使用 Conv2D 时，input_shape 不必为 (1,68,2)。样本的数量与卷积无关，无论如何每次都会给层一个样本。

变化的是卷积输入的空间维度数：

• 对于 Conv1D，只使用一个维度，因此卷积在第一个轴（大小68）上运行。
• 使用 Conv2D，使用二维，因此卷积在定义数据的两个轴上运行（大小(68,2)）

因此，您必须仔细选择过滤器尺寸。例如，如果您选择过滤器大小 (4,2) 的 Conv2D，它将产生与大小 (4) 的 Conv1D 相同的结果，因为它将完全在数据的第二个轴上运行。

最后，没有回应什么是最好的方法。一般来说，Conv2D 在图像上效果很好，而 Conv1D 在文本上效果很好。考虑到第二维数据的大小，Conv2D 似乎没有多大意义，因此 Conv1D 应该可以正常工作。

总之，在一维 CNN 中，内核向 1 个方向移动。1D CNN 的输入和输出数据是二维的。主要用于时间序列数据。

在 2D CNN 中，内核向 2 个方向移动。2D CNN 的输入和输出数据是 3 维的。主要用于图像数据。

在 3D CNN 中，内核沿 3 个方向移动。3D CNN 的输入和输出数据是 4 维的。主要用于 3D 图像数据（MRI、CT 扫描）。

您可以在此处找到更多详细信息。