Python 和 Julia 卷积之间的区别？

Question

我正在尝试将一段代码从 Python 转换为 Julia，但我很难理解以下卷积之间的输出差异：

Python:

conc = [10,100,1000,5,2000,200,20]
conc_filter = [1,2,3]
sp.ndimage.convolve1d(conc, conc_filter,axis=0,mode='constant')

输出：[ 120, 1230, 2305, 5010, 4215, 6420, 640]

朱莉娅：

conc = [10,100,1000,5,2000,200,20]
conc_filter = [1,2,3]
conv(conc,conc_filter)

输出：[10, 120, 1230, 2305, 5010, 4215, 6420, 640, 60]

谁能解释为什么输出长度不同？在尝试重新创建 Python 输出时，我试图提出一个逻辑公式，将 input/filter 大小与切片 conv 输出所需的索引范围相关联并获得相同的结果。但是，我没有太多运气。是否有可以产生相同输出的 Julia 函数？

Answer 1

假设我正确理解你的问题：

根据 this stackexchange 上的回答，Julia 示例的向量长度是正确的。

N + M - 1 给出的输出向量长度为 9，如 Julia 答案所示。

您确定 Python 代码 and/or 复制的输出正确吗？

Answer 2

您使用什么 Python conv 例程？这是 Python 的 numpy 卷积：

>>> conc = [10,100,1000,5,2000,200,20]
>>> conc_filter = [1,2,3]

>>> numpy.convolve(conc, conc_filter,axis=0,mode='constant')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
TypeError: convolve() got an unexpected keyword argument 'axis'

>>> numpy.convolve(conc, conc_filter)
array([  10,  120, 1230, 2305, 5010, 4215, 6420,  640,   60])

您可能需要查看 Python 包的文档，了解如何使 fft() 类型的例程执行您需要的操作。

Answer 3

对于那些感兴趣的人，我制定了 'constant' 模式中使用的填充方案，作为参数传递给 Python 卷积函数。难以找到 input/output 大小之间的关系是由于对称和非对称卷积滤波器的左右填充方式。

下面的 Julia 代码似乎与所有测试的 input/output 的 Python 等效。

conc = [10,100,1000,5,2000,200,20]
conc_filter = [1,2,3]

n=length(conc)
m=length(conc_filter)

padleft=ceil(Int32,m/2)-1
padright=floor(Int32,m/2)

conc =append!(zeros(padleft),conc)
conc = append!(conc,zeros(padright))

out = zeros(n)
for i in 1:n
    for j in 1:m
        out[i] += conc[i+j-1]*conc_filter[m-j+1]
    end
end
out

结果： [ 120, 1230, 2305, 5010, 4215, 6420, 640]

Python 和 Julia 卷积之间的区别？

Differences between Python and Julia convolutions?

python

convolution

julia