我非常感谢在查找和理解嵌套for循环中优化以下数组操作的pythonic方法方面的一些帮助:
roi.shape
其中ndarray
(182,218,200)和radius
(3,)都是int
类型; namespace :admin do
resources :invoices, only: [:index, :new]
end
是new_admin_invoice GET /admin/invoices/new(.:format) admin/invoices#new
答案 0 :(得分:54)
方法#1
这是一种矢量化方法 -
m,n,r = volume.shape
x,y,z = np.mgrid[0:m,0:n,0:r]
X = x - roi[0]
Y = y - roi[1]
Z = z - roi[2]
mask = X**2 + Y**2 + Z**2 < radius**2
可能的改进:我们可以用numexpr
模块加速最后一步 -
import numexpr as ne
mask = ne.evaluate('X**2 + Y**2 + Z**2 < radius**2')
方法#2
我们还可以逐渐构建与形状参数相对应的三个范围,并在运行时对roi
的三个元素执行减法,而不像np.mgrid
之前那样实际创建网格。为了提高效率,使用broadcasting
会使这一点受益。实现看起来像这样 -
m,n,r = volume.shape
vals = ((np.arange(m)-roi[0])**2)[:,None,None] + \
((np.arange(n)-roi[1])**2)[:,None] + ((np.arange(r)-roi[2])**2)
mask = vals < radius**2
简化版:感谢@Bi Rico建议改进,因为我们可以使用np.ogrid
以更简洁的方式执行这些操作,如此 -
m,n,r = volume.shape
x,y,z = np.ogrid[0:m,0:n,0:r]-roi
mask = (x**2+y**2+z**2) < radius**2
运行时测试
功能定义 -
def vectorized_app1(volume, roi, radius):
m,n,r = volume.shape
x,y,z = np.mgrid[0:m,0:n,0:r]
X = x - roi[0]
Y = y - roi[1]
Z = z - roi[2]
return X**2 + Y**2 + Z**2 < radius**2
def vectorized_app1_improved(volume, roi, radius):
m,n,r = volume.shape
x,y,z = np.mgrid[0:m,0:n,0:r]
X = x - roi[0]
Y = y - roi[1]
Z = z - roi[2]
return ne.evaluate('X**2 + Y**2 + Z**2 < radius**2')
def vectorized_app2(volume, roi, radius):
m,n,r = volume.shape
vals = ((np.arange(m)-roi[0])**2)[:,None,None] + \
((np.arange(n)-roi[1])**2)[:,None] + ((np.arange(r)-roi[2])**2)
return vals < radius**2
def vectorized_app2_simplified(volume, roi, radius):
m,n,r = volume.shape
x,y,z = np.ogrid[0:m,0:n,0:r]-roi
return (x**2+y**2+z**2) < radius**2
计时 -
In [106]: # Setup input arrays
...: volume = np.random.rand(90,110,100) # Half of original input sizes
...: roi = np.random.rand(3)
...: radius = 3.4
...:
In [107]: %timeit _make_mask(volume, roi, radius)
1 loops, best of 3: 41.4 s per loop
In [108]: %timeit vectorized_app1(volume, roi, radius)
10 loops, best of 3: 62.3 ms per loop
In [109]: %timeit vectorized_app1_improved(volume, roi, radius)
10 loops, best of 3: 47 ms per loop
In [110]: %timeit vectorized_app2(volume, roi, radius)
100 loops, best of 3: 4.26 ms per loop
In [139]: %timeit vectorized_app2_simplified(volume, roi, radius)
100 loops, best of 3: 4.36 ms per loop
所以,像往常一样broadcasting
显示其对原始代码几乎 10,000x
疯狂的魔力并超过 10x
比通过使用动态广播操作创建网格更好!
答案 1 :(得分:7)
假设您首先构建一个SELECT ... FOR UPDATE
数组:
xyzy
现在,使用numpy.linalg.norm
,
import itertools
xyz = [np.array(p) for p in itertools.product(range(volume.shape[0]), range(volume.shape[1]), range(volume.shape[2]))]
检查np.linalg.norm(xyz - roi, axis=1) < radius
中每个元组的距离是否小于半径。
最后,只需roi
结果即可获得所需尺寸。