写一个输入层的输入节点为（2，1），有 三个卷积层都为 20 个长度为 3 卷积层，三个最大池化层都为 4，一个非线性转化层大小为一个单元， ReLU 激活函数来激活池化过程中处理的结果，sidmoid 函数在末层网络中将输出结果在零和一之间，用 Adam 作为 cnn 的优化算法，学习效率为 0.001，评价指标为 RMSE 的一维卷积神经网络

这是一个简单的一维卷积神经网络的代码示例：

import tensorflow as tf

# 定义输入层
inputs = tf.keras.layers.Input(shape=(2, 1))

# 定义三个卷积层
conv1 = tf.keras.layers.Conv1D(filters=20, kernel_size=3, activation='relu')(inputs)
conv2 = tf.keras.layers.Conv1D(filters=20, kernel_size=3, activation='relu')(conv1)
conv3 = tf.keras.layers.Conv1D(filters=20, kernel_size=3, activation='relu')(conv2)

# 定义三个最大池化层
pool1 = tf.keras.layers.MaxPooling1D(pool_size=4)(conv1)
pool2 = tf.keras.layers.MaxPooling1D(pool_size=4)(conv2)
pool3 = tf.keras.layers.MaxPooling1D(pool_size=4)(conv3)

# 将三个池化层的输出连接起来
concat = tf.keras.layers.Concatenate()([pool1, pool2, pool3])

# 定义非线性转化层
flatten = tf.keras.layers.Flatten()(concat)
dense1 = tf.keras.layers.Dense(units=1, activation='relu')(flatten)

# 定义输出层
output = tf.keras.layers.Dense(units=1, activation='sigmoid')(dense1)

# 定义模型
model = tf.keras.Model(inputs=inputs, outputs=output)

# 定义优化器和损失函数
optimizer = tf.keras.optimizers.Adam(learning_rate=0.001)
loss = tf.keras.losses.MeanSquaredError()

# 编译模型
model.compile(optimizer=optimizer, loss=loss, metrics=['mse', 'mae'])

# 打印模型结构
model.summary()

其中，模型的评价指标为 `mse` 和 `mae`，可以根据需要调整。训练模型时，可以使用 `fit` 函数，例如：

# 训练模型
history = model.fit(x_train, y_train, epochs=100, batch_size=32, validation_split=0.2)

其中，`x_train` 和 `y_train` 分别是训练数据和标签，`epochs` 是训练的轮数，`batch_size` 是每个批次的样本数，`validation_split` 是训练集中用于验证的数据比例。最终可以使用 `evaluate` 函数对模型进行评价：

# 评估模型
loss, mse, mae = model.evaluate(x_test, y_test)