它不需要是特定的CON1D或CON2D，它是转换的DATA输入。我花了一些时间阅读你引用的论文，发现他们正在谈论类似的匹配，这是神经元网络的良好实践。
实际上，你需要一个标签和输入来监督学习，但如果没有音乐输入的标签（我从互联网上下载了示例），你可以循环它，它们可以找到与自己的相似之处。
本文讨论了编码器和解码器，这是信号的主要主题，任何模型都可以工作lstm，密集或CON1D，CON2D或CON3D实用逻辑。

（1）：输入

from scipy.io.wavfile import read
samplerate, data = read("F:\\temp\\Python\\Speech\\temple_of_love-sisters_of_mercy.wav")

（2）：窗口（锤击或提取）

通过瞬间我现在做的是固定大小的窗口
如果不提供乐器标签，您可以在第一个stikes指定任何值，然后更新相似性值。

for i in range(10):
    input_array.append( np.reshape(sample_data[current_window:start_index ], (1, 147, 15, 1 )) )
    current_window = current_window - next_window
    start_index = start_index - next_window

label_array = [ ] 
for i in range(10):
    label_array.append( i )

（3）：模型你可以使用任何mnodel，但我也使用这个图像catagorize猫从人和卡车对象.

"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
Model Initialize
"""""""""""""""""""""""""""""""""""""""""""""""""""""""""
model = tf.keras.models.Sequential([
            tf.keras.layers.InputLayer(input_shape=(88, 80, 1)),
            tf.keras.layers.Reshape((88, 80, 1)),
            tf.keras.layers.Conv2D(32, (8, 8), strides=4, padding='same', activation='relu' ),
            tf.keras.layers.Conv2D(64, (4, 4), strides=2, padding='same', activation='relu' ),
            tf.keras.layers.Conv2D(64, (3, 3), activation='relu' ),
            tf.keras.layers.Flatten(), # layer_3
            tf.keras.layers.Dense(256, activation='relu'),
            tf.keras.layers.Dense(64, activation='relu'),
            tf.keras.layers.Dense(256, activation='relu'),
])

model.add(tf.keras.layers.Flatten())
model.add(tf.keras.layers.Dense(target, activation=tf.nn.softmax))
model.summary()

遵守和运行......不要忘记保存重量和多轮训练会发现相似之处.他正在努力，你的问题就像游戏一样，在开始时没有行动，直到它重复的行动，他们尝试的行动（14）