首先上观点：

1. 一维卷积的卷积核是二维的，二维卷积的卷积核是三维的
2. 一维池化的池化核是一维的，二维池化的池化核是二维的

为什么卷积的时候卷积核维度多了一维呢？因为有通道（channel）的存在。比如对于语音处理中常用的特征MFCC，一般来说网络的输入是[timestep, num_mfcc],对其使用一维卷积，则有：

import numpy as np
import tensorflow as tf
tf.enable_eager_execution()
np.random.seed(0)

timestep = 2
num_mfcc = 3

mfcc = np.random.rand(1,timestep,num_mfcc)
print(mfcc.shape)
print(mfcc)
mfcc = tf.convert_to_tensor(mfcc,dtype=tf.float32,name='mfcc')
out = tf.keras.layers.Conv1D(filters=4,kernel_size=2,strides=1,padding="same")(mfcc)
print(out.numpy().shape)
print(out.numpy())

# 结果
(1, 2, 3)
[[[0.5488135  0.71518937 0.60276338]
  [0.54488318 0.4236548  0.64589411]]]
(1, 2, 4)
[[[ 0.07261014 -0.5585205   0.29929006  0.0478835 ]
  [ 0.12995268 -0.06531391  0.13798538 -0.10690583]]]

如果使用二维卷积，则有：

import numpy as np
import tensorflow as tf
tf.enable_eager_execution()
np.random.seed(0)

timestep = 2
num_mfcc = 3

#mfcc = np.random.rand(1,timestep,num_mfcc)
mfcc = np.random.rand(1,timestep,num_mfcc,1)
print(mfcc.shape)
print(mfcc)
mfcc = tf.convert_to_tensor(mfcc,dtype=tf.float32,name='mfcc')
out = tf.keras.layers.Conv2D(filters=4,kernel_size=2,strides=1,padding="same")(mfcc)
print(out.numpy().shape)
print(out.numpy())

#结果
(1, 2, 3, 1)
[[[[0.5488135 ]
   [0.71518937]
   [0.60276338]]

  [[0.54488318]
   [0.4236548 ]
   [0.64589411]]]]

(1, 2, 3, 4)
[[[[-0.03934591 -0.332482   -0.05778596 -0.24500753]
   [-0.09447848 -0.49875036 -0.15079793 -0.08275565]
   [ 0.11487824 -0.10501289 -0.1826699  -0.3210651 ]]

  [[ 0.22380978 -0.15814964 -0.11571192 -0.04434876]
   [ 0.20537378 -0.13075545 -0.03344373 -0.0848015 ]
   [ 0.2155428  -0.17510419 -0.22685075  0.0272733 ]]]]

可以看到输入相同的情况下结果有很大的不同，原因是在一维卷积看来，num_mfcc这一维度相当于一维数据的通道数，所谓一维卷积的卷积核大小是kernal_size*num_mfcc，而在二维卷积看来，这个mfcc是个图片，num_mfcc是图片的宽度，整个图片的通道数只有1，所以卷积核大小是kernal_size*kernal_size*1。

卷积输出的维度只与卷积的两个参数有关：步移stride和卷积核数目filters(注意不是卷积核大小filter_size)

前者决定输出值的新timestep，后者决定输出值的最后一维（通常为特征维）的维度。

官方文档：

tf.keras.layers.Conv1D ：https://www.tensorflow.org/api_docs/python/tf/keras/layers/Conv1D

tf.keras.layers.MaxPool1D：https://www.tensorflow.org/api_docs/python/tf/keras/layers/MaxPool1D

tf.keras.layers.Conv2D ：https://www.tensorflow.org/api_docs/python/tf/keras/layers/Conv2D

tf.keras.layers.MaxPool2D：https://www.tensorflow.org/api_docs/python/tf/keras/layers/MaxPool2D