numpy中的convolve的理解

函数

numpy.convolve(a, b, mode=‘full’)，这是numpy函数中的卷积函数库
　　参数：
　　　　a:(N,)输入的一维数组
　　　　b:(M,)输入的第二个一维数组
　　　　mode:{‘full’, ‘valid’, ‘same’}参数可选
　　　　　　‘full’　默认值，返回每一个卷积值，长度是N+M-1,在卷积的边缘处，信号不重叠，存在边际效应。
　　　　　　‘same’　返回的数组长度为max(M, N),边际效应依旧存在。
　　　　　　‘valid’ 　返回的数组长度为max(M,N)-min(M,N)+1,此时返回的是完全重叠的点。边缘的点无效。
直观理解

数字输入的是离散信号,如下图。
已知x[0] = a,x[1]=b,x[2]=c

 

已知y[0]=i,y[1]=j,y[2]=k

 

下面演示x[n]*y[n]过程
第一步，x[n]乘以y[0]并平移到位置0：

 

第二步，x[n]乘以y[1]并平移到位置1：

 

第三步，x[n]乘以y[2]并平移到位置2：

 

最后，把上面三个图叠加，就得到了x[n] * y[n]：

 

公式及代码

    公式：
    代码：
    由上面的公式可以直接得到下面的数组

>>> np.convolve([1, 2, 3], [0, 1, 0.5])
array([ 0. ,  1. ,  2.5,  4. ,  1.5])

    1
    2

数组中的5个点分别最后一张图片中的五个值

>>> np.convolve([1,2,3],[0,1,0.5], 'same')
array([ 1. ,  2.5,  4. ])

    1
    2

三个值分别对应图片中的（1、2、3）三个下标的值

>>> np.convolve([1,2,3],[0,1,0.5], 'valid')
array([ 2.5])

    1
    2

对应图片坐标为2的值

转自：https://blog.csdn.net/u011599639/article/details/76254442