• nb_filter：卷积核的数目（即输出的维度）
• filter_length：卷积核的空域或时域长度
• init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递 weights 参数时有意义。
• activation：激活函数，为预定义的激活函数名，或逐元素（ element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数： a(x)=x）
• weights：权值，为numpy array的list。该list应含有一个形如（ input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。
• border_mode：边界模式，为“valid”或“same”
• subsample_length：输出对输入的下采样因子
• W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
• b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
• activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象
• W_constraints：施加在权重上的约束项，为Constraints对象
• b_constraints：施加在偏置上的约束项，为Constraints对象
• bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换）
• input_dim：整数，输入数据的维度。当该层作为网络的第一层时，必须指定该参数或 input_shape 参数。
• input_length：当输入序列的长度固定时，该参数为输入序列的长度。当需要在该层后连接 Flatten 层，然后又要连接 Dense 层时，需要指定该参数，否则全连接的输出无法计算出来。

# apply a convolution 1d of length 3 to a sequence with 10 timesteps,
# with 64 output filters
model = Sequential()
model.add(Convolution1D(64, 3, border_mode='same', input_shape=(10, 32)))
# now model.output_shape == (None, 10, 64)
# add a new conv1d on top
model.add(Convolution1D(32, 3, border_mode='same'))
# now model.output_shape == (None, 10, 32)

可以将Convolution1D看作Convolution2D的快捷版，对例子中（ 10， 32）的信号进行1D卷积相当于对其进行卷积核为（ filter_length, 32）的2D卷积。

• atrous_rate:卷积核膨胀的系数，在其他地方也被称为'filter_dilation'

• nb_filter：卷积核的数目
• nb_row：卷积核的行数
• nb_col：卷积核的列数
• init：初始化方法，为预定义初始化方法名的字符串，或用于初始化权重的Theano函数。该参数仅在不传递 weights 参数时有意义。
• activation：激活函数，为预定义的激活函数名，或逐元素（ element-wise）的Theano函数。如果不指定该参数，将不会使用任何激活函数（即使用线性激活函数： a(x)=x）
• weights：权值，为numpy array的list。该list应含有一个形如（ input_dim,output_dim）的权重矩阵和一个形如(output_dim,)的偏置向量。
• border_mode：边界模式，为“valid”或“same”
• subsample：长为2的tuple，输出对输入的下采样因子，更普遍的称呼是“strides”
• W_regularizer：施加在权重上的正则项，为WeightRegularizer对象
• b_regularizer：施加在偏置向量上的正则项，为WeightRegularizer对象
• activity_regularizer：施加在输出上的正则项，为ActivityRegularizer对象
• W_constraints：施加在权重上的约束项，为Constraints对象
• b_constraints：施加在偏置上的约束项，为Constraints对象
• dim_ordering： ‘th’或‘tf’。
• bias：布尔值，是否包含偏置向量（即层对输入做线性变换还是仿射变换）

# apply a 3x3 convolution with 64 output filters on a 256x256 image:
model = Sequential()
model.add(Convolution2D(64, 3, 3, border_mode='same', input_shape=(3, 256, 256)))
# now model.output_shape == (None, 64, 256, 256)

1.4. AtrousConvolution2D层

1.5. SeparableConvolution2D层

1.6. Deconvolution2D层

1.7. Convolution3D层

1.8. Cropping1D层

1.9. Cropping2D层

1.10. Cropping3D层

2.5. GlobalAveragePooling1D层  GlobalAveragePooling2D层