【发布时间】：2020-01-23 03:27:34
【问题描述】：
我正在尝试对 2 个矩阵执行反向相关（至少我认为它是这样称呼的）以获得结果矩阵。
注意：反向卷积也可以，因为我将其应用于 CNN。
我有以下两个矩阵：
vals:
[[ 2 1 -3 -4 -4]
[ 2 -3 3 1 2]
[ 2 5 -6 6 -2]
[-5 4 1 5 4]
[ 0 0 1 -3 -4]]
w0:
[[[0, 1, -1],
[1, -1, 0],
[0, 0, 0]],
[[1, 0, 0],
[0, -1, 1],
[1, 0, 1]],
[[ 1, -1, 0],
[-1, 0, -1],
[-1, 0, 1]]]
我本质上想应用一个滑动窗口，除了在这种情况下，w0 的所有值都乘以vals 中每个点的标量值，然后加上相邻的值。
假设步幅为 1，填充相同（wrt vals），以下代码给出了我想要的结果：
concat = np.zeros((3,7,7))
for k in range(len(w0)):
for i in range(len(vals)):
for j in range(len(vals[i])):
v = w0[k] * vals[i][j]
concat[k][i:i+v.shape[0], j:j+v.shape[1]] += v
print(concat)
导致：
[[[ 0. 2. -1. -4. -1. 0. 4.]
[ 2. 1. -9. 5. -2. 5. -2.]
[ 2. -3. 9. -13. 13. -10. 2.]
[ 2. -2. -2. 9. -4. 1. -4.]
[ -5. 9. -3. 5. -5. -5. 4.]
[ 0. 0. 1. -4. -1. 4. 0.]
[ 0. 0. 0. 0. 0. 0. 0.]]
[[ 2. 1. -3. -4. -4. 0. 0.]
[ 2. -5. 4. 5. 3. 0. -4.]
[ 4. 4. -2. -3. -7. -5. -2.]
[ -3. -1. 3. 14. -3. 9. 0.]
[ 2. 10. -12. 11. -16. 7. 2.]
[ -5. 4. -4. 8. 9. 6. 0.]
[ 0. 0. 1. -3. -3. -3. -4.]]
[[ 2. -1. -4. -1. 0. 4. 0.]
[ 0. -6. 7. 1. 8. 2. 4.]
[ -2. 5. -11. 19. -12. -3. -6.]
[ -9. 7. 0. -11. 8. -9. 4.]
[ 3. -9. 13. -14. -10. 5. -6.]
[ 5. -4. -7. 2. 0. 8. 8.]
[ 0. 0. -1. 3. 5. -3. -4.]]]
然后我会缩小以排除填充，所以：
print(concat[:,1:-1, 1:-1])
>>> [[[ 1. -9. 5. -2. 5.]
[ -3. 9. -13. 13. -10.]
[ -2. -2. 9. -4. 1.]
[ 9. -3. 5. -5. -5.]
[ 0. 1. -4. -1. 4.]]
[[ -5. 4. 5. 3. 0.]
[ 4. -2. -3. -7. -5.]
[ -1. 3. 14. -3. 9.]
[ 10. -12. 11. -16. 7.]
[ 4. -4. 8. 9. 6.]]
[[ -6. 7. 1. 8. 2.]
[ 5. -11. 19. -12. -3.]
[ 7. 0. -11. 8. -9.]
[ -9. 13. -14. -10. 5.]
[ -4. -7. 2. 0. 8.]]]
concat 的两个结果中的任何一个都可以，但最好是包含填充的那个。
有谁知道不使用 python 循环的方法吗？我更喜欢使用 numpy 或其他一些库，因为它执行相同的计算必然比我的代码更快。
编辑：
我还想对w0 执行相同类型的后向相关，因此再次使用vals 而是使用：
a:
[[[2, 0, 2, 2, 2],
[1, 1, 0, 2, 0],
[0, 0, 1, 2, 2],
[2, 2, 2, 0, 0],
[1, 0, 1, 2, 0]],
[[1, 2, 1, 0, 1],
[0, 2, 0, 0, 1],
[0, 0, 2, 2, 1],
[2, 0, 1, 0, 2],
[0, 1, 2, 2, 2]],
[[0, 0, 2, 2, 2],
[0, 1, 2, 1, 0],
[0, 0, 0, 2, 0],
[0, 2, 0, 0, 2],
[0, 0, 2, 2, 1]]]
在这种情况下，沿a 使用 3x3 滑动窗口，填充为 1，并将滑动窗口中的所有值乘以 vals 中标量值的关联索引，最后得到相同的输出大小为w0。下面的代码实现了这一点：
concat = np.zeros((3,3,3))
for k in range(len(w0)):
f = np.pad(a[k], 1)
for i in range(len(vals)):
for j in range(len(vals[i])):
v = f[i:i+w0.shape[1], j:j+w0.shape[2]] * vals[i][j]
concat[k] += v
与：
print(concat)
>>>[[[ 4. 56. 8.]
[ 1. -20. 1.]
[ 22. 12. 21.]]
[[ 7. 18. 21.]
[ 5. -22. 20.]
[ 35. 26. 33.]]
[[ 20. 13. 4.]
[-25. 2. -26.]
[ -5. 15. 38.]]]
【问题讨论】：
标签： python numpy scipy conv-neural-network