Numpy数组，索引和卷积混淆

Question

我正在尝试完成以下功能，但我遇到了索引问题，导致“ValueError：操作数无法与形状（0,9）（5）一起广播”。

我认为我的错误可能来自我尝试从 ssd_difference[] 调用值的方式，但我不完全确定。

另外，根据下面给出的提示，我将如何使用 convolve2d？我知道 numpy 有一个功能，但我不知道我需要投入什么才能让它工作。

附加信息：binomialFilter5() 返回代表二项式过滤器的 dtype float 的 5x1 numpy 数组。我还假设“weights[]”是 ssd_difference[] 值。

def transitionDifference(ssd_difference):

""" 计算帧之间的转换成本，将动态纳入 帐户。

说明： 1.遍历ssd差异的行列，忽略 前两个值和后两个值。
1a。对于 i, j 处的每个值，乘以长度的二项式滤波器 五（稍后在代码中实现）由两个开始的权重 之前的帧直到之后的两帧，然后取这些的总和 产品。

            i.e. Your weights for frame i are:
                 [weight[i - 2, j - 2],
                  weight[i - 1, j - 1],
                  weight[i, j],
                  weight[i + 1, j + 1],
                  weight[i + 2, j + 2]]

乘以每个 i, j 的二项式过滤器权重得到 你的输出。

可能需要一点理解才能了解我们为什么会这样 计算这个，简单的解释是从 第 4 帧到第 5 帧，我们称之为 ch(4, 5)，我们将这个权重设为：

ch(4, 5) = ch(2, 3) + ch(3, 4) + ch(4, 5) + ch(5, 6) + ch(6, 7)

这说明了以前的变化和未来的权重 考虑当前帧时发生变化。

当然，我们通过二项式过滤器对所有这些总和进行加权，所以 权重 ch(4, 5) 仍然是最重要的，但是 希望这能让您更好地理解。

Args:
    ssd_difference (numpy.ndarray): A difference matrix as produced by your
                                    ssd function.

Returns:
    output (numpy.ndarray): A difference matrix that takes preceding and
                            following frames into account. The output
                            difference matrix should have the same dtype as
                            the input, but be 4 rows and columns smaller,
                            corresponding to only the frames that have valid
                            dynamics.

Hint: There is an efficient way to do this with 2d convolution. Think about
      the coordinates you are using as you consider the preceding and
      following frame pairings.
"""

output = np.zeros((ssd_difference.shape[0] - 4,
                   ssd_difference.shape[1] - 4), dtype=ssd_difference.dtype)
# WRITE YOUR CODE HERE.
for i in range(len(ssd_difference)):
    for j in range(len(ssd_difference)):
        if i == 0:
            if j > 1:
                output[i,j] = np.sum( ssd_difference[i-2:i+2]*binomialFilter5())
        elif i == ssd_difference.shape[0] - 1:
            if j < ssd_difference.shape[1] - 2:
                output[i,j] = np.sum( ssd_difference[i-2:i+2]*binomialFilter5())
        else:
            output[i,j] = np.sum( ssd_difference[i-2:i+2]*binomialFilter5())
# END OF FUNCTION.
return output

Answer 1

正如我所评论的，您确实应该告诉我们产生错误消息的行。

但我可以猜到，因为只有几行代码执行涉及广播的操作。很可能是：

output[i,j] = np.sum( ssd_difference[i-2:i+2]*binomialFilter5())

您写道binomialFilter5() 产生了一个(5,1) 数组，但错误涉及(5,)。在这里可能无关紧要，但是您确实应该保持维数不变。有时(5,1) 与(5,) 有很大不同。

output 的形状为 (ssd_difference.shape[0] - 4, ssd_difference.shape[1] - 4)。但是您在 range(len(ssd_difference)) 上迭代 i,j。 output[i,j] 最终会产生 index error。特别是在遍历二维数组时，最好使用正确的shape 元素，而不是len()。

但我怀疑直接错误是由ssd_difference[i-2:i+2] 引起的。当i==0 时，这是ssd_difference[-2:2]。这将产生(0,9) 数组，因为-2 索引表示倒数第二个，大于2。

我认为您打算从该数组中提取 5 行，以匹配另一个数组中的 5 个值。我认为正确的迭代是：

for i in range(output.shape[0]):
    for j in range(output.shape[1]):
       ....
       output[i,j] = np.sum(ssd_difference[i:i+5, :] * binomialFilter5())
       ...

您应该在交互式 shell 中单独测试这样的表达式，并选择 i 的值。 ssd_difference[i:i+5, :] 的形状应该是 (5,9)，而 binomialFilter5() 应该是 (5,1)。