from keras.layers import Convolution1D
from keras.models import Sequential
 
model=Sequential()
model.add(Convolution1D(
 filters=64,  #64個濾波器 －》生成 64深度
 kernel_size=3, #長度 為 3
 input_shape=(10,32), # 輸入形狀 就是 圖片形狀 (step,input_dim) input_dim 一般指詞_dim
 padding='same' # 過濾模式
))
#Output Shape:(None, 10, 64) 
 
model.add(Convolution1D(
 filters=32,
 kernel_size=3,
 padding='same'
))
#Output Shape:(None, 10, 32) 

from keras.layers import Convolution2D
from keras.models import Sequential
 
model=Sequential()
model.add(Convolution2D( 
 filters=64, # 64個濾波器 －》生成 64深度
 kernel_size=3, # 濾波器窗口 大?。?，3） 
 padding='same', # 過濾模式 
 input_shape=(256,256,3), # 輸入形狀 就是 圖片形狀 # 默認(rèn) data_format:channels_last (rows,cols,channels)
))
#Output Shape:(None, 256, 256, 64)
 
model.add(Convolution2D( 
 filters=32,
 kernel_size=3, 
 padding='same', # 過濾模式 
))
#Output Shape:(None, 256, 256, 32)

1.Convolution1D主要用于nlp，Convolution2D主要用于cv。實際上，Convolution1D也可以用于cv，Convolution2D也可以用于nlp，只是那個時候不是標(biāo)準(zhǔn)的卷積方式，而是經(jīng)過一定變形的卷積。

2.可以看到Convolution1D的 只有3這一個參數(shù)，Convolution2D 卻有兩個參數(shù)3（即長度為3，寬度為3的卷積窗口）。表面上Convolution1D沒有給出卷積的大小，Convolution2D給出了。實際上，在Convolution1D中,長度 為 句子 所有 word 的長度，寬度就是 句子中word的 dim (全稱:dimension) ，寬度自動把整個tensor的寬度包裹住。

3.Convolution1D的input_shape是 ( 長度為10，寬度為32 )的tensor。Convolution2D的input_shape是 ( 寬度為256，長度為256，3個channel ) 的tensor。