使用 numpy 进行矢量化

Question

我正在尝试创建一个高斯模糊矩阵。我正在从http://www.labri.fr/perso/nrougier/teaching/numpy/numpy.html 修改代码

dev_data 具有 784 行像素特征，我想与相关像素周围的邻居以及像素本身进行模糊处理。当我们沿着外边缘（第 1 行，-1 行，第 1 列，-1 列）时，丢弃任何超出边界的邻居。我不太确定如何进行这种丢弃。

代码：

# Initialize a new feature array with the same shape as the original data.
blurred_dev_data = np.zeros(dev_data.shape)

#we will reshape the 784 feature-long rows into 28x28 matrices
for i in range(dev_data.shape[0]):
    reshaped_dev_data = np.reshape(dev_data[i], (28,28))
    #the purpose of the reshape is to use the average of the 8 pixels + the pixel itself to blur
    for idx, pixel in enumerate(reshaped_dev_data):
        pixel = np.mean(reshaped_dev_data[idx-1:idx-1,idx-1:idx-1] + reshaped_dev_data[idx-1:idx-1,idx:idx] + reshaped_dev_data[idx-1:idx-1,idx+1:] +
             reshaped_dev_data[idx:idx,idx-1:idx-1] + reshaped_dev_data[idx:idx,idx:idx] + reshaped_dev_data[idx:idx,idx+1:] +
             reshaped_dev_data[idx+1:  ,idx-1:idx-1] + reshaped_dev_data[idx+1:  ,idx:idx] + reshaped_dev_data[idx+1:  ,idx+1:])
    blurred_dev_data[i,:] = reshaped_dev_data.ravel()

我收到一个索引错误：

ValueError: operands could not be broadcast together with shapes (0,0) (0,27)

这不是索引错误，所以我不太确定我在这里做错了什么/如何解决它。

Answer 1

试试这个：

pixel = np.mean(reshaped_dev_data[idx-1:idx+1, idx-1:idx+1])

另外，阅读slicing。

---

所以我进一步查看了你的代码，你做错了一些事情：

• 这不是高斯核。
• 在一个循环中多次重新计算reshaped_dev_data。
• 循环错误的东西。
• 试图在第 9 行更改 pixel。这很糟糕，因为：
  • 您正在循环的对象的突变通常是不好的
  • 反正不会变异！ pixel 就像一个“价值”持有者。更改它不会更改您正在循环的数组。
• 未编写矢量化代码！

---

这是一种天真的、非矢量化的做法：

def conv(arr, i, j):
    return np.mean(arr[i-1:i+1, j-1:j+1])

blurred_dev_data = np.zeros_like(dev_data)
reshaped_dev_data = dev_data.reshape(28, 28)

for i, row in enumerate(reshaped_dev_data):
    for j, pixel in enumerate(row):
        blurred_dev_data[i, j] = conv(reshaped_dev_data, i, j)

请注意，我们正在进行卷积。所以我们可以简单地使用内置库对平均内核执行卷积。

---

关于你的 cmets，

def conv(arr, i, j):
    # Ensure the boundaries are not exceeded
    a = max(i-1, 0)
    b = min(i+1, 28)
    c = min(j-1, 0)
    d = max(i+1, 28)

    return np.mean(arr[a:b, c:d])

blurred_dev_data = np.zeros_like(dev_data)

for n, data in enumerate(dev_data):
    reshaped = data.reshape(28, 28)
    blurred = np.zeros_like(reshaped)

    for i, row in enumerate(reshaped):
        for j, pixel in enumerate(row):
            blurred[i, j] = conv(reshaped, i, j)

    blurred_dev_data[n] = blurred.ravel()

请注意，我修改了conv，因为我忘记确保没有超出界限。

注意：使用现有的库（例如 SciPy 或 OpenCV）执行 2D 卷积（或者在本例中为均值滤波器）要快得多。