Question

我对3D阵列数据有回归问题。数组的大小为（350、350、50），我需要对每个像素进行回归处理；例如，对每个（1、1、50）数组进行回归，然后以350 x 350的重复次数进行重复。

我使用Numpy编写了代码，并且该代码正在每个过程中运行。

row, col, depth = image_sequence.shape 

for i in range(0, row):
    for j in range(0, col):
        Ytrain = image_sequence[i, j, :]
        new_stack[i,j,:] = regression_process(Ytrain)

'row'是350
“ col”是350

根据我的推断，每个序列的计算时间为5秒。这意味着应将其计算为350x350序列，因此大约需要7天才能完成。

我想知道如何优化此过程并尽早完成。

我认为这与某些并行处理有关，但我不习惯。

Answer 1

numpy的方式是对gression_process进行编码，以使其将（n，50）的数组作为输入，其中n为任意数字。我举一个简单的例子，只计算平均值。

def regression_process(image): length = image.shape[1] new_stack = np.sum(image, axis=1) return new_stack / length

new_stack = regression_process(image_sequence.reshape(row*col, depth)) new_stack.reshape(row, col, depth)

如何使用numpy优化3D数组计算？

1 个答案: