as_strided用法解释

最新推荐文章于 2023-10-08 17:55:58 发布
最新推荐文章于 2023-10-08 17:55:58 发布
阅读量3.2k 收藏 2
点赞数
分类专栏： python学习笔记 文章标签： as_strided
原文链接：https://zhuanlan.zhihu.com/p/64933417
版权

https://zhuanlan.zhihu.com/p/64933417

ForrestLin0805
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
【python】numpy中的高效分块操作np.stride_tricks.as_strided
Shwan_ma的博客
10-15 2万+
最近看代码的时候看到了这么一个函数 np.stride_tricks.as_strided(x, shap, strides, subok, writeable) Parameters: x : ndarray Array to create a new. shape : sequence of int, optional The shape of the new array. Defaults
numpy.lib.stride_tricks.as_strided() 高效切分数组
西檬饭
04-18 5244
Numpy的一个函数：np.lib.stride_tricks.as_strided(） 这个函数可以高效地切分一个数组为不同的shape块。可以参考官方文档或者这篇写得很好的博客。 描述： numpy.lib.stride_tricks.as_strided(x, shape=None, strides=None, subok=False, writeable=True) 其中：x为输入数组；...
Strided.jl:用于跨步数组视图的Julia包及其有效操作
05-07
Strided.jl 一个Julia包，用于更有效地处理跨步数组，即密集数组，其内存布局在每个维度上的步幅都固定。 Strided.jl不对步幅做任何假设（例如沿一维的步幅1或单调增加步幅），并提供了多线程和缓存友好的实现，用于映射，减少，广播此类数组以及获取视图，重塑和置换方面。 通过使用宏@strided注释涉及广播和其他数组操作的标准Julia代码块，可以@strided访问其中的大多数代码。 什么是新的 Strided.jl v1使用Julia 1.3及更高版本的新@spawn线程基础结构。 此外，现在可以通过函数Strided.set_num_threads(n)更自定义多线程的使用，其中n可以是1 （无线程）和Base.Threads.nthreads()之间的任何整数。 这允许只在多线程上花费Julia线程的一部分，即Strided绝不会产生n-1额外的任务。 默认情况下，
Python学习笔记——Numpy数组的移动滑窗，使用as_strided实现
Shepherdppz的博客
02-06 7333
Python学习笔记——Numpy数组的移动滑窗，使用as_strided实现`Numpy`中移动滑窗的实现为何需要移动滑窗`Numpy`中的移动滑窗移动滑窗的`as_strided`实现方法关于`as_strided`函数的详细解析使用`as_strided`函数的危险之处 Numpy中移动滑窗的实现 为何需要移动滑窗 在量化投资分析过程中，对历史数据进行分析是一个必不可少的步骤。滑窗在历史数据分析中的重要性不言而喻。譬如移动平均、指数平滑移动平均、MACD、DMA等等价格指标的计算都无一例外需要用到滑窗
PyTorch TORCH.AS_STRIDED
Coder
10-03 527
torch.as_strided(input, size, stride, storage_offset=0)→ Tensor 1. 官方文档 Create a view of an existing torch.Tensor input with specified size, stride and storage_offset. parameters input (Tensor) – the input tensor. size (tuple or ints) – the shape of t.
torch.as_strided()详解（总结）
qq_38752461的博客
10-04 1023
torch.as_strided()详解（总结）
torch as_strided函数详解
小姑仔的博客
07-07 1211
假设有一个矩阵X [123456789]\left[\begin{matrix} 1 & 2 & 3 \\ 4 & 5 & 6 \\ 7 & 8 & 9 \end{matrix}\right]⎣⎡​147​258​369​⎦⎤​ 如果卷积核大小是2*2,stride为1,那么就需要把矩阵转换为如下4个小矩阵的新矩阵 [[1245][2356][4567][5678]]\left[\begin{matrix} \left[\
pytorch每日一学15(torch.as_strided())根据步长创建一个现有tensor的视图
Fluid_ray的博客
11-13 4292
第15个方法 torch.as_strided(input, size, stride, storage_offset=0)—>Tensor 此方法是根据现有tensor以及给定的步长来创建一个视图（类型仍然为tensor）。 视图   视图是指创建一个方便查看的东西，与原数据共享内存，它并不占用内存，也不存储数据，只是将原有的数据进行整理，显示其中部分内容或者进行重排序后显示出来等等。 接下来介绍此方法，首先看一个示例： 这样创建出来的b就是a的一个视图，可以发现，b中的元素都是a中的元素，
Numpy as_strided实现高效卷积中strides如何确定
最新发布
weixin_40675092的博客
10-08 177
numpy可实现卷积转换成矩阵乘法算法，但是使用np.lib.stride_tricks.as_strided这个函数可以实现更高效的卷积算法。
numpy.lib.stride_tricks.as_strided的使用
卖糖葫芦大叔的博客
05-13 1842
as_strided函数的使用 numpy.lib.stride_tricks.as_strided是numpy包中一个用以形成子矩阵的函数。 它可以从原矩阵中生成子矩阵，而且子矩阵可以交叉。 主要用于对矩阵进行卷积运算，如用2 * 2 矩阵对 4 * 4的矩阵进行卷积，如果stride为1，那么卷积结果为一个3 * 3的矩阵，该函数就可以用来生成一个3 * 3 * 2 * 2 的张量，即需要卷积的3 * 3个输入矩阵的 2 * 2 的子区域。 函数API numpy.lib.stride_tricks.a
iozone3_489.tar
04-15
iozone一个文件系统性能评测工具，可以测试Read, write, re-read,re-write, read backwards, read strided, fread, fwrite, random read, pread, mmap, aio_read, aio_write 等不同模式下不同文件系统的读写性能。...
iozone3_482.tar
07-26
可以测试 Read, write, re-read,re-write, read backwards, read strided, fread, fwrite, random read, pread, mmap, aio_read, aio_write 等等不同的模式下的硬盘的性能。测试的时候请注意，设置的测试文件的大小...
