conv1d和conv2d的区别
conv1d和conv2d的区别是：1.应用场景；2. keras中的参数对比；3. 计算过程。在Conv2D输入通道为1的情况下，二者是没有区别或者说是可以相互转化的。
一、区别
1.应用场景
我们都知道，图像的数据一般是三维的 [公式] ，文本的数据一般是二维的 [公式]
[公式] 代表图像的通道数， [公式] 代表词向量的维度。这么一看，图像中每个像素点向量和文本中词向量是对应的。
2. keras中的参数对比
kernel_size：卷积核的尺寸
在Conv2D中，是一个二维的元组 [公式] ，当然也可以传入整数，代表 [公式] ；
在Conv2D中，是整数 [公式] 。
strides：步长
3.计算过程
Conv2D
输入为 [公式] 的图片，卷积核的尺寸为 [公式] ，卷积核个数为2，所以
参数总数[公式] 。
多出来的3为图片的channel，每个卷积核会自动扩充到3维，对应每个通道。
Conv1D
输入有两个序列，名列前茅个序列为 [公式] 的文本，卷积核的尺寸为 2，卷积核个数为1，所以
参数总数[公式] 。
多出来的3为文本的词向量维度，卷积核会自动扩充到2维，对应每个隐维度。
二、举例
首先，二者调用的最后的代码都是后端代码（以TensorFlow为例，在tensorflow_backend.py里面可以找到）：
x = tf.nn.convolution(
input=x,
filter=kernel,
dilation_rate=(dilation_rate,),
strides=(strides,),
padding=padding,
data_format=tf_data_format)
区别在于input和filter传递的参数不同，input不必说，filter=kernel是什么呢？
我们进入Conv1D和Conv2D的源代码看一下。他们的代码位于layers/convolutional.py里面，二者继承的都是基类_Conv(Layer)。进入_Conv类查看代码可以发觉以下代码：
self.kernel_size = conv_utils.normalize_tuple(kernel_size, rank, ‘kernel_size’)
……#中间代码省略
input_dim = input_shape[channel_axis]
kernel_shape = self.kernel_size + (input_dim, self.filters)
我们假设，Conv1D的input的大小是（600,300），而Conv2D的input大小是（m,n,1），二者kernel_size为3。
进入conv_utils.normalize_tuple函数可以看到：
def normalize_tuple(value, n, name):
“””Transforms a single int or iterable of ints into an int tuple.
# Arguments
value: The value to validate and convert. Could an int, or any iterable
of ints.
n: The size of the tuple to be returned.
name: The name of the argument being validated, e.g. “strides” or
“kernel_size”. This is only used to format error messages.
# Returns
A tuple of n integers.
# Raises
ValueError: If something else than an int/long or iterable thereof was
passed.
“””
if isinstance(value, int):
return (value,) * n
else:
try:
value_tuple = tuple(value)
except TypeError:
raise ValueError(‘The `’ + name + ‘` argument must be a tuple of ‘ +
str(n) + ‘ integers. Received: ‘ + str(value))
if len(value_tuple) != n:
raise ValueError(‘The `’ + name + ‘` argument must be a tuple of ‘ +
str(n) + ‘ integers. Received: ‘ + str(value))
for single_value in value_tuple:
try:
int(single_value)
except ValueError:
raise ValueError(‘The `’ + name + ‘` argument must be a tuple of ‘ +
str(n) + ‘ integers. Received: ‘ + str(value) + ‘ ‘
‘including element ‘ + str(single_value) + ‘ of type’ +
‘ ‘ + str(type(single_value)))
return value_tuple
所以上述代码得到的kernel_size是kernel的实际大小，根据rank进行计算，Conv1D的rank为1，Conv2D的rank为2，如果是Conv1D，那么得到的kernel_size就是（3,）如果是Conv2D，那么得到的是（3,3）
最后，推荐我们的管理工具给大家。
