卷积是神经网络、图像处理、计算机视觉中许多算法的基本组成部分……但这些也是计算方面的瓶颈……在python生态系统中，存在不同的现有解决方案，使用numpy,scipy或tensorflow，但哪个是最快的?
只是为了解决问题，卷积应该在两个二维矩阵上运行。我们将在这里始终考虑计算机视觉中最典型的情况：
卷积的结果被填充，使其大小相同.
通常，您需要对许多内核上的许多图像执行此操作，因此在许多内核上执行此操作的方法有一个好处。
感谢您的任何提示！
PS：目标是在某个时候在这篇博客文章中总结这些结果，其中已经包含一些例子......
为了提供更量化的方法，我制作了一个Jupyter notebook （可以在这里看成一个网页）。
结果可以总结在下图中：
在实践中，我发现它numpy总是快很多。然而，似乎新的替代方案正在出现，我必须包括（并非详尽无遗）：特定于架构的优化 (IPP)、深度学习算法中的简化图（例如PyTorch）等等。欢迎评论！
这取决于图像和过滤器的大小。
有时它还取决于过滤器本身和所需的质量。
假设所有任意（即过滤器没有特殊属性，但它们的大小，其中一些是 HPF，一些 LPF，一些都不是，它们不可分离，不允许近似等......）可以遵循以下原则：
这些指南将轻松让您在性能方面接近您的系统优势。
通常带有小内核的卷积是内存有限的操作。
顺便说一句，英特尔 IPP 中的过滤速度可能最快。
您可以通过安装Intel Python Distribution或在 Cython 中使用 IPP 来使用它。
由于您专门指定 CPU，因此可能值得考虑 pyFFTW 和 python 子进程。在过去，我已经成功地将数组拆分为子数组。然后为子数组的子集启动并发进程，这些子数组又将运行 pyFFTW 的实例。PyFFTW 是 FFTW 上的 python 包装器，根据我的经验，它比 numpy fft 快。请阅读有关启用缓存等以优化性能的 pyFFTW 文档。稍后我在工作计算机上时将在此处发布一些代码。但是有一个问题，太多的进程会减慢速度。下面是我一直在讨论的一个例子。fft_split 函数将问题（dat）拆分为 num_prcss 个进程，并让多个进程将它们作为一个批次进行处理。我在这里使用 pyFFTW，但如果您决定运行它，可以使用 numpy fft。
import numpy as np
import pyfftw as pyfftw
import multiprocessing as mp
import time as time
dat = np.random.rand(50000).reshape(50,-1)
num_prcss = 8
threads = 8
output = mp.Queue()
def fft_sub_process(dat_in, row, output):
match_out = pyfftw.interfaces.numpy_fft.ifft(dat_in, threads=threads)
match_abs = np.abs(match_out)
max_match_fltr = np.max(match_abs)
print([row, max_match_fltr])
output.put([row, max_match_fltr])
def fft_split(dat, num_prcss):
results = []
for r in xrange(0, dat.shape[-2], num_prcss):
if r == dat.shape[-2] - dat.shape[-2]%num_prcss:
processes = [mp.Process(target=fft_sub_process, args=(dat[row], row, output)) for row in xrange(r, r+dat.shape[-2]%num_prcss)]
for p in processes:
p.start()
for p in processes:
p.join()
results.append([output.get() for p in processes])
else:
processes = [mp.Process(target=fft_sub_process, args=(dat[row], row, output)) for row in xrange(r, r+num_prcss)]
for p in processes:
p.start()
for p in processes:
p.join()
results.append([output.get() for p in processes])
return results
t = time.time()
search_res = fft_split(dat, num_prcss)
elapsed = time.time() - t
print(elapsed)