• “我想知道conv1d工作原理以及一维卷积中的二维内核大小的含义”*

它没有任何理由不起作用。在引擎盖下，所有这些“卷积”意味着“点积”，现在它可以是矩阵和向量之间，矩阵和矩阵之间，向量和向量之间，等等。简单地说，1D和2D卷积之间的真实的区别是人们可以沿着输入的空间维度移动。这意味着如果你看1D卷积**，它只能沿着一个方向移动，也就是说，输入的时间维（注意，内核可以是向量，矩阵，不管是什么）。另一方面，2D卷积可以自由地沿着输入的2维（高度和宽度）移动，也就是空间维。如果它仍然看起来令人困惑，请看下面的gif。

1D卷积的实际应用：

• 注意：这是一个1D卷积，内核大小为3x3，请看它如何仅向下移动输入，即时间维。*

2D卷积的作用：

• 注意：这是一个2D卷积，核大小为3x3，请看它如何沿着输入的宽度和高度移动，这是空间维度。*

我想现在很清楚1D和2D conv之间的实际区别是什么，以及为什么它们对相同的输入会产生不同的结果。

目前公认的答案是不正确的，所以我写这一个。
在提问者给出的例子中，两个卷积是相同的，直到参数的随机初始化。这是因为两者都使用相同的底层实现，只是传递不同的参数，如内核大小。nn.Conv1d、nn.Conv2d和nn.Conv3d对它们的输入的解释不同。例如，对于nn.Conv2d，kernel_size=3将变成(3,3)，但是对于nn.Conv1d，(3,)将变成nn.Conv1d。
但是，您可以强制这些参数为正确的形状。请注意，在下面的一些示例中，需要指定跨距和扩张：

import torch
from torch import nn

conv1d = nn.Conv1d(1, 1, 3, padding='same', bias=False)
conv2d = nn.Conv2d(1, 1, (3,), stride=(1,), dilation=(1,), padding='same', bias=False)
conv3d = nn.Conv3d(1, 1, (3,), stride=(1,), dilation=(1,), padding='same', bias=False)
conv1d.weight.data.fill_(1)
conv2d.weight.data.fill_(1)
conv3d.weight.data.fill_(1)
x = torch.rand(1, 1, 100)
assert (conv1d(x) == conv2d(x)).all() and (conv1d(x) == conv3d(x)).all()

conv1d = nn.Conv1d(1, 1, (3,3), padding='same', bias=False)
conv2d = nn.Conv2d(1, 1, 3, padding='same', bias=False)
conv3d = nn.Conv3d(1, 1, (3,3), stride=(1,1), dilation=(1,1), padding='same', bias=False)
conv1d.weight.data.fill_(1)
conv2d.weight.data.fill_(1)
conv3d.weight.data.fill_(1)
x = torch.rand(1, 1, 100, 100)
assert (conv1d(x) == conv2d(x)).all() and (conv1d(x) == conv3d(x)).all()

conv1d = nn.Conv1d(1, 1, (3,3,3), stride=(1,1,1), dilation=(1,1,1), padding='same', bias=False)
conv2d = nn.Conv2d(1, 1, (3,3,3), stride=(1,1,1), dilation=(1,1,1), padding='same', bias=False)
conv3d = nn.Conv3d(1, 1, 3, padding='same', bias=False)
conv1d.weight.data.fill_(1)
conv2d.weight.data.fill_(1)
conv3d.weight.data.fill_(1)
x = torch.rand(1, 1, 100, 100, 100)
assert (conv1d(x) == conv2d(x)).all() and (conv1d(x) == conv3d(x)).all()

如果nn.Conv1d只能“仅沿一个方向移动”（如当前接受的答案中所述），则此等式将不起作用，因为两个空间维度都比内核大小大得多。如果nn.Conv1d被锁定为仅沿一个方向移动，则它不可能生成完整的100 x100输出。
您可以在https://discuss.pytorch.org/t/conv1d-kernel-size-explained/84323/4中阅读更多内容，正如@trialNerror在问题的注解中指出的那样。