我的数据集是一个 20 列 100,000 行的简单表格。它不是 CNN 中常用的图像数据。在这种情况下我应该提供什么输入形状？
现在我做到了——
input_shape = (21,109713,1)
model.add(Conv2D(32, kernel_size=(5, 5), strides=(1, 1),
activation='relu',
input_shape=input_shape))
这给出了错误-
ValueError: Error when checking input: expected conv2d_1_input to have 4 dimensions, but got array with shape (109713, 19)
标题中的问题与问题正文不一致。如果您打算使用 CNN，尽管它不是此类数据的最佳主意，那么对于您描述的数据集，一维 CNN 架构将是最合适的。
要回答标题中的问题，是的，3D CNN 肯定是可能的，并且实际上通常用于 3D 数据，例如：视频（第 3 维是时间）、3D 医学图像等。
您描述的数据集中的实例是一个包含 20 个实例的向量。该数据是一维结构。因此，您可以使用此处描述的 1D CNN 。
但是，最好将 DNN 用于此类数据结构。作为 CNN，本质上是相邻特征的互相关。在这种情况下，不能假设您的数据在相邻要素之间具有这种相似性。DNN 将允许更有效地捕获远处特征之间的互相关。
添加到 JahKnows 的答案中，如果您的数据代表时间进展，则使用 1D-CNN 可能是一个好主意（但也许您也可能考虑使用 RNN），否则您可能应该坚持使用 DNN。