Question

我正在尝试完成以下功能，但我遇到了索引问题，导致“ValueError：操作数无法与形状（0,9）（5）一起广播”。

我认为我的错误可能来自于我是如何调用ssd_difference []中的值的，但我并不完全确定。

另外，我将如何根据下面给出的提示使用convolve2d？我知道numpy有它的功能，但我不知道我需要投入什么来使它工作。

附加信息：binomialFilter5（）返回表示二项式过滤器的5x1 numpy数组dtype float。我还假设“weights []”是ssd_difference []值。

month  amt   CalcAmt
JAN   10000  0
FEB   20000  2
MAR   30000  1.5
APR   40000  1.33

“”“计算帧之间的转换成本，将动态变为帐户。

说明： 1.通过ssd差异的行和列迭代，忽略了前两个值和后两个值。
1A。对于i，j处的每个值，乘以长度的二项式滤波器五个（在代码后面实现）由权重开始两个帧之前直到两帧之后，并取这些帧的总和产品

def transitionDifference(ssd_difference):

乘以每个i，j的二项式滤波器权重得到你的输出。

要了解我们的原因，可能需要一点点了解计算这个，简单的解释是改变第4帧到第5帧，让我们调用这个ch（4,5），然后我们做这个权重：

ch（4,5）= ch（2,3）+ ch（3,4）+ ch（4,5）+ ch（5,6）+ ch（6,7）

这说明了之前更改和未来的权重考虑当前帧时的变化。

当然，我们用二项式滤波器来衡量所有这些和，所以重量ch（4,5）仍然是最重要的一个，但是希望能让你更好地理解。

            i.e. Your weights for frame i are:
                 [weight[i - 2, j - 2],
                  weight[i - 1, j - 1],
                  weight[i, j],
                  weight[i + 1, j + 1],
                  weight[i + 2, j + 2]]

Answer 1

正如我评论的那样，你真的应该告诉我们产生错误信息的那一行。

但我可以猜测，因为只有几行执行涉及广播的操作。最有可能的是：

output[i,j] = np.sum( ssd_difference[i-2:i+2]*binomialFilter5())

您写道binomialFilter5()生成(5,1)数组，但错误是关于(5,)。这可能没关系，但你真的应该保持尺寸的数量。有时(5,1)与(5,)显着不同。

output的形状为(ssd_difference.shape[0] - 4, ssd_difference.shape[1] - 4)。但是你在i,j上迭代range(len(ssd_difference))。 output[i,j]最终会产生index error。特别是在迭代2d数组时，最好使用正确的shape元素，而不是len()。

但我怀疑ssd_difference[i-2:i+2]会立即产生错误。在i==0时，这是ssd_difference[-2:2]。这产生了(0,9)数组，因为-2索引意味着距离最后一个，大于2。

我认为你打算从这个数组中拉出5行，以匹配另一个数组中的5个值。一个正确的迭代，我认为是：

for i in range(output.shape[0]):
    for j in range(output.shape[1]):
       ....
       output[i,j] = np.sum(ssd_difference[i:i+5, :] * binomialFilter5())
       ...

您应该在交互式shell中单独测试这样的表达式，并选择值i。 ssd_difference[i:i+5, :]的形状应为(5,9)，binomialFilter5()应为(5,1)。

Numpy数组，索引和卷积混乱

1 个答案: