- 主题:这种问题能用1D卷积神经网络处理吗？
你的模型的输入样本特征是材料强度这一个特征，输出是三种金属元素的估计浓度吗？
还是反过来输入的是三种金属元素的浓度，输出的是材料强度？
你用BP做，损失函数是怎么定义的？
他推荐你用卷积神经网络的好处是什么？卷积主要处理的是特征之间的相互交叉关系。所以一般是二维的，你如果能建立出二维的输入特征矩阵也可以。但是根据你的问题描述，我没有看出来用CNN的优越性在哪里。可以考虑用单纯的前馈型深度神经网络做。
--
FROM 211.83.110.*
你的模型特征输入是什么？如果你的输入只有一个特征，即材料强度，你怎么做卷积呢？如果是3个浓度参数，倒是可以1D卷积算一下。前馈或者残差都可以做多个隐层，隐层层数多了也可以称为深度神经网络(DNN)。但实际上，就你的场景问题，无论是DNN还是CNN都是不是什么创新了。
--
FROM 211.83.110.*
是的三个特征的话，[(x1,x2),x3][x1,(x2,x3)]这样卷，可以试一试。感觉确实没什么价值，特征数太少了。
【 在 photoelectri 的大作中提到: 】
: 如果把这两个互换一下，是不是就可以卷积了
--
FROM 211.83.110.*