主要用到的卷积层有Conv1D、Conv2D；简单讲，神经网络中卷积层的作用是用来做特征提取的
Conv1D
keras.layers.Conv1D(filters, kernel_size, strides=1, padding='valid', activation=None)
一维卷积对提供的数据进行单维度处理，如果卷积层放在第一层之上，还需要提供input_shape参数，例如（10,128）表示10个128维组成的向量序列。
- filters：卷积层输出维度
- kernel_size：卷积窗口大小
- strides：卷积窗口移动步长
- padding：valid表示不填充特征边界，same表示填充输入特征以使与原始输入长度相同
- activation：卷积输出前使用激活函数对张量进行处理
Conv2D
keras.layers.Conv2D(filters, kernel_size, strides=(1, 1), padding='valid', activation=None)
二维卷积主要应用于图形数据处理，如果卷积层放在第一层之上，还需要提供input_shape参数，例如 input_shape=(128, 128, 3) 表示 128x128 RGB 图像。
- filters：卷积层输出维度
- kernel_size：包含2个整数的元组，用来指定卷积窗口的宽度和高度；也可以是一个整数，为所有空间维度指定相同值
- strides：包含2个整数的元组，用来指定窗口宽度和高度的步长，如果是一个值为所有空间指定相同的值
- padding：valid表示不填充特征边界，same表示填充输入特征以使与原始输入长度相同
- activation：卷积输出前使用激活函数对张量进行处理
