我的答案是，在Conv2D輸入通道為1的情況下，二者是沒有區別或者說是可以相互轉化的。首先，二者調用的最后的代碼都是后端代碼（以TensorFlow為例，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)
區別在於input和filter傳遞的參數不同，input不必說，filter=kernel是什么呢？
我們進入Conv1D和Conv2D的源代碼看一下。他們的代碼位於layers/convolutional.py里面，二者繼承的都是基類_Conv(Layer)。進入_Conv類查看代碼可以發覺以下代碼：
self.kernel_size = conv_utils.normalize_tuple(kernel_size, rank, 'kernel_size')
……#中間代碼省略
input_dim = input_shape[channel_axis]
kernel_shape = self.kernel_size + (input_dim, self.filters)
我們假設，Conv1D的input的大小是（600,300），而Conv2D的input大小是（m,n,1），二者kernel_size為3。
進入conv_utils.normalize_tuple函數可以看到：
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
所以上述代碼得到的kernel_size是kernel的實際大小，根據rank進行計算，Conv1D的rank為1，Conv2D的rank為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）
input_dim = input_shape[channel_axis]
kernel_shape = self.kernel_size + (input_dim, self.filters)
又因為以上的inputdim是最后一維大小(Conv1D中為300，Conv2D中為1），filter數目我們假設二者都是64個卷積核。因此，Conv1D的kernel的shape實際為：
（3,300,64）
而Conv2D的kernel的shape實際為：
（3,3,1,64）
剛才我們假設的是傳參的時候kernel_size=3，如果，我們將傳參Conv2D時使用的的kernel_size設置為自己的元組例如（3,300），那么傳根據conv_utils.normalize_tuple函數，最后的kernel_size會返回我們自己設置的元組，也即（3,300）那么Conv2D的實際shape是：
（3,300,1,64），也即這個時候的Conv1D的大小reshape一下得到，二者等價。
換句話說，Conv1D（kernel_size=3）實際就是Conv2D（kernel_size=（3,300）），當然必須把輸入也reshape成（600,300,1），即可在多行上進行Conv2D卷積。
這也可以解釋，為什么在Keras中使用Conv1D可以進行自然語言處理，因為在自然語言處理中，我們假設一個序列是600個單詞，每個單詞的詞向量是300維，那么一個序列輸入到網絡中就是（600,300），當我使用Conv1D進行卷積的時候，實際上就完成了直接在序列上的卷積，卷積的時候實際是以（3,300）進行卷積，又因為每一行都是一個詞向量，因此使用Conv1D（kernel_size=3）也就相當於使用神經網絡進行了n_gram=3的特征提取了。這也是為什么使用卷積神經網絡處理文本會非常快速有效的內涵。
---------------------
作者：哈哈進步
來源：CSDN
原文：https://blog.csdn.net/hahajinbu/article/details/79535172
版權聲明：本文為博主原創文章，轉載請附上博文鏈接！