5

在 numpy (1.8) 中，我想将此计算从 Python 循环中移出到更 numpy-ish 的东西中以获得更好的性能：

(width, height) = base.shape
(toolw, toolh) = tool.shape
for i in range(0, width-toolw):
    for j in range(0, height-toolh):
        zdiff[i,j] = (tool - base[i:i+toolw, j:j+toolh]).min()

base是一个 ~2000x2000 数组，tool是一个 25x25 数组。（背景背景：基地和工具是高度图，我试图找出最接近的工具移动基地的方法。）

我正在尝试使用一个跨步的技巧，从这个开始：

base_view = np.lib.stride_tricks.as_strided(base, shape=(2000, 2000, 25, 25), 
                                            strides=(base.strides * 2))

这将base_view[10,20]是从 (10, 20) 左上角的 base 开始的 25x25 值数组。

但是，这因“阵列太大”而失败。从值测试来看，当数组的潜在大小（例如 2000*2000*25*25*8）超过 2^32-ish 并且它触发了将所有维度相乘的溢出检查时，它似乎会报告此问题。（我安装的是 32 位 Python）。

我觉得我错过了一些东西——为什么当步幅值明显有效时它不能让我创建这个“步幅视图”？有没有办法强制这样做？

更一般地说，有没有办法优化我上面的循环？

更新：确切错误：

ValueError                                Traceback (most recent call last)
<ipython-input-14-313b3d6c74fa> in <module>()
----> 1 newa = np.lib.stride_tricks.as_strided(base, shape=(1000, 1000, 25, 25), strides=(base.strides * 2))

C:\Python27\lib\site-packages\numpy\lib\stride_tricks.pyc in as_strided(x, shape, strides)
     28     if strides is not None:
     29         interface['strides'] = tuple(strides)
---> 30     array = np.asarray(DummyArray(interface, base=x))
     31     # Make sure dtype is correct in case of custom dtype
     32     array.dtype = x.dtype

C:\Python27\lib\site-packages\numpy\core\numeric.pyc in asarray(a, dtype, order)
    458 
    459     """
--> 460     return array(a, dtype, copy=False, order=order)
    461 
    462 def asanyarray(a, dtype=None, order=None):

ValueError: array is too big.
4

1 回答 1

3

我无法真正帮助您使用 strides 方法，但确实有一种方法应该比您的原始代码更快。它在数组上循环tool而不是在数组上循环base，这意味着，但是没有完全矢量化，更多的工作被推到了 numpy.

请注意，在您的原始代码中，我更改了范围并切换了宽度和高度，因为我认为这就是您的意图..

import numpy as np

height, width = 500, 500
toolh, toolw = 6, 6

base = np.random.rand(height, width)
tool = np.random.rand(toolh, toolw)

m, n = height-toolh+1, width-toolw+1

def height_diff_old(base, tool):
    zdiff = np.empty((m, n))
    for i in range(m):
        for j in range(n):
            zdiff[i, j] = (tool - base[i:i+toolh, j:j+toolw]).min()
    return zdiff

def height_diff_new(base, tool):
    zdiff = np.empty((m, n))
    zdiff.fill(np.inf)
    for i in range(toolh):
        for j in range(toolw):
            diff_ij = tool[i, j] - base[i:i+m, j:j+n]
            np.minimum(zdiff, diff_ij, out=zdiff)
    return zdiff

当然，您想计算实际函数中的高度和宽度，但为了测试，将它们作为全局变量更容易。

对于给定的数组大小，原始代码在 7.38 秒内运行，而新代码在我的系统上只需要 206 毫秒。我假设新代码对于您的数组大小也更快，但我不确定它的扩展性如何:)

您可能感兴趣或可能不感兴趣的其他替代方法是使用 Numba 或 Cython，在许多情况下，它们应该比您想到的任何“矢量化”numpy 代码更快。

于 2013-11-15T00:33:02.853 回答