Conv1D和Conv2D该怎么选择？

总结：二者都是卷积层，只不过一个是用来处理一维特征序列数据，而另一个是用来处理二维特征数据的。

那何为一维特征序列数据、二维特征数据呢？

一维特征序列数据：注意！这里不说的一维数据，一维数据可以理解为是数据存在一个数组（列表）中，如：[1, 4, 5, 8]；而一维特征序列数据是指在一个序列（时间步或位置）上每个点包含一个或多个特征的数据，特别是在处理时间序列、文本序列时。

时间序列数据是最典型的一维特征序列数据类型，这种数据通常用于预测。如：股票价格数据，每日开盘价、收盘价、最高价、最低价和交易量等信息。这些特征可以按时间顺序排列形成序列，表示为[(open, close, high, low, volume), ...]。

举一个例子：假设我们有一个传感器记录了多个测量值（例如，温度、湿度和压力）。这些测量值以时间序列的形式记录下来。每个时间步（例如每一分钟）都有一组测量值。时间步（sequence_length）：时间序列的长度，比如1小时内的60个时间步。特征数（num_features）：在每个时间步上记录的特征数，比如温度、湿度、和压力，这样 num_features 就是3。

在这种情况下，数据的形状可以表示为 (batch_size, sequence_length, num_features)。假设我们有 10 个批次（batch_size = 10），每个批次包含 1 小时的数据（sequence_length = 60），每分钟记录 3 个传感器值（num_features = 3），那数据的形状就是 (10, 60, 3)。

二维特征数据：是指数据在两个维度上都有结构或特征，比如图像、表格等。图像本质上是一个二维像素网格，每个像素可以有一个或多个通道（例如RGB图像有三个通道）。输入通常是一个四维张量，形状为 (batch_size, height, width, channels)，其中 height 和 width 是图像的高度和宽度，channels 是图像的通道数。

了解清楚了以上内容，再来选则就很好办了。

Conv1D:

它的卷积核（滤波器）在数据的一维方向上滑动，以捕捉局部的模式和特征。卷积核是一维的，它在输入的第二个维度（即序列长度方向）上滑动,也就是我们上面举的例子的sequence_length参数。如kernel_size=3，则每次卷积操作会在时间序列的 3 个连续时间步上进行，提取这 3 个时间步中 3 个特征的组合特征。

Conv2D:

卷积核是二维的，在输入的第二个和第三个维度（即高度和宽度方向）上滑动。