x1的shape为[71000, 31]， x2的shape为[71000, 9，20]， x3的shape为[71000, 9，30]，，现在需要将x1,x2,x3输入到多任务网络中，生成四个目标，每个batch大小为128，对两个二维数据x2, x3进行卷积CNN运算，然后卷积后的结果展开成一维，最后将所有数据连接，用ann方式生成四个目标数据，两个数据卷积过程有一定的共享层

好的，您的问题是如何将x1、x2、x3输入到多任务网络中，生成四个目标，并且对x2、x3进行卷积CNN运算，最后将所有数据连接，用ANN方式生成四个目标数据，对两个数据卷积过程有一定的共享层，每个batch大小为128。我的回答如下：

首先，我们可以使用Keras框架搭建神经网络模型，该模型包含三个输入层，分别对应x1、x2、x3，然后将x2、x3输入到共享的卷积层进行卷积操作。具体实现代码如下：

from keras.layers import Input, Dense, Conv1D, Flatten, concatenate
from keras.models import Model

# x1 input layer
x1_input = Input(shape=(31,), name='x1_input')

# x2 input layer
x2_input = Input(shape=(9, 20,), name='x2_input')

# x3 input layer
x3_input = Input(shape=(9, 30,), name='x3_input')

# shared convolution layer for x2 and x3
conv_layer = Conv1D(filters=64, kernel_size=3, activation='relu', padding='same', name='shared_conv_layer')

# x2 convolution layer
x2_conv = conv_layer(x2_input)
x2_flatten = Flatten()(x2_conv)

# x3 convolution layer
x3_conv = conv_layer(x3_input)
x3_flatten = Flatten()(x3_conv)

# concatenate x1, x2, x3
concat_layer = concatenate([x1_input, x2_flatten, x3_flatten], name='concat_layer')

# fully connected layers for output
fc1 = Dense(128, activation='relu')(concat_layer)
fc2 = Dense(64, activation='relu')(fc1)
output = Dense(4, activation='softmax')(fc2)

# create model
model = Model(inputs=[x1_input, x2_input, x3_input], outputs=output)

在上述代码中，我们首先定义了三个输入层，分别对应x1、x2、x3。然后我们定义了一个共享的卷积层，接着将x2、x3输入到该卷积层进行卷积操作，并将卷积后的结果展开成一维。接下来，我们将x1、x2、x3连接起来，用全连接层生成目标数据。

最后，我们需要编译模型并训练它。在编译模型时，我们可以选择交叉熵损失函数和Adam优化器。具体实现代码如下：

# compile model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# train model
model.fit({'x1_input': x1_train, 'x2_input': x2_train, 'x3_input': x3_train}, y_train, 
          batch_size=128, epochs=10, validation_data=({'x1_input': x1_val, 'x2_input': x2_val, 'x3_input': x3_val}, y_val))

在训练模型时，我们将x1_train、x2_train、x3_train和y_train作为训练数据，将x1_val、x2_val、x3_val和y_val作为验证数据。每次训练使用的batch大小为128，训练10个epochs，来不断优化模型。