numpy.convolve仅支持一维卷积且默认full模式，需按需选valid或same；二维卷积须用scipy.signal.convolve2d或fftconvolve，注意核翻转、边界处理及数据排布优化。
用 numpy.convolve 做一维卷积，但要注意模式和边界处理
直接调用 numpy.convolve 是最简方式，但它只支持一维、且默认是 full 模式（输出长度 = len(a) + len(v) - 1），容易导致结果比预期长。实际中常需要 mode='valid'（只保留完全重叠部分）或 mode='same'（输出与输入等长，补零对齐）。
常见错误：把图像当一维数组直接传给 numpy.convolve，结果错乱——它不理解二维结构，必须先展平或改用其他方法。
-
mode='valid'安全但会缩容，适合特征提取时丢弃边缘 -
mode='same'更常用，但需确认补零位置（numpy.convolve在两端补零，对称） - 若输入含 NaN，结果会全为 NaN，得先用
numpy.nan_to_num清理
二维卷积别硬套 numpy.convolve，改用 scipy.signal.convolve2d
NumPy 本身没有原生二维卷积函数。numpy.convolve 对二维数组会按行逐条卷，不是真正的二维滑动窗口。真需求是图像滤波、核运算时，必须用 scipy.signal.convolve2d。
它支持 mode（'full'/'valid'/'same'）、boundary（'fill' 默认补零，'wrap' 或 'symm' 可选）、以及 fillvalue 参数控制补什么值。
- 核（kernel）要以二维数组传入，且通常需上下翻转（
np.flip(kernel)），因为convolve2d实现的是数学卷积而非互相关；OpenCV 的filter2D则不做翻转，注意区分 - 若 kernel 太大（比如 >50×50），
convolve2d会变慢，可考虑 FFT 加速路径：scipy.signal.fftconvolve - 输入 dtype 影响性能：float32 比 float64 快约 2 倍，但精度够用时别默认用 float64
大尺寸图像卷积卡顿？试试 scipy.signal.fftconvolve
当输入尺寸 ≥ 1000×1000 且 kernel 尺寸 ≥ 32×32 时，FFT 方法通常比直接卷积快一个数量级。原理是把卷积转为频域乘法，fftconvolve 自动处理零填充和逆变换。
但它有隐含行为：默认在所有维度补零至下一个 2 的幂（影响内存），且不支持 boundary='wrap' 等非零延拓方式。
- 强制指定
axes参数可限定只在 H/W 维度做 FFT，避免通道维被误卷（如 RGB 图像要设axes=(-2,-1)） - 若输入含非均匀采样或需亚像素偏移，FFT 方法失效，得退回空间域
- 结果可能有极小的浮点残差（1e-15 量级），比较时别用
==，改用np.allclose
自己手写循环卷积？除非调试或教学，否则不推荐
有人为“理解原理”写三层 for 循环实现二维卷积，这在 Python 中极慢（比 fftconvolve 慢 1000 倍以上），且易出索引越界、步长/填充逻辑错误。
NumPy 的向量化能力已足够覆盖绝大多数场景，手动循环唯一合理用途是：验证第三方库输出、或实现非标准操作（如可变形卷积中的 offset map 插值）。
- 若真要写，务必用
np.pad显式处理边界，别靠 if 判断——分支预测失败会让速度雪上加霜 - 内层用
np.sum(kernel * patch)而非 Python sum + for，否则失去 NumPy 加速意义 - 即便如此，也建议先用
numba.jit编译，否则纯 Python 循环毫无实用价值
真正影响性能的往往不是函数选哪个，而是数据排布：确保输入是 C-contiguous（用 a = np.ascontiguousarray(a)）、kernel 小于 1MB、且 dtype 匹配。这些细节比纠结“该不该用 FFT”更容易被忽略。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
