2

我有一批存储在数组中的b m x n图像，以及我想应用于批处理中的每个图像（然后使用总和池并存储在数组中）的大小x卷积滤波器，即是真的。fp x qyall(np.allclose(y[i][j][k], (x[i, j:j+p, k:k+q] * f).sum()) for i in range(b) for j in range(m-p+1) for k in range(n-q+1))

调整这个答案，我可以写以下内容：

b, m, n, p, q = 6, 5, 4, 3, 2
x = np.arange(b*m*n).reshape((b, m, n))
f = np.arange(p*q).reshape((p, q))
y = []
for i in range(b):
    shape = f.shape + tuple(np.subtract(x[i].shape, f.shape) + 1)
    strides = x[i].strides * 2
    M = np.lib.stride_tricks.as_strided(x[i], shape=shape, strides=strides)
    y.append(np.einsum('ij,ijkl->kl', f, M))
assert all(np.allclose(y[i][j][k], (x[i, j:j+p, k:k+q] * f).sum()) for i in range(b) for j in range(m-p+1) for k in range(n-q+1))

但我认为有一种方法可以只用一个einsum，这对我很有用，因为b通常在 100 到 1000 之间。

如何调整我的方法以仅使用一种方法einsum？另外，出于我的目的，我不能引入scipy除numpy.

4

1 回答 1

3

只需要shape成为 5d 并获得strides匹配的shape.

shape = f.shape + (x.shape[0],) + tuple(np.subtract(x.shape[1:], f.shape) + 1)
strides = (x.strides * 2)[1:]
M = np.lib.stride_tricks.as_strided(x, shape=shape, strides=strides)
y = np.einsum('pq,pqbmn->bmn', f, M)

如果变得非常大，现在M可能会b变得非常大，但它适用于您的玩具问题。

于 2017-08-07T07:08:40.713 回答