你有（至少）两个选择。您可以：

• 使用瓶颈架构，您使用池化层来减少数据的维度，然后使用反卷积/上采样层再次向上转换以返回到原始维度。这种方法的优点是您对最终输出使用更大的感受野，这意味着它可以查看输入序列的更大部分。您可以将其与类似结构的高速公路连接相结合。在 2d 中使用了一个非常相似的概念进行分割，这里的空间维度被保留在输出中。最好的模型之一称为 U-Net。

• 不使用池化，只使用具有非线性的填充相同的卷积层。您可以增加深度，但您会在任何地方保留 (1000, 2) 尺寸。优点是它很容易实现，如果适用于你的问题，只使用相对本地的信息。

从您的评论中，听起来您正在尝试预测系列的下一个值$X_1, X_2, \dots,$其中每个$X_i$是$(1000,2)$维。

这个怎么样：预测$X_i$，你输入张量$(X_{i-k}, X_{i-(k+1)}, \dots, X_{i-1})$, 有维度$(1000, 2, k)$. 你应用卷积与步幅$1$并对第一和第二维度进行适当的填充：这不会改变维度。并且您仅将池化应用于第三维（例如，设置$k=8$并使用三个具有窗口大小的池化层$2\times 2$）。