如有錯誤，歡迎斧正。

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，二者呼叫的最後的程式碼都是後端程式碼（以TensorFlow為例，在tensorflow_backend.py裡面可以找到）：

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傳遞的引數不同，input不必說，filter=kernel是什麼呢？

我們進入Conv1D和Conv2D的原始碼看一下。他們的程式碼位於layers/convolutional.py裡面，二者繼承的都是基類_Conv(Layer)。進入_Conv類檢視程式碼可以發覺以下程式碼：

self.kernel_size = conv_utils.normalize_tuple(kernel_size, rank, 'kernel_size')
……#中間程式碼省略
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函式可以看到：

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
 

所以上述程式碼得到的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，那麼得到的kernel_size就是（3,）如果是Conv2D，那麼得到的是（3,3）

input_dim = input_shape[channel_axis]
kernel_shape = self.kernel_size + (input_dim, self.filters)

又因為以上的inputdim是最後一維大小(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設定為自己的元組例如（3,300），那麼傳根據conv_utils.normalize_tuple函式，最後的kernel_size會返回我們自己設定的元組，也即（3,300）那麼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，為什麼在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，那麼一個序列輸入到網路中就是（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路進行了n_gram=3的特徵提取了。這也是為什麼使用卷積神經網路處理文字會非常快速有效的內涵。