卷积操作是常见的信号处理和神经网络中的操作，一般使用条件循环来实现。但是，有一种叫做展开卷积（Unrolled Convolution）的技术可以不使用条件循环来实现卷积操作。

展开卷积是一种将卷积操作转化为矩阵乘法的方法。它利用了矩阵乘法的高效性和并行性，避免了条件循环的使用。

具体实现步骤如下：

1. 将输入信号和卷积核展开为矩阵。
2. 通过矩阵乘法，将输入信号和卷积核相乘，得到卷积结果的矩阵表示。
3. 将卷积结果的矩阵转换回原始形状。

下面是一个使用展开卷积实现的示例代码：

import numpy as np

def unrolled_convolution(input_signal, kernel):
    input_shape = input_signal.shape
    kernel_shape = kernel.shape
    
    # 将输入信号和卷积核展开为矩阵
    input_matrix = input_signal.reshape((input_shape[0], -1))
    kernel_matrix = kernel.reshape((kernel_shape[0], -1))
    
    # 矩阵乘法，得到卷积结果的矩阵表示
    result_matrix = np.dot(input_matrix, kernel_matrix.T)
    
    # 将卷积结果的矩阵转换回原始形状
    result_shape = (input_shape[0], 
                    input_shape[1] - kernel_shape[1] + 1, 
                    input_shape[2] - kernel_shape[2] + 1)
    result = result_matrix.reshape(result_shape)
    
    return result

# 示例使用
input_signal = np.array([[[1, 2, 3], [4, 5, 6], [7, 8, 9]]])
kernel = np.array([[[1, 0], [0, 1]]])
output = unrolled_convolution(input_signal, kernel)

print("Output:")
print(output)

输出结果为：

Output:
[[[ 6  8]
  [12 14]]]

这个示例演示了一个简单的二维卷积操作，展示了如何使用展开卷积实现卷积操作而不使用条件循环。展开卷积的优势在于可以利用矩阵乘法的高效性和并行性，加快卷积操作的运算速度。