np.convolve默认full模式且翻转核，不等价于互相关；需用correlate实现xcorr；仅支持1D，多维需手动循环或换scipy；注意dtype溢出和手动padding。
convolve 函数默认是 full 模式，别直接当 cross-correlation 用
NumPy 的 np.convolve 默认做的是「full」卷积，结果比输入长，而且它内部其实是先翻转第二个数组再滑动相乘——这点和数学定义一致，但和很多信号处理场景里想要的“对齐中心、不翻转”的互相关行为不同。如果你拿它去拟合滤波器响应或对齐两个时序，容易发现峰值位置偏移、形状镜像。
- 想模拟 FIR 滤波器输出：用
mode='same'，长度和输入一致，中心对齐 - 想严格按数学定义卷积（如构造平滑核）：保持默认
mode='full'，但注意结果长度是len(a) + len(b) - 1 - 想等效 MATLAB 的
xcorr：改用np.correlate(a, b, mode='same')，它不翻转b
一维 convolve 处理多维数组会出错，别硬套
np.convolve 只接受一维 ndarray。如果你传入 shape 为 (100, 4) 的数组，会直接报 ValueError: object of too small depth for desired array。这不是 bug，是设计如此——它压根不支持 axis 参数。
- 处理每列独立卷积：用列表推导式，
[np.convolve(col, kernel, mode='same') for col in arr.T] - 需要二维卷积（如图像）：换
scipy.signal.convolve2d或cv2.filter2D，别在np.convolve上硬绕 - 性能敏感时：避免 Python 循环，改用
np.apply_along_axis，但注意它底层仍是循环，大数据量不如向量化方案
float64 是 convolve 的隐式安全类型，别用 int32 做中间计算
当你传入 int32 数组和 float 核（比如 [0.25, 0.5, 0.25]），np.convolve 会悄悄把结果升到 float64。但如果你两个都是 int32，结果仍是 int32，溢出风险极高——尤其累加多个乘积时，127 * 3 就超了。
- 显式转换输入：
np.convolve(arr.astype(np.float64), kernel) - 核本身用 float 写法：
[0.25, 0.5, 0.25]而不是[1, 2, 1]后除以 4（后者在 int 下先溢出再除） - 检查 dtype：
np.convolve([1, 2, 3], [4, 5]).dtype返回int64，但这是靠提升位宽兜底，不可靠
convolve 不支持 padding 控制，边界补零得自己来
np.convolve 的 mode 只控制输出长度，不提供类似 PyTorch 的 padding=1 那种自动补零逻辑。比如你希望输入长度 5、kernel 长度 3 时，输出还是 5 且两端不丢数据，就得手动在输入两边 pad。
立即学习“Python免费学习笔记（深入）”；
-
mode='same'确实返回同长结果，但它内部 pad 方式是固定前补(len(kernel)-1)//2、后补余数，不能定制 - 要自定义 padding（如镜像、重复、常数）：先用
np.pad，再调np.convolve，例如np.convolve(np.pad(arr, (2, 1), mode='constant'), kernel, mode='valid') - 注意
np.pad的pad_width是 tuple of tuples，一维就写(left, right)，别漏括号
卷积边界怎么 pad、kernel 是否归一化、mode 和 dtype 怎么配——这些细节不写进代码注释，过三个月自己都得重读文档。
