兩個n維陣列的卷積，兩個陣列的維度必須相同！！！
scipy.signal.convolve(input1, input2, mode=『full』, method=『auto』)引數介紹：
input1：第乙個陣列
input2：第二個陣列
mode：有三個模式（ 『full』， 『valid』， 『same』）可選，輸出大小與此引數有關。
method：有三個模式 （『auto』，『direct』，『fft』），可選，指用於計算卷積的方法。
（1）direct：卷積是直接從總和（卷積的定義）中確定的。
（2）fft：傅利葉變換用於通過呼叫進行卷積。
（3）auto：根據估計更快的速度自動選擇直接或傅利葉方法（預設）
1. 例子1（一維）：
import scipy.signal
input1 =[1
,2,3
,4,6
,8]input2 =
[0.1
,0.4
,0.5
]result1 = scipy.signal.convolve(input1, input2)
result2 = scipy.signal.convolve(input1, input2, mode=
'same'
)result3 = scipy.signal.convolve(input1, input2, mode=
'valid'
)print
(result1)
print
(result2)
print
(result3)
[
0.10.6
1.62.6
3.75.2
6.24.]
[0.6
1.62.6
3.75.2
6.2]
[1.6
2.63.7
5.2]
首先input2『翻轉』，即[0.5 , 0.4, 0.1]
（1）預設 mode = 『full』，有零填充
第乙個元素：0.5 x 0 + 0.4 x 0 + 0.1 x 1 = 0.1
第二個元素：0.5 x 0 + 0.4 x 1 + 0.1 x 2 = 0.6
…第七個元素：0.5 x 6 + 0.4 x 8 + 0.1 x 0 = 6.2
第八個元素：0.5 x 8 +0.4 x 0 + 0.1 x 0 = 4
（2）mode = 『same』，輸出與input1相同，在 mode = 『full』 結果的中心
（3）mode = 『valid』 ，無零填充，result每個元素都是 input1 和 input2 中的元素相乘再相加得來的，即result中每個元素都是有效的。
2. 例子2（二維）：
input1 =[[
1,2,
3],[
4,4,
7],[
8,9,
0]]input2 =[[
0.1,
0.4],[
0.3,
0.2]
]
第一步：對卷積核進行旋轉，
第二步：計算卷積
（1）mode = 『full』: 輸出是輸入的完整離散線性卷積，有零填充。（預設）
第乙個元素 output[0][0] ：0.2 x 0 + 0.3 x 0 + 0.4 x 0 + 0.1 x 1 = 0.1
第二個元素 output[0][1] ：0.2 x 0 + 0.3 x 0 + 0.4 x 1 + 0.1 x 2 = 0.6
第三個元素 output[0][2] ：0.2 x 0 + 0.3 x 0 + 0.4 x 2 + 0.1 x 3 = 1.1
第四個元素 output[0][3] ：0.2 x 0 + 0.3 x 0 + 0.4 x 0.3 + 0.1 x 0 = 1.2
第五個元素 output[1][0] ：0.2 x 0 + 0.3 x 1 + 0.4 x 0 + 0.1 x 4 = 0.7
第六個元素 output[1][1] ：0.2 x 1 + 0.3 x 2 + 0.4 x 4 + 0.1 x 4 = 2.8……
…最終結果：
這個結果就是 mode = 『full』 的結果。
（2）mode = 『valid』： 輸出僅包含不依賴零填充的那些元素。在「valid」模式下，input1或input2 在每個維度上都必須至少與另乙個一樣大。
output[0][0] ：0.2 x 1 + 0.3 x 2 + 0.4 x 4 + 0.1 x 4 = 2.8
output[0][1] ：0.2 x 2 + 0.3 x 3 + 0.4 x 4 + 0.1 x 7 = 3.6
output[1][0] ：0.2 x 4 + 0.3 x 4 + 0.4 x 8 + 0.1 x 9 = 6.1
output[1][1] ：0.2 x 4 + 0.3 x 7 + 0.4 x 9 + 0.1 x 0 = 6.5
最終結果：
（3）mode = 『same』： 輸出與input1相同，在 mode = 『full』 結果的中心（本例子在 4x4 矩陣中，故中心結果如下）。
最終結果：
只能計算兩個一維序列的離散線性卷積
numpy.convolve(input1, input2, mode=『full』)引數介紹：
input1：第乙個陣列（一維，shape為（n， ））
input2：第二個陣列（一維，shape為（m， ））
mode：有三個模式（ 『full』， 『valid』， 『same』），同上！
（1）『full』 ： 輸出的 shape 為 ( n + m - 1 ， )
（2）『same』: 輸出的長度為 max( m , n )
（3）『valid』: 輸出的長度為 max( m , n ) - min( m , n ) + 1.
例子：
input1 =[1
,2,3
,4,6
,8]input2 =
[0.1
,0.4
,0.5
]result1 = np.convolve(input1, input2)
result2 = np.convolve(input1, input2, mode=
'same'
)result3 = np.convolve(input1, input2, mode=
'valid'
)print
(result1)
print
(result2)
print
(result3)
[
0.10.6
1.62.6
3.75.2
6.24.]
[0.6
1.62.6
3.75.2
6.2]
[1.6
2.63.7
5.2]
卷積中的引數
卷積引數 引數,filter多少,卷積核大小 32 32 3 5 5 3卷積後,得到 28 28 1 計算公式 32 5 1,若使用6個filter 那麼就是得到28 28 6個輸出 即 加上bias後,5 5 3 6 6 456個引數 卷積後的大小計算 關鍵引數 步長,卷積核大小 n f stri...
caffe中的卷積
如上，將三維的操作轉換到二維上面去做，然後呼叫gemm庫進行矩陣間的運算得到最後結果。兩個矩陣相乘，需要中間的那個維度相同，這個相同的維度就是c k k，其中c是feature map的維度，k為卷積核的邊長。按照卷積核在feature map上面滑窗的順序將其展開成二維的。在三維上面看，就是卷積核...
深入理解卷積網路中的 「卷積」
你可以把卷積想象成一種混合資訊的手段。想象一下裝滿資訊的兩個桶，我們把它們倒入乙個桶中並且通過某種規則攪拌攪拌。也就是說卷積是一種混合兩種資訊的流程 卷積過程是基於乙個小矩陣，也就是卷積核，在上面所說的每層畫素矩陣上不斷按步長掃過去的，掃到數與卷積核對應位置的數相乘，然後求總和，每掃一次，得到乙個值...