numpy手搓卷积

numpy实现卷积

1 卷积本质

• 设计这样的一个 滤波器（filter，也称为kernel），用这个filter，往我们的图片上“盖”，覆盖一块跟filter一样大的区域之后，对应元素相乘，然后求和。计算一个区域之后，就向其他区域挪动，接着计算，直到把原图片的每一个角落都覆盖到了为止。这个过程就是 “卷积”。
• 可以通过设计特定的filter，让它去跟图片做卷积，就可以识别出图片中的某些特征。
• CNN（convolutional neural network），主要就是通过一个个的filter，不断地提取特征，从局部的特征到总体的特征，从而进行图像识别等等功能
• filter中的参数是通过大量的数据，让机器自己去“学习”这些参数。

2 Padding方式

• 每次卷积，图像都缩小，采用padding的方法。每次卷积前，先给图片周围都补一圈空白，让卷积之后图片跟原来一样大，同时，原来的边缘也被计算了更多次。
• “让卷积之后的大小不变”的padding方式，称为 “Same”方式， 把不经过任何填白的，称为 “Valid”方式。

2.1 “Valid”方式

2.1 “Same”方式

2.3 Padding计算公式

3 多卷积核多通道

• 在单核单通道的基础上执行多遍，然后把结果累加。
• （1）一个循环是输入通道数对循环：把卷积核在每个通道数据上卷积，然后结果累加
• （2）一个循环是核个数对循环：每个卷积核执行步骤（1），然后把结果累加，如下图

4 代码实现（循环计算实现和矩阵计算实现）

4.1 一维卷积

在 NumPy 中实现卷积操作可以通过使用 numpy.convolve 函数或手动编写卷积操作的代码来完成。以下是两种方法的示例：

方法一：使用 numpy.convolve 函数

numpy.convolve 函数用于执行一维卷积操作。首先，您需要定义一个卷积核（滤波器），然后将它应用于输入信号。下面是一个示例：

import numpy as np

# 定义输入信号
signal = np.array([1, 2, 3, 4, 5])

# 定义卷积核（滤波器）
kernel = np.array([0.5, 1, 0.5])

#