手写std::vector卷积函数最可控，因标准库无内置一维离散卷积，std::convolve受限且不实用；需手动处理zero-padding、模式选择（full/same/valid）及索引边界，且为与NumPy一致不应翻转kernel。
用 std::vector 手写卷积函数最可控
标准库没有内置一维离散卷积，std::convolve 要 C++23 且仅支持输入同长、无填充/步幅控制，实际项目中基本不可用。手写一个轻量函数反而更可靠，还能明确处理边界（如 zero-padding）、对齐方式（full / same / valid）。
关键点在于：输出长度由输入长度 n、核长度 m 和模式决定 —— full 模式输出长为 n + m - 1，valid 模式为 n - m + 1（要求 n >= m），same 模式则保持输出长度为 n，需手动补零。
常见错误是索引越界或符号混淆：卷积定义是翻转核再滑动点乘，但多数工程实现（如 NumPy 的 np.convolve）默认用“互相关”语义（不翻转核），C++ 中若要和 Python 行为一致，**不要翻转 kernel**，直接用 kernel[j] 对应 input[i + j]。
示例（full 模式，zero-padded）：
立即学习“C++免费学习笔记（深入）”；
std::vector<double> convolve_full(const std::vector<double>& input, const std::vector<double>& kernel) {
int n = input.size(), m = kernel.size();
std::vector<double> out(n + m - 1, 0.0);
for (int i = 0; i < n + m - 1; ++i) {
for (int j = 0; j < m; ++j) {
if (i - j >= 0 && i - j < n) {
out[i] += input[i - j] * kernel[j];
}
}
}
return out;
}用 FFT 加速大尺寸卷积（fftw3 或 armadillo）
当 input 和 kernel 长度都超过几百，手写 O(nm) 算法会明显变慢。此时必须用 FFT：卷积定理指出时域卷积 = 频域乘积，复杂度降到 O(N log N)，但需注意两点：
- 必须补零到 ≥
n + m - 1的最小 2 的幂（或支持的复合长度），否则循环卷积会混叠 - FFT 库（如
fftw3）默认复数运算，实数输入需用fftw_plan_dft_r2c_1d+fftw_plan_dft_c2r_1d，中间复数乘法要逐元素做（实部/虚部分别算） -
armadillo封装了conv2()，但一维需转成行向量调用：conv2(input_vec.t(), kernel_vec.t(), "full").t().eval()，底层自动选 FFT 或直接法
小数据用 FFT 反而更慢——函数调用开销、内存分配、复数转换成本都高于朴素循环。建议阈值设在 256 左右，根据 profile 决定是否切换。
避免 std::valarray 和 std::experimental::simd 的陷阱
std::valarray 有 shift() 和 cshift()，看似能模拟滑动窗口，但缺乏通用索引映射，无法自然表达卷积的非对齐累加；其 operator* 是逐元素除法，不是点乘求和，强行用会逻辑错乱。
std::experimental::simd（C++23）适合加速内层点乘循环，但要注意：simd_mask 处理边界时易出错，且当前主流编译器（GCC 13/Clang 16）对 simd<double> 的向量化支持不稳定，常退化为标量。不如用 OpenMP pragma omp simd 更稳妥：
#pragma omp simd reduction(+:sum)
for (int j = 0; j < m; ++j) {
sum += input[i + j] * kernel[j];
}前提是确保 i + j 不越界——这意味着你要提前截断外层循环范围，或用 padding 把 input 延长。
边界处理必须显式声明，别依赖“默认行为”
C++ 没有默认卷积模式，所有 padding、裁剪、反射等策略都得自己写。最容易被忽略的是：不同场景要的不是同一个“same”。
例如信号处理中 same 常指中心对齐、左右各补 (m-1)/2 个零；图像处理中可能希望镜像填充（reflect）；而某些滤波器要求丢弃不完整窗口（即 valid）。这些不能靠注释说明，应在函数签名中体现：
- 命名区分：
convolve_valid()、convolve_same_zero()、convolve_full_reflect() - 参数化：传入
PaddingType pad = PaddingType::Zero枚举，内部 dispatch - 绝不静默补零——如果用户传入
kernel.size() > input.size()却没检查，valid模式应返回空 vector 或抛std::invalid_argument
实际调试时，拿已知结果验证（如 input = {1,2,3}, kernel = {1,1}，full 模式应得 {1,3,5,3}）比读文档更快定位 padding 错误。
