2
我有一批的存储在数组中x
b
m x n
图像,和卷积滤波器尺寸p x q
,我想应用到每个图像的f
在批处理(然后使用总和池和存储在一个阵列y
),即all(np.allclose(y[i][j][k], (x[i, j:j+p, k:k+q] * f).sum()) for i in range(b) for j in range(m-p+1) for k in range(n-q+1))
为真。批量卷积2d在numpy没有scipy?
适应this answer,我可以写:
b, m, n, p, q = 6, 5, 4, 3, 2
x = np.arange(b*m*n).reshape((b, m, n))
f = np.arange(p*q).reshape((p, q))
y = []
for i in range(b):
shape = f.shape + tuple(np.subtract(x[i].shape, f.shape) + 1)
strides = x[i].strides * 2
M = np.lib.stride_tricks.as_strided(x[i], shape=shape, strides=strides)
y.append(np.einsum('ij,ijkl->kl', f, M))
assert all(np.allclose(y[i][j][k], (x[i, j:j+p, k:k+q] * f).sum()) for i in range(b) for j in range(m-p+1) for k in range(n-q+1))
,但我觉得有一种方法,只用一个einsum
做到这一点,因为b
通常是100和1000
如何使我的方法适应仅使用一个einsum
?此外,对于我的目的,我不能带scipy
或除numpy
之外的任何其他依赖项。
另一个类似的问题,如果你有兴趣:https://stackoverflow.com/questions/45580013/pure-numpy-2d-mean-convolution-derivative-of-input-image – michaelsnowden