一维卷积（1D-CNN）、二维卷积（2D-CNN）、三维卷积（3D-CNN）

一维卷积神经网络（1D-CNN）

一维卷积常用在序列模型、自然语言处理领域；

假设输入数据维度为8，filter维度为5；

不加padding时，输出维度为4，如果filter的数量为16，那么输出数据的shape就是；

---

二维卷积神经网络（2D-CNN）

二维卷积常用在计算机视觉、图像处理领域（在视频的处理中，是对每一帧图像分别利用CNN来进行识别，没有考虑时间维度的信息）；

假设原始图像 shape 为（其中3为3个通道），使用32个大小为（其中3为深度，与通道数相同）的卷积核对其进行卷积，得到特征图的shape为；

---

三维卷积神经网络（3D-CNN）

在神经网络的输入中增加时间这个维度（连续帧），神经网络就可以同时提取时间和空间特征，进行行为识别、视频处理；

比如：对3幅连续帧用三维卷积核进行卷积，可以理解为用3个不同的二维卷积核（二维卷积神经网络中使用的卷积核）卷积3张图，并将卷积结果相加（通过这种处理，网络就提取了时间之间的某种相关性）；

三维卷积神经网络的训练和卷积神经网络的训练方式相同；参考：深度网络的训练过程与方法

在文献《3D Convolutional Neural Networks for Human Action Recognition》中三维卷积与二维卷积的对比图如下：

  

上图的三维卷积是对连续的三帧图像进行卷积操作（堆叠多个连续帧组成一个立方体，在立方体中利用三维卷积核进行卷积，这样得到的每个特征map都与上一层中3个邻近的连续帧相连）；

三维卷积神经网络架构如下图：

input：7张大小为的连续帧；

hardwired，H1：通过设定的hardwired kernels获得5种特征（灰度、x方向梯度、y方向梯度、x方向光流、y方向光流），前三个特征可以对每帧分别操作获得，光流则需要利用2帧信息获得，所以H1层特征map数量为7+7+7+6+6=33；

convolution C2：3D卷积核的大小为（3为时间维度），即每次操作3帧图像，采用了2种不同的3D卷积核，增加了maps数量；

sub-sampling S3：按照图中降采样后maps数量保持不变，maps大小减半；

后面操作分析类似。