以下是Convolution1D的例子：
# apply a convolution 1d of length 3 to a sequence with 10 timesteps,
# with 64 output filters
model = Sequential()
model.add(Convolution1D(64, 3, border_mode='same', input_shape=(10, 32)))
# now model.output_shape == (None, 10, 64) # add a new conv1d on top
model.add(Convolution1D(32, 3, border_mode='same'))
# now model.output_shape == (None, 10, 32)
以下是Convolution2D的例子：
# apply a 3x3 convolution with 64 output filters on a 256x256 image:
model = Sequential()
model.add(Convolution2D(64, 3, 3, border_mode='same', input_shape=(3, 256, 256)))
# now model.output_shape == (None, 64, 256, 256) # add a 3x3 convolution on top, with 32 output filters:
model.add(Convolution2D(32, 3, 3, border_mode='same'))
# now model.output_shape == (None, 32, 256, 256)
1.Convolution1D主要用于nlp，Convolution2D主要用于cv。实际上，Convolution1D也可以用于cv，Convolution2D也可以用于nlp，只是那个时候不是标准的卷积方式，而是经过一定变形的卷积。
2.可以看到Convolution1D的卷积只有3这一个参数，Convolution2D却有两个参数3（即长度为3，宽度为3的卷积）。表面上Convolution1D没有给出卷积的大小，Convolution2D给出了。实际上，在Convolution1D中，只要给出了句子中word的长度，宽度就是word中的dimension，宽度自动把整个tensor的宽度包裹住。
3.Convolution1D的input_shape是长度为10，宽度为32的tensor。Convolution2D的input_shape是3个channel，长度为256，宽度为256的tensor。