如何在tensorflow中使用conv神经网络的非图像输入？

我有一个数据集（[n][13]），比如：

使用这个数据集，我想在Tensorflow中创建一个卷积神经网络并进行预测

我知道卷积神经网络实际上用于图像，但我看到了一些非图像输入的例子

---

我可以用这些数据创建一个卷积神经网络吗？我如何创建？你能给我一些线索、教程或资料吗？

这看起来不像是适合convnet的数据-convnet假设在本地共享权重是有意义的，所以当数据中存在某种形式的局部性时，它们才有意义。因此，如果功能与“附近”功能之间存在连接，则对于图像以外的其他事物来说，这是有意义的——例如，在时间序列或音频中，相邻的功能发生在附近的时间点。您的数据看起来像是未连接的列（即使在不同的比例下）

---

你的数据也是非常低维的，所以如果你想使用深度学习方法，你可以使用完全连接的层——我也会在你的数据上尝试其他方法（增强和随机森林）。

事实上，我试图从低维数据中训练深度学习模型，正好是8个功能。 我设计了11层神经网络。 然而，与以前的朴素贝叶斯算法训练的模型相比，它并没有表现出完全不同的性能。 和你们一样，我也希望通过实践来学习神经网络算法。

---

无论如何，我想告诉你们的一件事是，你们应该规范化你们的数据，使其具有相同的缩放比例。否则，神经网络就不会收敛。

实际上，这些数据是纽约的天气信息，我有将近7200行。此外，这只是培训目的。此外，如果我使用完全连接的层，我可以估计未来的事情。感谢您，我们总是需要为相同的缩放进行正常化吗？将不同的特征加入一个时间序列是否可行？谢谢

 1)      -3.3 -15.0 41 1026.3 16.1 0 25.9 37.0 0 0 0 280 0

 2)      -3.9 -13.9 46 1028.0 16.1 0 20.4 0 0 0 0 280 0

 3)      -3.9 -13.3 49 1028.8 16.1 0 22.2 0 0 0 0 270 0

 4)      -4.4 -12.2 55 1029.5 16.1 0 11.1 0 0 0 0 260 0

...

 n)      -1.1 -10.6 49 1030.0 16.1 0 14.8 0 0 0 0 280 0