批量卷积2d在numpy没有scipy？

Question

我有一批的存储在数组中xbm x n图像，和卷积滤波器尺寸p x q，我想应用到每个图像的f在批处理（然后使用总和池和存储在一个阵列y），即all(np.allclose(y[i][j][k], (x[i, j:j+p, k:k+q] * f).sum()) for i in range(b) for j in range(m-p+1) for k in range(n-q+1))为真。

适应this answer，我可以写：

b, m, n, p, q = 6, 5, 4, 3, 2 
x = np.arange(b*m*n).reshape((b, m, n)) 
f = np.arange(p*q).reshape((p, q)) 
y = [] 
for i in range(b): 
    shape = f.shape + tuple(np.subtract(x[i].shape, f.shape) + 1) 
    strides = x[i].strides * 2 
    M = np.lib.stride_tricks.as_strided(x[i], shape=shape, strides=strides) 
    y.append(np.einsum('ij,ijkl->kl', f, M)) 
assert all(np.allclose(y[i][j][k], (x[i, j:j+p, k:k+q] * f).sum()) for i in range(b) for j in range(m-p+1) for k in range(n-q+1)) 

，但我觉得有一种方法，只用一个einsum做到这一点，因为b通常是100和1000

之间这将是对我有用的

如何使我的方法适应仅使用一个einsum？此外，对于我的目的，我不能带scipy或除numpy之外的任何其他依赖项。

Answer 1

只需要将shape设为5d即可得到strides以匹配shape。

shape = f.shape + (x.shape[0],) + tuple(np.subtract(x.shape[1:], f.shape) + 1) 
strides = (x.strides * 2)[1:] 
M = np.lib.stride_tricks.as_strided(x, shape=shape, strides=strides) 
y = np.einsum('pq,pqbmn->bmn', f, M) 

现在M可能会得到非常大的，如果b变得非常大，但它适用于你的玩具问题。