（自身，x）：
返回self.layers（x）

请记住，PyTorch中的

TimeDistributed

类没有等效的模块，因此您必须自己构建它。下面是一个您可以使用的（来自）：

类时间分布（nn.Module）：
def_uuuinit_uuu（self、module、batch_first=False）：
超级（时间分布，自）。\uuuuu init\uuuuuu（）
self.module=模块
self.batch\u first=batch\u first
def前进（自身，x）：
如果len（x.size（））有什么问题？你试过什么？我试过写一个
类ConvNetLSTM（nn.Module）：
在类内有一个
\uuu init\uuu
和一个
foward
，但是我对pytorch没有太多过期性，我不确定我是否在
\uu init\uu>中写了正确的网络