从 numpy ndarray 中有效地采样向量答案

【问题标题】：Efficiently sample vectors from numpy ndarray从 numpy ndarray 中有效地采样向量
【发布时间】：2017-12-07 13:13:34
【问题描述】：

我有一个多维 numpy 数组 X 的 shape: (B, dim, H, W) 我想从 X 中随机抽样 k dim 维向量。
我可以从形状为(B, 1, H, W) 的msk 获取样本索引：

sIdx = random.sample((msk.flat>=0).nonzero()[0], k)

使用numpy 的等效采样代码为：

sIdx = np.random.choice((msk.flat>=0).nonzero()[0], replace=False, size=(k,))

但是我怎样才能有效地根据“平坦”采样索引sIdx 对X 进行切片？
也就是msk的随机抽样和X的切片有没有一种有效的方法？

【问题讨论】：

random 是否来自模块 random？最终输出的形状是什么？
@Divakar 是的，sample 来自 random 模块。采样可以替换为sIdx = np.random.choice((msk.flat>=0).nonzero()[0], replace=False, size=(k,))
@Divakar 我期望的最终输出是shapek-by-dim。
@NilsWerner 谢谢你的回答。我尽量避免reshape 和transpose。

【解决方案1】：

从展平的索引中使用np.unravel_index 获取其余三个轴的相应索引，然后沿着这些轴简单地索引到X 以获得最终输出，就像这样 -

I,J,K = np.unravel_index(sIdx, (B, H, W))
out = X[I,:,J,K]

【讨论】：

谢谢！有没有办法“融合”“平面”采样和unravel，使这个过程更加高效？也就是说，有没有办法直接对“解开”的索引进行采样？
@Shai 我没有看到任何其他方式。我们需要flat 来生成采样的线性索引。现在，flat 只是一个视图，因此不需要额外的内存，所以应该非常高效。
只是试图写一个答案而不使索引变平，是的，我什至不想提交，因为它太混乱和令人困惑，根本不会提高性能。
@DanielF 好吧，无论如何感谢您的努力！你会考虑发布一个“否定”的结果吗？
一开始是sIdx = random.sample(list(np.transpose((msk >= 0).nonzero())), k) ，然后我就迷路了。问题是你有 4 个索引进入，只需要 3 个索引出来，扁平化是一种更好的方法。