是的，卷积神经网络 (CNN) 可以并且已经应用​​于非图像问题。可以说，任何与特征位置相关的问题都可以通过 CNN 来尝试。CNN 的工作假设是数据中彼此靠近的点共享一些相关性/关系，而距离较远的点不共享尽可能多的信息。因此，理论上，如果您可以表达您的问题以使其满足此要求，则可以通过卷积神经网络进行尝试。以下是一些不涉及图像的 CNNs 应用：

• 语音识别
• 用于文本分类的字符级卷积网络
• 使用 CNN 进行文本分类
• 自然语言处理
• 时间序列预测
• 句子建模

• 我在光谱数据上使用了一维 CNN。以下是一些应用于光谱数据的 CNN示例：

  • 用于音乐分类的频谱卷积神经网络
  • 基于卷积神经网络的高光谱数据分类

CNN 通常是为 2D（通常是图像）数据设计的。因此，其他用法很可能是对 CNN 逻辑的“破解”。

您可以通过此处查看如何使用 CNN 提取特征和分类文本。