Vectorisation avec numpy

Question

J'essaie de créer une matrice gaussienne floue. Je modifie le code de http://www.labri.fr/perso/nrougier/teaching/numpy/numpy.html

dev_data a des rangées de fonctionnalités de 784 pixels, et je voudrais flouter avec les voisins autour du pixel en question avec le pixel lui-même. Lorsque nous sommes sur les bords extérieurs (lignes 1, -1, colonnes 1, -1), ignorez les voisins hors limites. Je ne suis pas sûr de savoir comment faire ce rejet.

code:

# 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() 

Je reçois une erreur avec l'index:

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

Ce n'est pas un IndexError, donc je ne suis pas tout à fait sûr de ce que je fais mal ici/comment répare le.

Answer 1

Essayez ceci:

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

En outre, lire sur slicing.

---

Alors j'ai plus à votre code, et vous faites quelques choses mal:

• Ce n'est pas un noyau gaussien.
• Recalculer reshaped_dev_data plusieurs fois dans une boucle.
• En boucle sur les mauvaises choses.
• Essayer de muter pixel en ligne 9. Ceci est mauvais car:
  • Mutation de l'objet que vous bouclez est généralement mauvais
  • Ce ne sera pas muter de toute façon! pixel est comme un détenteur de "valeur". Le changer ne change pas le tableau que vous bouclez.
• N'écrit pas de code vectorisé!

---

est ici une façon naïve, non vectorisée de le faire:

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) 

Notez que nous faisons une convolution. Nous pouvons donc simplement utiliser les bibliothèques intégrées pour effectuer une convolution sur le noyau de calcul de la moyenne.

---

En ce qui concerne vos commentaires,

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() 

Avis Je conv modifié parce que j'avais oublié d'assurer ne sont pas dépassé les limites.

Note: Il est beaucoup, beaucoup plus rapide d'utiliser les bibliothèques existantes telles que SciPy ou OpenCV pour effectuer la convolution 2D, ou dans ce cas, une moyenne du filtre de.