我想向一维CNN输入固定长度的序列，并希望它进行预测（回归），但是我希望在训练过程中批量大小可变。这些教程并没有真正的帮助。
在我的输入层中，我有这样的东西：
input = tf.placeholder(tf.float32, [None, sequence_length], name="input")
y = tf.placeholder(tf.float32, [None, 1], name="y")
因此，我假设None维度可以是任意数量的可变批量大小，因此当前的input维度为batch_size * sequence_length，我应该将网络二维尺寸为any * sequence_length
tf.nn.conv1d预期为3-D，因为我的输入是一个单一通道，是{n {1}}个观测值的1 np数组，我需要馈送到cnn的输入应为sequence_length，另一方面，如果我要组合两个不同的序列以最终预测单个值，那将是1*batch_size * sequence_length，并且我还需要连接两个不同的通道。因此，就我而言，我需要
2*batch_size * sequence_length，然后过滤器也遵循相同的条件：
input = tf.expand_dims(input, -1)
此后，我添加了FC层，但是网络无法学习任何内容，即使是基本功能（例如sin（x）），上面的代码看起来正确吗？
我又该如何做一个最大池？