Python 被3x3二维卷积的索引搞糊涂了

我被

scipy.ndimage.convalve

的过滤器数组索引搞糊涂了

最简单的例子是，Identity按我的预期工作——我得到了相同的矩阵

但我认为一个过滤器就像：

0, 0, 0
0, 0, 1
0, 0, 0

应该给我原始矩阵左移一列，右边缘有零填充

相反，结果是将原始矩阵向右移动，在左列中添加零填充

在另一个维度上的位移也得到了类似的结果。向上似乎向下，向左似乎向右

这让我觉得我对numpy索引（这是很有可能的）或卷积的作用（我认为它是滤波器的每个单元乘以矩阵的相应单元的乘积之和，滤波器像牛眼一样居中于矩阵的相关单元上）有一些基本的误解

---

在卷积和互相关之间只有一点区别（您对此有点困惑）

给定一个矩阵和一个过滤器：

如果将过滤器按原样乘以（的对应单元格） 矩阵，然后求和，则为互相关

如果将过滤器的镜像（上下）乘以 矩阵的（对应单元格），然后求和，则为 卷积

SciPy与原始定义一致，因此它给出了这样的（正确的）结果（您没有预料到）

当涉及到深度学习/神经网络时，使用的卷积有一个参数

flip\u filters=True

（可能在不同的库中有不同的名称）。所以，在这里（在深度学习中），它们实际上是互相关的

---

要了解更多信息：，

这是否回答了您的问题？

from scipy import ndimage

a = np.array([[1, 2, 0, 0],
              [5, 3, 7, 4],
              [0, 5, 1, 7],
              [9, 3, 0, 0]])

#k = np.array([[0,0,0],[0,1,0],[0,0,0]])   #identity

#expect: each cell in a' = its right neighbor in a
#actual: each cell in a' = its LEFT neighbor in a
k = np.array([[0,0,0],[0,0,1],[0,0,0]])  

cvo = ndimage.convolve(a, k, mode='constant', cval=0.0)

cvo