Список проголосовавших за комментарий "Александр Черников, каких-то суровых особенностей в обучении conv2d нет — обычный тренинг луп используется, мало чем отличающийся от обучения других сеток. <br/> <br/> Со звуком совсем особая история — одна секунда звука содержит почти сто тысяч значений, а анализируют записи длинной в несколько десятков секунд. По сути преобразование в картинку — это форма сжатия/понижения размерности. Для котировок такой проблемы нет. Ну и в принципе звук вполне анализируют с помощью conv1d