我不会将卷积神经网络应用于您的问题（至少从我可以从描述中收集到的内容）。

卷积网络的优点和缺点与模型类中的一个核心假设有关：以常规方式翻译特征模式对结果的影响很小，或者具有特定的有用意义。因此1 0 1，在特征 9、10、11 中看到的模式在某种程度上与在特征 15、16、17 中看到的相同模式相似。将这个假设内置到模型中，您可以在处理图像数据时用更少的自由参数训练网络，这是扫描仪和相机捕获的数据的关键属性。

通过对特征进行 one-hot 编码，您可以从一个值或类别中分配一个特征向量索引，基本上是随机的（通过一些散列函数）。特征向量的索引之间的转换没有意义。模式0 0 1 0 1 0 0 和0 0 0 1 0 1 0可以代表完全不同的事物，它们之间的任何关联纯属偶然。如果您愿意，您可以将稀疏的 one-hot 编码视为图像，但没有充分的理由这样做，并且假设可以进行翻译同时保留含义的模型效果不佳。

对于这么小的稀疏特征向量，假设你想尝试一个神经网络模型，使用一个简单的全连接网络。

尽管我同意 Neil Slater 的回应，但您应该记住几件事。

1）“你永远不知道！” 在数据探索中，你永远不知道你会发现什么。如果你有大量数据，也许使用 20x20 的卷积网络会给你一些不错的结果。当然，如果它要学习的不仅仅是几个特征，那将是有帮助的......如果你的 400 长度向量是一次性 4 个不同特征的结果，那么可以肯定地说卷积网络不会不会给你太多。

2）如果您正在寻找实施conv网络的理由，那就去吧。即使你的准确度指标很糟糕，你至少可以学习如何使用自己的数据创建网络、训练和预测......不能低估这种学习体验！比运行另一个开箱即用的 mnist 示例更有价值。

3）比较。制作一个常规网络和一个转换网络......然后你可以比较两者。不仅如此，将其与随机森林、逻辑回归等进行比较。这样做足够多的时间，你就会开始培养直觉。

我说做！（除非有人付钱给你......在这种情况下，请先尝试常规 NN）