将数据输入到 NN 的方式没有限制。您可以将其输入一维数组并使用 4-5 循环并施加某些条件进行逐元素乘法（这会很慢，因此$nD$矩阵符号用于 CNN）。最终，您正在使用的库（TensorFlow、NumPy 可能会将其转换为自己方便的维度）。CNN 与普通 NN 的主要区别在于：

• 卷积层中 CNN 的参数数量少于输入特征的数量。 $parameters \le features$（一般小于）。

不同的人对卷积层的工作方式有不同的看法，但普遍的共识是 CNN 的卷积层的权重就像数字滤波器。这将是一个$nD$过滤输入维度是否为$nD$. 输出是通过将滤波器叠加在输入的某个部分上，并对滤波器的值和滤波器叠加在其上的输入的值进行逐元素乘法来获得的。您如何实现此特定操作取决于您。

因此，您的问题的答案将是无法使用相同的网络，但它可能会在修改后使用（正常的 NN 是 CNN 的限制情况，其中$features=parameters$.

• 神经网络通常处理一维数据。例如，NN 的数据将是 (10 , 12) ，其中 10 是样本数。
• 卷积神经网络通常处理 1D、2D 和 3D 数据。例如，2D CNN 的输入形状为 (10 , 28 , 28 , 3 )，其中 10 是样本数，(28 , 28 , 3 ) 是图像大小。（如果输入是图像）