scikit-learn 的 extract_patches 函数背后的理论/算法是什么？答案

【问题标题】：What is the theory/algorithm behind extract_patches function of scikit-learn?scikit-learn 的 extract_patches 函数背后的理论/算法是什么？
【发布时间】：2018-03-19 04:58:36
【问题描述】：

我正在使用 extract_patches_2d 和 extract_patches 从 2d 图像中提取局部补丁，我希望获得解释补丁提取实施方法的理论和参考资料。

【问题讨论】：

标签： python image-processing multidimensional-array scikit-learn data-science

【解决方案1】：

我不确定你指的是什么理论，这些方法实际上只是巧妙的数组操作（剧透：numpy 数组操作）。

第一个 extract_patches_2d 是 extract_patches 上的简单二维包装器，它调用
```
extract_patches(image,
                patch_shape=(p_h, p_w, n_colors),
                extraction_step=1)
```
并重塑结果 (source code)。
第二个 extract_patches 也是一个包装器，这次是在 numpy.as_strided 上。它只准备2*n 形状和大步将工作委托给
```
as_strided(arr, shape=shape, strides=strides)
```
这是它的source code。
真正有趣的是numpy.as_strided。从它的文档：

as_strided 在给定确切步幅的情况下创建数组视图，并且形状。这意味着它操纵了内部数据结构 ndarray，如果操作不正确，数组元素可以指向无效的内存，可能会损坏结果或使您的程序崩溃。它是建议在计算新时始终使用原始 x.strides 避免依赖连续的内存布局。

因此，基本上，结果是内存中相同数组的包装器（视图），它提供索引查找，每个索引都在查找x 内的特定区域。 numpy.ndarray.view 是核心 numpy 函数，它允许查看现有数组内部而无需重新分配内存。如果您想深入了解 numpy 如何执行数组操作和视图，numpy internals 是一个不错的起点。

【讨论】：