当使用 CNN 进行非图像（时间序列）数据预测时，与图像数据相比，有哪些限制或需要注意的事项？
更准确地说，我注意到 CNN 模型中有不同类型的层，如下所述，它们似乎是专门为图像数据设计的。
从源图像中提取特征的卷积层。卷积有助于模糊、锐化、边缘检测、降噪或其他可以帮助机器学习图像特定特征的操作。
在不丢失重要特征或模式的情况下降低图像维度的池化层。
全连接层也称为密集层，其中卷积层的结果通过一个或多个神经层馈送以生成预测。
这些操作是否也适用于非图像数据（例如，时间序列）？
鉴于卷积和池化操作主要应用于图像，CNN 能否应用于非图像数据？
人工智能
卷积神经网络
时间序列
卷积
汇集
2021-10-19 09:38:31
2个回答
通常，您需要确保您的卷积是因果的，这意味着没有信息从未来泄漏到过去。你可以先看看这篇论文，它将时间卷积网络 (TCN) 与普通 RNN 模型进行了比较。
您可以将 CNN 用于时间序列数据。卷积递归神经网络 (RCNN) 就是其中的一个例子。
卷积层基本上是从图像中提取特征。它与时间序列数据处理无关。
一些 CNN（例如 ResNet、Highway Networks 和 DenseNet）使用一些循环概念来改进其预测，但它们都在单个数据点推理中。你可以通过这些概念来提高你的直觉。