Answers:
唯一的区别是输入空间的维度。卷积层的输入具有以下形状：
input_shape =（批处理大小，input_dims，通道）
conv1D的输入形状：（batch_size，W，channels）
示例：1秒以44100 Hz采样的立体声信号，形状：（batch_size，44100,2）
conv2D的输入形状：（batch_size，（H，W），channels）
示例：32x32 RGB图像，形状：（batch_size，32,32,3）
conv3D的输入形状：（batch_size，（H，w，D），channels）
示例（比较棘手）：1秒视频，以24 fps播放32x32 RGB图像，形状：（batch_size，32,32,3,24）
什么是频道？
关键是要考虑通道对我们的输入数据意味着什么。卷积层对每个通道应用不同的滤镜，因此，卷积层的权重具有以下形状：
(kernel_size,num_channels,num_filter_per_channels)例：
卷积层具有12个过滤器和大小为3的平方核矩阵。该层将为每个通道应用12个不同的过滤器。在前面给出的示例中：
1秒立体声语音信号以44100 Hz采样，kernel_size = 3
12 x 2 = 24个一维滤波器，每个通道12个滤波器
Weigths shape: (3, 2, 12)32x32 RGB图像，kernel_size =（3,3）
12 x 3 = 36个二维滤波器，每个通道12个滤波器
Weights shape: (3, 3, 3, 12)1秒以24 fps播放32x32 RGB图像的视频，kernel_size =（3,3,3）
24 x 12 = 288个三维滤镜，每个通道12个滤镜
Weights shape: (3, 3, 3, 24, 12)因此，确定通道的含义非常重要，因为每个通道都有自己的一组过滤器。对于第一个示例，似乎很容易确定立体声信号和RGB图像是不同的通道...它们的确通常这样命名（立体声通道，RGB通道）。在视频示例中，它更加模棱两可...将视频设置为以时间维度为通道的3D输入可能不是最佳选择，因为那样，时间帧的顺序无关紧要（对每个通道的滤波器进行求和），从而导致输入数据的固有时间动态丢失。一种更好的方法（取决于应用程序）是在循环神经网络中以2D卷积处理RGB图像。语音信号也一样
重要的是要注意，输入维度为D的信号可以被视为具有一个通道的D + 1维度的信号，但是所得到的特征空间可能不太具有代表性/ 有用：
(44100,2) --> expand_dimension(axis=-1)--> ((44100,2),1)Keras代码支持示例
from keras import Input, Conv1D, Conv2D, Conv3D
#1D
in_ = Input(shape=(44100,2))
layer = Conv1D(filters=12,kernel_size=3)
out_ = layer(in_)
print("Weights shape: {}".format(layer.get_weights()[0].shape))
#2D
in_ = Input(shape=(32,32,3))
layer = Conv2D(filters=12,kernel_size=3)
out_ = layer(in_)
print("Weights shape: {}".format(layer.get_weights()[0].shape))
#3D
in_ = Input(shape=(32,32,3,24))
layer = Conv3D(filters=12,kernel_size=3)
out_ = layer(in_)
print("Weights shape: {}".format(layer.get_weights()[0].shape))