iozone3_482.src.rpm
07-26
可以测试 Read, write, re-read,re-write, read backwards, read strided, fread, fwrite, random read, pread, mmap, aio_read, aio_write 等等不同的模式下的硬盘的性能。测试的时候请注意，设置的测试文件的大小...
iozone3_420.tar
09-28
可以通过 write, re-write, read, re-read, random read, random write, random mix, backwards read, record rewirte, strided read, fwrite, frewrite, fread, freread, mmap, async I/0 等不同的模式下的硬盘的...
numpy—np.lib.stride_tricks.as_strided
柳杰的博客
02-25 988
文章目录 lib.stride_tricks.as_strided(x, shape=None, strides=None, subok=False, writeable=True) 描述 创建具有给定形状和步幅的数组视图 参数 x : 输入数组 shape ：sequence of int, optional 新数组的形状。默认为x.shape strides ：sequence of int, optional 新数组的步长。默认为x.strides。 subok ：bool, optional
numpy.lib.stride_tricks中的as_strided
w112348的博客
02-27 772
用于产生类似滑动串口的效果 1D滑动窗口 from numpy.lib import stride_tricks def sliding_window_1d(a, window): shape = (len(a)-window+1, window) strides = (a.itemsize, a.itemsize) ret = stride_tricks.as_strided(Z, shape=shape, strides=strides) return ret Z =
torch.as_strided 方法
joker03的博客
08-03 1750
# torch.as_strided torch.as_strided(input,size,stride,storage_offset=0)→ Tensor ''' input(Tensor) – the input tensor. size(tupleorints) – the shape of the output tensor stride(tupleorints) – the stride of the output tensor storage_offset(in...
Python as_stried函数
qq_34535410的博客
12-18 598
# -*- coding: utf-8 -*- __author__ = 'zzw' import numpy as np from numpy.lib.stride_tricks import as_strided a = np.arange(9).reshape(3,3)b = as_strided(a,shape=(2, 2, 2, 2), strides=(a.itemsize*np.arr
def median_filter(img, kernel_size): """中值滤波器""" kernel_half = kernel_size // 2 img_median = np.zeros_like(img) # 构建移动窗口 shape = (img.shape[0] - kernel_size + 1, img.shape[1] - kernel_size + 1, kernel_size, kernel_size) strides = (img.strides[0], img.strides[1], img.strides[0], img.strides[1]) windows = np.lib.stride_tricks.as_strided(img, shape=shape, strides=strides) # 对每个窗口进行中值滤波 medians = np.median(windows, axis=(2,3)) # 将中值赋值给输出图像 img_median[kernel_half:img.shape[0] - kernel_half, kernel_half:img.shape[1] - kernel_half] = medians return img_median优化一下
05-27
这段代码已经进行了比较好的优化，但如果要进一步提高效率，可以考虑使用并行计算。可以使用Python的`multiprocessing`模块来并行计算每个窗口的中值。 以下是使用`multiprocessing`模块并行计算中值滤波器的优化代码： ``` import multiprocessing def median_filter(img, kernel_size): """中值滤波器""" kernel_half = kernel_size // 2 img_median = np.zeros_like(img) # 构建移动窗口 shape = (img.shape[0] - kernel_size + 1, img.shape[1] - kernel_size + 1, kernel_size, kernel_size) strides = (img.strides[0], img.strides[1], img.strides[0], img.strides[1]) windows = np.lib.stride_tricks.as_strided(img, shape=shape, strides=strides) # 定义并行计算每个窗口中值的函数 def compute_median(window): return np.median(window) # 使用多进程并行计算每个窗口的中值 with multiprocessing.Pool() as pool: medians = pool.map(compute_median, windows.reshape(-1, kernel_size, kernel_size)) medians = np.array(medians).reshape(shape[:2]) # 将中值赋值给输出图像 img_median[kernel_half:img.shape[0] - kernel_half, kernel_half:img.shape[1] - kernel_half] = medians return img_median ``` 这个优化后的中值滤波器函数使用了`multiprocessing`模块来并行计算每个窗口的中值。我们首先定义了一个`compute_median()`函数来计算每个窗口的中值，然后使用`multiprocessing.Pool()`创建一个进程池，调用`pool.map()`函数来并行计算每个窗口的中值。这种方法可以显著减少计算时间，特别是当处理大型图像时。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值