之前在第18篇博客中对于EEG-TCNet这个处理EEG信号的sota模型进行了介绍，也给出了模型，目前也是全网对于EEG-TCNet浏览度最高的文章了，我觉得讲的已经很细致了，没想到还是有不少同学疑问，这也是全网缺少该模型pytorch代码的原因，因为pytorch中没有封装TCN模块，无法直接调用，而在Tensorflow中可直接调用，废话不多少，上菜：
EEG-TCNet模型图：
原论文EEG-TCNet结构图：
模型结构分析：
1、BCI IV2a数据以4维数据输入,shape=(288,1,22,1000)
2、数据先经过一个完整的EEGNet结构（时间卷积+深度卷积+深度可分离），来处理这个4维数组
3、数据从EEGNet出来，进入到TCN块之前进行降维处理(TCN只能处理1维数组）
下面我们来看2a数据以（batch_size，1，22，1000）输入到EEG-TCNet中是如何改变shape的
我自己写的EEG-TCNet代码模型-结构图：（我自己画的，别盗图）
TCN块（膨胀因果卷积）分析：
代码编写：
Chomp1d（nn.Module）：裁剪类
TemporalBlock(nn.Module):TCN块主体类，调用Chomp1d（），在这个类使用的卷积是Conv1d
TemporalConvNet(nn.Module)：调用TemporalBlock（），TCN完全体类
TCNNet(nn.Module)：调用TemporalConvNet（），降维，使得TCN完全体跑的通
讲上面这4个类，我要倒着讲，费点劲要：（为啥倒着讲？同学想想 0。0 ）
input_data = batch_size,1,22,1000经过一个前3个block后，此时控制台输出shape = 32，8，1，31，断点如下：
数据此时还是4维的，所以我们在这使用if来判断维度，给他降维度：
1、Data = torch.rand(x.shape):生成一个空的和x的维度一致的张量数据，用来存储for循环的TCN块裁剪的数据
2、空的张量数据也要送到GPU中，否则报错，因为此时X的数据都在GPU上
3、在x的第二维度，channel = 1，进行for循环，通过self来调用类内的【tcn_block对应的TCN块】方法，对x数据进行裁剪并提取数据，把这些数据（此时还是4维）送给空张量data
4、x = data（乾坤大魔移！）
tcn_block对应着咱们定义的TemporalConvNet() 完全体这个类，如下：
类里面调用了上面定义好的Chomp1d（）这个裁剪的类
此时代码跑到了Chomp1d（）里面，如下所示：
TCN之前的数据= 32，8，1，31
此时数据维度 = 32，8，40，这里代码自动的去掉了通道=1的维度，并+res这个对x下采样的数据
因为这里是for i in range(x.shape[2])的循环，此时i=0，x.shape[3] = 40，我们再进入下一个循环i=1看看
此时x.shape[3] = 49，所以就这样，在送到Chomp1d（）进行裁剪时，x加上了res这个下采样特征数据，导致了x的数据量增加，我们规定了Chomp1d（）中的chomp_size这个数值，只保留与原始数据总量相同的前chomp_size的这个数目，来最后送给Fc层做最后结果的输出
此时我们送给Fc的shape ：
又变回原来的31个数据了，这事裁剪类的功劳！但此时前后的这个31数据是不同的，多了下采样的特征，所以TCNNet这个类实现了先降维再生维的神奇操作，使得代码流通，完事。
全部代码如下：
class Chomp1d(nn.Module):
def __init__(self, chomp_size):
super(Chomp1d, self).__init__()
self.chomp_size = chomp_size
def forward(self, x):
return x[:, :, :-self.chomp_size].contiguous()
class TemporalBlock(nn.Module):
def __init__(self, n_inputs, n_outputs, kernel_size, stride, dilation, padding, dropout=0.2):
super(TemporalBlock, self).__init__()
self.conv1 = weight_norm(nn.Conv1d(n_inputs, n_outputs, kernel_size,
stride=stride, padding=padding, dilation=dilation))
self.chomp1 = Chomp1d(padding)
self.relu1 = nn.ReLU()
self.dropout1 = nn.Dropout(dropout)
self.conv2 = weight_norm(nn.Conv1d(n_outputs, n_outputs, kernel_size,
stride=stride, padding=padding, dilation=dilation))
self.chomp2 = Chomp1d(padding)
self.relu2 = nn.ReLU()
self.dropout2 = nn.Dropout(dropout)
self.net = nn.Sequential(self.conv1, self.chomp1,self.relu1, self.dropout1,
self.conv2, self.chomp2,self.relu2, self.dropout2)
self.downsample = nn.Conv1d(n_inputs, n_outputs, 1) if n_inputs != n_outputs else None
self.relu = nn.ReLU()
# self.init_weights()
# def init_weights(self):
# self.conv1.weight.data.normal_(0, 0.01)
# self.conv2.weight.data.normal_(0, 0.01)
# if self.downsample is not None:
# self.downsample.weight.data.normal_(0, 0.01)
def forward(self, x):
out = self.net(x)
res = x if self.downsample is None else self.downsample(x)
return self.relu(out + res)
class TemporalConvNet(nn.Module):
def __init__(self, num_inputs, num_channels, kernel_size=2, dropout=0.2):
super(TemporalConvNet, self).__init__()
layers = []
num_levels = len(num_channels)
for i in range(num_levels):
dilation_size = 2 ** i
in_channels = num_inputs if i == 0 else num_channels[i-1]
out_channels = num_channels[i]
layers += [TemporalBlock(in_channels, out_channels, kernel_size, stride=1, dilation=dilation_size, padding=(kernel_size-1) * dilation_size,
dropout=dropout)]
self.network = nn.Sequential(*layers)
def forward(self, x):
return self.network(x)
import numpy as np
class TCNNet(nn.Module):
def __init__ (self,*args) -> None:
super(TCNNet,self).__init__()
if len(args) < 2:
print('error')
exit()
else:
num_inputs = args[0]
num_channels = args[1]
kernel_size = int(args[2][0])
self.tcn_block = TemporalConvNet(num_inputs,num_channels,kernel_size)
#self.tcn_block = TemporalConvNet(num_inputs=self.F2,num_channels=[tcn_filters,tcn_filters],kernel_size=tcn_kernelSize)
def forward(self,x) :
if len(x.shape) == 4:
data = torch.rand(x.shape)
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
data = data.to(device)
for i in range(x.shape[2]):
data[:,:,i,:] = self.tcn_block(x[:,:,i,:])
x = data
else:
x = torch.squeeze(x,dim=2)
x = self.tcn_block(x)
return x 
