CNNs适用于输入信号包含空间信息的任何地方。例如，您可以考虑以下列表：

• 一维信号：录制的语音是一维输入的示例，其中相邻输入条目之间存在关系。这意味着相邻条目具有对不同任务有价值的模式，例如分类。您可以为这些输入信号使用一维卷积层。
• 2-D 信号：图像就是这种类型的一个例子，尽管它们可能有不同的通道，比如 RGB。很明显，相邻像素彼此大致相似，除此之外，相邻像素共享可能在整个图像上重复多次的模式。因此，二维卷积层可以用于这些信号。
• 3-D 信号：视频帧就是这种类型的例子。除了您可以在每个帧内找到的相似性之外，在时间轴上一个接一个地存在的不同帧可以具有相似的有意义的模式，这些模式会被复制。您可以为这些信号使用 3-D 卷积层。

关于结构化数据，您可以将它们作为关系数据库的行找到，每列属于指定特征，使用卷积层没有任何意义。原因很清楚。它们没有任何空间信息。相邻的行不应共享一个共同的概念，否则它们将是多余的。此外，它们在空间上彼此不相关。对于结构化数据，人们使用密集层。