我想在矩阵X
上定义一些函数。例如mean(pow(X - X0, 2))
,其中X0
是另一个矩阵(X0
是固定/常量)。为了使其更具体,我们假设X
和X0
都是10 x 10
矩阵。操作的结果是一个实数。
现在我有一个大矩阵(让我们说500 x 500
)。我想将上面定义的操作应用于" big"的所有10 x 10
子矩阵。矩阵。换句话说,我想将10 x 10
窗口滑过" big"矩阵。对于窗口的每个位置,我应该得到一个实数。所以,作为最终结果,我需要得到一个实值矩阵(或2D张量)(它的形状应该是491 x 491
)。
我想要的是接近卷积层但不完全相同,因为我想使用均方偏差而不是神经元代表的线性函数。
答案 0 :(得分:2)
这只是一个Numpy解决方案,希望它足够了。 我假设你的函数是由对矩阵元素和平均值(即缩放的和)的运算组成的。因此,在
中查看Y
就足够了
Y = np.power(X-X0, 2)
所以我们只需要处理确定窗口均值。请注意,对于1D情况,可以确定具有适当向量1的矩阵乘积来计算平均值,例如
h = np.array([0, 1, 1, 0]) # same dimension as y
m1 = np.dot(h, y) / 2
m2 = (y[1] + y[2]) / 2
print(m1 == m2) # True
2D情况类似,但有两个矩阵乘法,一个用于行,一个用于列。 E.g。
m_2 = np.dot(np.dot(h, Y), h) / 2**2
要构建滑动窗口,我们需要构建一个移位窗口矩阵,例如
H = [[1, 1, 1, 0, 0, ..., 0],
[0, 1, 1, 1, 0, ..., 0],
.
.
.
[0, ..., 0, 0, 1, 1, 1]]
计算所有总和
S = np.dot(np.dot(H, Y), H.T)
具有(n, n)
窗口的(m, m)
矩阵的完整示例将是
import numpy as np
n, m = 500, 10
X0 = np.ones((n, n))
X = np.random.rand(n, n)
Y = np.power(X-X0, 2)
h = np.concatenate((np.ones(m), np.zeros(n-m))) # window at position 0
H = np.vstack((np.roll(h, k) for k in range(n+1-m))) # slide the window
M = np.dot(np.dot(H,Y), H.T) / m**2 # calculate the mean
print(M.shape) # (491, 491)
构建H
的替代但可能效率稍低的方法是
H = np.sum(np.diag(np.ones(n-k), k)[:-m+1, :] for k in range(m))
<强>更新强>
使用该方法也可以计算均方偏差。为此,我们将向量标识|x-x0|^2 = (x-x0).T (x-x0) = x.T x - 2 x0.T x + x0.T x0
(空格表示标量或矩阵乘法以及.T
转置向量)推广到矩阵情形:
我们假设W
是包含块(m,n)
单位矩阵的(m.m)
矩阵,可以提取(k0,k1)
- (m,m)
子矩阵按Y = W Z W.T
,其中Z
是包含数据的(n,n)
矩阵。计算差异
D = Y - X0 = Y = W Z W.T - X0
很简单,其中X0
和D
是(m,m)
矩阵。元素平方和的平方根称为Frobenius norm。基于那些identities,我们可以将平方和写为
s = sum_{i,j} D_{i,j}^2 = trace(D.T D) = trace((W Z W.T - X0).T (H Z H.T - X0))
= trace(W Z.T W.T W Z W.T) - 2 trace(X0.T W Z W.T) + trace(X0.T X0)
=: Y0 + Y1 + Y2
术语Y0
可以从上面的方法解释为H Z H.T
。术语Y1
可以解释为Z
和{{1}上的加权平均值是一个常数,只需要确定一次。
因此,可能的实现方式是:
Y2