寻求无Padding的CNN Sobel滤波器实现方案

首先，你使用的nd.sobel（推测为MXNet的ndarray.sobel）本身没有直接提供无Padding（valid模式）的选项，但可以通过两种方式实现无Padding的Sobel滤波需求：

方式一：裁剪带Padding的结果 #

nd.sobel默认用'reflect' Padding时，会在图像四周各添加1层像素（因Sobel是3x3核）。你可以在得到结果后，手动裁剪掉这部分Padding区域，得到仅由原图像完全覆盖区域计算出的特征图：

修改你的apply_kernel方法：

def apply_kernel(self):
    # 获取带reflect padding的sobel结果
    sobel_with_pad = nd.sobel(input=self.image, mode='reflect')
    # 裁剪四周各1层的padding，得到无padding的特征图
    # 若图像是通道在后格式（(H,W,C)），则改为sobel_with_pad[1:-1, 1:-1, :]
    self.feature_map = sobel_with_pad[:, 1:-1, 1:-1]
    return self.feature_map

方式二：手动实现无Padding的Sobel卷积 #

如果更贴合你从零实现CNN的学习目标，可以直接定义Sobel核，用nd.convolution并设置pad=(0,0)来完全手动控制卷积过程：

def apply_kernel(self):
    # 定义x、y方向的Sobel核
    sobel_x = nd.array([[-1, 0, 1], [-2, 0, 2], [-1, 0, 1]]).reshape((1, 1, 3, 3))
    sobel_y = nd.array([[-1, -2, -1], [0, 0, 0], [1, 2, 1]]).reshape((1, 1, 3, 3))
    
    # 对多通道图像逐通道处理
    channels = []
    for c in range(self.image.shape[0]):
        channel = self.image[c:c+1, :, :]
        conv_x = nd.convolution(channel, sobel_x, pad=(0,0), num_filter=1)
        conv_y = nd.convolution(channel, sobel_y, pad=(0,0), num_filter=1)
        # 合并x、y方向梯度（取L2范数）
        channel_sobel = nd.sqrt(conv_x**2 + conv_y**2)
        channels.append(channel_sobel)
    
    self.feature_map = nd.concat(*channels, dim=0)
    return self.feature_map

另外，你的ReLU实现可以用向量化操作优化，避免三重循环以提升效率：

def relu(self):
    self.post_fm = np.maximum(0.0, self.feature_map.asnumpy())
    return self.post_fm

内容的提问来源于stack exchange，提问作者Massimo Giuseppe Ridella