生成5层的一维cnn，输入大小为1*8，类别数为3

这里我提供一种生成5层的一维CNN的方法，每层包括一个卷积层和一个池化层：

import tensorflow as tf

# 定义输入层
inputs = tf.keras.layers.Input(shape=(8,1))

# 第一层卷积
conv1d_1 = tf.keras.layers.Conv1D(filters=16, kernel_size=3, activation='relu', padding='same')(inputs)
pool1d_1 = tf.keras.layers.MaxPool1D(pool_size=2, strides=2, padding='same')(conv1d_1)

# 第二层卷积
conv1d_2 = tf.keras.layers.Conv1D(filters=32, kernel_size=3, activation='relu', padding='same')(pool1d_1)
pool1d_2 = tf.keras.layers.MaxPool1D(pool_size=2, strides=2, padding='same')(conv1d_2)

# 第三层卷积
conv1d_3 = tf.keras.layers.Conv1D(filters=64, kernel_size=3, activation='relu', padding='same')(pool1d_2)
pool1d_3 = tf.keras.layers.MaxPool1D(pool_size=2, strides=2, padding='same')(conv1d_3)

# 第四层卷积
conv1d_4 = tf.keras.layers.Conv1D(filters=128, kernel_size=3, activation='relu', padding='same')(pool1d_3)
pool1d_4 = tf.keras.layers.MaxPool1D(pool_size=2, strides=2, padding='same')(conv1d_4)

# 第五层卷积
conv1d_5 = tf.keras.layers.Conv1D(filters=256, kernel_size=3, activation='relu', padding='same')(pool1d_4)
pool1d_5 = tf.keras.layers.MaxPool1D(pool_size=2, strides=2, padding='same')(conv1d_5)

# 将最后一层池化后的特征图展平
flatten = tf.keras.layers.Flatten()(pool1d_5)

# 定义输出层，类别数为3
outputs = tf.keras.layers.Dense(3, activation='softmax')(flatten)

# 构建模型
model = tf.keras.models.Model(inputs=inputs, outputs=outputs)

以上代码中，卷积层的参数filters、kernel_size和padding分别表示卷积核的数量、大小和填充方式；池化层的参数pool_size和strides分别表示池化窗口的大小和步长。最后一层的输出层使用了softmax激活函数，用于分类问题。