Question

在numpy（1.8）中，我希望将这个计算从Python循环中转移到更多numpy-ish以获得更好的性能：

(width, height) = base.shape
(toolw, toolh) = tool.shape
for i in range(0, width-toolw):
    for j in range(0, height-toolh):
        zdiff[i,j] = (tool - base[i:i+toolw, j:j+toolh]).min()

base是一个~2000x2000阵列，而tool是一个25x25阵列。（背景背景：基础和工具是高度图，我试图找出最接近基础的工具移动方法。）

我正在尝试使用一个跨越式的技巧，从这开始：

base_view = np.lib.stride_tricks.as_strided(base, shape=(2000, 2000, 25, 25), 
                                            strides=(base.strides * 2))

这会使base_view[10,20]成为（10,20）左上角基数的25x25数组。

然而，这是因为“数组太大”而失败。从价值测试来看，当数组的潜在大小（例如2000 * 2000 * 25 * 25 * 8）超过2 ^ 32-ish并且它触发溢出检查时，它会报告此问题，该溢出检查将所有维度相乘。（我正在进行32位Python安装）。

我觉得我错过了一些东西 - 为什么当步幅值明显起作用时，它是否会让我创造这种“跨步观点”？有没有办法强迫这个？

更一般地说，有没有办法优化我的循环？

更新：确切错误：

ValueError                                Traceback (most recent call last)
<ipython-input-14-313b3d6c74fa> in <module>()
----> 1 newa = np.lib.stride_tricks.as_strided(base, shape=(1000, 1000, 25, 25), strides=(base.strides * 2))

C:\Python27\lib\site-packages\numpy\lib\stride_tricks.pyc in as_strided(x, shape, strides)
     28     if strides is not None:
     29         interface['strides'] = tuple(strides)
---> 30     array = np.asarray(DummyArray(interface, base=x))
     31     # Make sure dtype is correct in case of custom dtype
     32     array.dtype = x.dtype

C:\Python27\lib\site-packages\numpy\core\numeric.pyc in asarray(a, dtype, order)
    458 
    459     """
--> 460     return array(a, dtype, copy=False, order=order)
    461 
    462 def asanyarray(a, dtype=None, order=None):

ValueError: array is too big.

Answer 1

我无法真正帮助你采用步幅方法，但确实有一种比原始代码更快的方法。它遍历tool数组而不是base数组，这意味着，但是没有完全向量化，更多的工作被推到了numpy。

请注意，在您的原始代码中，我更改了范围并切换了宽度和高度，因为我认为这就是您的意图..

import numpy as np

height, width = 500, 500
toolh, toolw = 6, 6

base = np.random.rand(height, width)
tool = np.random.rand(toolh, toolw)

m, n = height-toolh+1, width-toolw+1

def height_diff_old(base, tool):
    zdiff = np.empty((m, n))
    for i in range(m):
        for j in range(n):
            zdiff[i, j] = (tool - base[i:i+toolh, j:j+toolw]).min()
    return zdiff

def height_diff_new(base, tool):
    zdiff = np.empty((m, n))
    zdiff.fill(np.inf)
    for i in range(toolh):
        for j in range(toolw):
            diff_ij = tool[i, j] - base[i:i+m, j:j+n]
            np.minimum(zdiff, diff_ij, out=zdiff)
    return zdiff

当然你想要计算实际函数中的高度和宽度，但是对于测试来说，将它们作为全局变量更容易。

对于给定的数组大小，原始代码在7.38秒内运行，而新代码在我的系统上只需206毫秒。我假设新代码对于您的数组大小也更快，但我不确定它的扩展程度:)

您可能感兴趣或可能不感兴趣的其他替代方案是使用Numba或Cython，在许多情况下，它应该比您想到的任何“矢量化”numpy代码更快。

Numpy大步招数抱怨“阵列太大”，为什么？

1 个答案: