Question

我有两个形状为（130，64，2048）的列表，将其称为（s，f，b），一个长度为64的向量，称为v。我需要将这两个列表附加在一起以构成一个列表（130、2、64、2048）的形状，然后将f [i]中的所有2048个值乘以v的第i个值。

输出数组还需要具有形状（130、2、64、2048）

显然，这两个步骤可以互换进行。我想知道做这种事情的最Python方式。

我的主要问题是我的代码花了很多时间将列表变成一个numpy数组，这对于我的某些计算是必需的。我有：

new_prof = np.asarray( new_prof )

但是，对于我的列表的大小和形状，这似乎要花费两个时间。关于如何更好地进行初始化的任何想法？

我的尝试表明了上述问题：

    # Converted data should have shape (130, 2, 64, 2048)
    converted_data = IQUV_to_AABB( data, basis = "cartesian" )

    new_converted = np.array((130, 2, 64, 2048))

    # I think s.shape is (2, 64, 2048) and cal_fa has length 64
    for i, s in enumerate( converted_data ):
        aa = np.dot( s[0], cal_fa )
        bb = np.dot( s[1], cal_fb )
        new_converted[i].append( (aa, bb) )

但是，此代码不起作用，我认为它与点积有关。也许吗？

我还想知道为什么将列表更改为numpy数组需要这么长时间。

Answer 1

尝试从小处着手，并在控制台中查看结果：

import numpy as np

x = np.arange(36)
print(x)

y = np.reshape(x, (3, 4, 3))
print(y)

# this is a vector of the same size as dimension 1
a = np.arange(4)
print(a)

# expand and let numpy's broadcasting do the rest
# https://docs.scipy.org/doc/numpy/user/basics.broadcasting.html
# https://scipy.github.io/old-wiki/pages/EricsBroadcastingDoc
b = a[np.newaxis, :, np.newaxis]
print(b)

c = y * b
print(c)

您可以阅读有关np.newaxis here，here和here的信息。

使用numpy.append的速度相当慢，因为它必须预先分配内存并每次复制整个数组。 numpy数组是连续的内存块。

如果计算机内存不足，则可能必须使用它。但是在这种情况下，请尝试遍历适当的块，直到您的计算机仍能处理它们。有时，重新设置尺寸是一种加快计算速度的方法。

有没有一种快速方法将4D阵列的一个轴与与该轴相同长度的向量中的元素相乘？

1 个答案: