### 使用 NumPy 实现矩阵与卷积核的卷积运算 为了实现一个 \(m \times n\) 矩阵与 \(k \times k\) 卷积核之间的卷积运算，可以通过手动滑动窗口的方式完成。以下是详细的实现过程： #### 代码实现 ```python import numpy as np def convolve(matrix, kernel): # 获取输入矩阵和卷积核的形状 m, n = matrix.shape k = kernel.shape[0] # 计算输出矩阵的维度 output_rows = m - k + 1 output_cols = n - k + 1 # 初始化输出矩阵 result = np.zeros((output_rows, output_cols)) # 执行卷积操作 for i in range(output_rows): for j in range(output_cols): sub_matrix = matrix[i:i+k, j:j+k] # 提取子矩阵 result[i, j] = np.sum(sub_matrix * kernel) # 子矩阵与卷积核相乘求和 return result # 示例矩阵和卷积核 matrix = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 1, 2, 3], [4, 5, 6, 7]]) kernel = np.array([[1, 0], [-1, 1]]) result = convolve(matrix, kernel) print(result) ``` #### 解释 上述代码实现了二维卷积操作。核心逻辑是对输入矩阵逐个提取大小为 \(k \times k\) 的子矩阵，并将其与卷积核对应位置相乘后求和[^3]。最终结果存储在一个新的矩阵中，其大小由输入矩阵和卷积核共同决定。 对于给定的输入矩阵 \(A_{m\times n}\) 和卷积核 \(K_{k\times k}\)，输出矩阵的大小为： \[ (m-k+1) \times (n-k+1) \] 这是因为每次滑动窗口时，只考虑那些完全覆盖的部分[^4]。 #### 边界填充（Padding） 如果不希望输出矩阵缩小，可以在输入矩阵周围填充零值（Zero Padding）。例如，若需要保持原矩阵大小不变，则可设置 padding 宽度为 \(\lfloor(k-1)/2\rfloor\)。 ##### 修改后的代码支持 Padding ```python def convolve_with_padding(matrix, kernel, pad_width=0): m, n = matrix.shape k = kernel.shape[0] # 增加边界填充 padded_matrix = np.pad(matrix, pad_width, 'constant', constant_values=0) # 更新输出矩阵尺寸 output_rows = m - k + 1 + 2*pad_width output_cols = n - k + 1 + 2*pad_width result = np.zeros((output_rows, output_cols)) for i in range(output_rows): for j in range(output_cols): sub_matrix = padded_matrix[i:i+k, j:j+k] result[i, j] = np.sum(sub_matrix * kernel) return result # 测试带边界的卷积 padded_result = convolve_with_padding(matrix, kernel, pad_width=1) print(padded_result) ``` 此版本允许指定 `pad_width` 参数来控制填充宽度，从而调整输出矩阵的大小[^4]。 --- ###