Python SciPy signal.choose_conv_method用法及代码示例

本文简要介绍 python 语言中 scipy.signal.choose_conv_method 的用法。

用法:

scipy.signal.choose_conv_method(in1, in2, mode='full', measure=False)#

找到最快的卷积/相关方法。

这主要存在于 convolve 和 correlate 中的 method='auto' 选项期间调用。它还可用于确定相同 dtype/shape 的许多不同卷积的 method 的值。此外，它还支持对卷积进行计时，以使method 的值适应一组特定的输入和/或硬件。

参数 ：：

in1： array_like

第一个参数传入卷积函数。

in2： array_like

第二个参数传入卷积函数。

mode： str {‘full’, ‘valid’, ‘same’}，可选

指示输出大小的字符串：

full

输出是输入的完全离散线性卷积。 (默认)

valid

输出仅包含那些不依赖零填充的元素。

same

输出与 in1 大小相同，以 ‘full’ 输出为中心。

measure： 布尔型，可选

如果为 True，则使用这两种方法运行并计算 in1 和 in2 的卷积，并以最快的速度返回。如果为 False(默认)，则使用预先计算的值预测最快的方法。

返回 ：：

method： str

指示哪种卷积方法最快的字符串，‘direct’ 或 ‘fft’

times： 字典，可选

包含每种方法所需时间(以秒为单位)的字典。此值仅在 measure=True 时返回。

注意：

通常，对于随机选择的输入大小，这种方法对于 2D 信号的准确率为 99%，对于 1D 信号的准确率为 85%。为了精确，请使用measure=True 通过对卷积计时来找到最快的方法。这可用于避免稍后找到最快的method 的最小开销，或使method 的值适应特定的一组输入。

实验在 Amazon EC2 r5a.2xlarge 机器上运行以测试此函数。这些实验测量了使用 method='auto' 所需时间与最快方法(即 ratio = time_auto / min(time_fft, time_direct) )所需时间之间的比率。在这些实验中，我们发现：

• 对于 1D 信号，该比率有 95% 的可能性小于 1.5，对于 2D 信号有 99% 的可能性小于 2.5。

• 对于 1D/2D 信号，该比率始终小于 2.5/5。

• 对于 method='direct' 需要 1 到 10 毫秒的一维卷积，此函数最不准确。一个很好的代理(至少在我们的实验中)是 1e6 <= in1.size * in2.size <= 1e7 。

2D 结果几乎可以肯定推广到 3D/4D/等，因为实现是相同的(1D 实现是不同的)。

以上所有数字均特定于 EC2 机器。然而，我们确实发现这个函数在硬件上具有相当不错的通用性。速度测试与在机器上执行的相同测试(具有 16GB RAM 和 2.5GHz Intel i7 处理器的 2014 年中期 15 英寸 MacBook Pro)具有相似的质量(甚至稍好一些)。

有些情况下scipy.signal.fftconvolve支持输入，但此函数返回直接的(例如，防止浮点整数精度)。

例子：

估计给定输入的最快方法：

>>> import numpy as np
>>> from scipy import signal
>>> rng = np.random.default_rng()
>>> img = rng.random((32, 32))
>>> filter = rng.random((8, 8))
>>> method = signal.choose_conv_method(img, filter, mode='same')
>>> method
'fft'

然后可以将其应用于具有相同 dtype 和形状的其他数组：

>>> img2 = rng.random((32, 32))
>>> filter2 = rng.random((8, 8))
>>> corr2 = signal.correlate(img2, filter2, mode='same', method=method)
>>> conv2 = signal.convolve(img2, filter2, mode='same', method=method)

此函数的输出 (method) 与 correlate 和 convolve 一起使用。