可以将上边卷积层的三个参数直接设为1/3，并且不可训练吗

是的，可以将卷积层的权重参数直接设为1/3，同时将其设置为不可训练。这样做的目的是为了实现滑动平均的效果，将卷积层的卷积核参数设置为1/3，相当于对历史数据进行了加权平均处理。同时将其设置为不可训练，是为了保证模型在训练过程中不会对这些参数进行更新，从而保证滑动平均的效果。以下是示例代码：

import numpy as np
from tensorflow import keras
from tensorflow.keras.layers import Conv1D

data = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
data = data.reshape(1, -1, 1)
print(data.shape)

input = keras.Input(shape=(9, 1))
output = Conv1D(filters=1, kernel_size=3, padding='causal', activation='linear', trainable=False, use_bias=False)(input)
model = keras.Model(inputs=input, outputs=output, name="fs_feature")
model.summary()

weights_list = model.get_weights()
print("权重列表：", weights_list)

weights = np.ones(3) / 3
weights_list[0] = weights.reshape((3, 1, 1))
model.set_weights(weights_list)

result = model.predict(data)
print("原始数据：", data)
print("滑动平均结果：", result.squeeze())

在上述代码中，我们将卷积层的trainable参数设置为False，将use_bias参数设置为False，同时将卷积核参数设为1/3。这样做的话，卷积层的权重就不会在训练过程中被更新，同时偏置参数也会被置为0。这样就可以实现滑动平均的效果。