如何仅在指定位置执行二维卷积以降低计算与内存开销

不需要调用全图卷积类的内置函数，直接基于卷积的计算逻辑取对应区域计算即可，计算量仅和卷积核大小相关，和输入数据的整体尺寸无关，完全适配N、M为10000级别的场景，内存和计算开销都可以压到最低。

卷积的本质就是卷积核（或互相关核，取决于你遵循的卷积定义）在对应感受野内和输入逐元素相乘后求和，要拿单个坐标的输出值，根本不需要遍历全图所有位置，只需要取出该坐标对应的输入感受野切片，和卷积核做乘加计算就行。

具体实现逻辑 #

首先确认两个基础配置：

• 卷积的锚点位置：常规3x3卷积的锚点在核的中心，也就是kernel[1,1]位置对齐你要计算的目标坐标点
• padding规则：分为valid（不补边，越界点无输出）和same（补0/补指定值，保证输出和输入尺寸一致）两种，按需选择即可

代码实现 #

import numpy as np

def calc_single_conv_point(data, kernel, target_x, target_y, pad_mode="same", flip_kernel=False):
    """
    计算输入数据上单个坐标点的卷积输出值
    :param data: 二维输入数组，shape (H,W)
    :param kernel: 二维卷积核，shape (kH,kW)
    :param target_x: 目标点x坐标（行号）
    :param target_y: 目标点y坐标（列号）
    :param pad_mode: padding模式，支持valid/same，same模式默认补0
    :param flip_kernel: 是否翻转卷积核，传统数字图像处理卷积需设为True，深度学习框架的Conv2d（互相关）设为False即可
    """
    k_h, k_w = kernel.shape
    anchor_h, anchor_w = k_h // 2, k_w // 2

    # 计算感受野在原数据上的坐标范围
    h_start = target_x - anchor_h
    h_end = target_x + (k_h - anchor_h)
    w_start = target_y - anchor_w
    w_end = target_y + (k_w - anchor_w)

    if pad_mode == "valid":
        if h_start < 0 or h_end > data.shape[0] or w_start <0 or w_end > data.shape[1]:
            raise ValueError("目标坐标超出valid卷积的合法输出范围")
        data_patch = data[h_start:h_end, w_start:w_end]
    elif pad_mode == "same":
        data_patch = np.zeros((k_h, k_w), dtype=data.dtype)
        # 计算原数据和patch的重叠区域坐标
        p_h_st = max(0, -h_start)
        p_h_ed = k_h - max(0, h_end - data.shape[0])
        p_w_st = max(0, -w_start)
        p_w_ed = k_w - max(0, w_end - data.shape[1])
        d_h_st = max(0, h_start)
        d_h_ed = min(data.shape[0], h_end)
        d_w_st = max(0, w_start)
        d_w_ed = min(data.shape[1], w_end)
        data_patch[p_h_st:p_h_ed, p_w_st:p_w_ed] = data[d_h_st:d_h_ed, d_w_st:d_w_ed]
    else:
        raise ValueError("仅支持valid、same两种padding模式")
    
    # 按需翻转卷积核
    if flip_kernel:
        kernel = np.flip(kernel, axis=(0,1))
    
    return np.sum(data_patch * kernel)

# 调用示例：计算(10,37)位置的卷积值
N = 10000
data = np.random.rand(N, N)
kernel = np.random.rand(3, 3)
point_val = calc_single_conv_point(data, kernel, 10, 37, pad_mode="same", flip_kernel=False)

性能说明 #

• 该实现的计算复杂度为O(M²)，和输入数据的尺寸N完全无关，哪怕N达到10^5级别，计算耗时也只和卷积核大小有关
• 内存开销仅为M*M尺寸的临时数组，不会加载全量中间结果，完全规避全图卷积的冗余计算
• 所有切片、乘加操作都是numpy底层C实现，性能和内置函数没有差异，不需要额外引入其他依赖

内容的提问来源于stack exchange，提问作者deltasata