使用卷积网络的潜在好处是更好的并行性、更好地控制感受野大小、更好地控制训练期间网络的内存占用以及更稳定的梯度。 就像循环网络一样，卷积网络可以对可变长度的输入序列进行操作，并可用于对序列到序列或序列对一任务进行建模。要训练深度神经网络对序列数据进行分类，可以使用一维卷积神经网络。一维卷积层通过将滑动卷积滤波器应用于一维输入来学习特征。使用一维卷积层可以比使用循环层更快，因为卷积层可以通过单个操作处理输入。相比之下，循环层必须迭代输入的时间步长。然而，根据网络架构和滤波器大小，一维卷积层的性能可能不如循环层，后者可以学习时间步长之间的长期依赖关系。
加载训练数据。 预测数据是一个元胞数组，其中包含具有 12 个特征的不同长度的序列。 目标数据是标签“1”、“2”、…、“9”的分类向量，对应于九个类别。 预测器序列是具有 12 行（每个特征一行）和不同列数（每个时间步