Python SciPy signal.choose_conv_method用法及代碼示例

本文簡要介紹 python 語言中 scipy.signal.choose_conv_method 的用法。

用法:

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

找到最快的卷積/相關方法。

這主要存在於 convolve 和 correlate 中的 method='auto' 選項期間調用。它還可用於確定相同 dtype/shape 的許多不同卷積的 method 的值。此外，它還支持對卷積進行計時，以使method 的值適應一組特定的輸入和/或硬件。

參數 ：：

in1： array_like

第一個參數傳入卷積函數。

in2： array_like

第二個參數傳入卷積函數。

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

指示輸出大小的字符串：

full

輸出是輸入的完全離散線性卷積。 (默認)

valid

輸出僅包含那些不依賴零填充的元素。

same

輸出與 in1 大小相同，以 ‘full’ 輸出為中心。

measure： 布爾型，可選

如果為 True，則使用這兩種方法運行並計算 in1 和 in2 的卷積，並以最快的速度返回。如果為 False(默認)，則使用預先計算的值預測最快的方法。

返回 ：：

method： str

指示哪種卷積方法最快的字符串，‘direct’ 或 ‘fft’

times： 字典，可選

包含每種方法所需時間(以秒為單位)的字典。此值僅在 measure=True 時返回。

注意：

通常，對於隨機選擇的輸入大小，這種方法對於 2D 信號的準確率為 99%，對於 1D 信號的準確率為 85%。為了精確，請使用measure=True 通過對卷積計時來找到最快的方法。這可用於避免稍後找到最快的method 的最小開銷，或使method 的值適應特定的一組輸入。

實驗在 Amazon EC2 r5a.2xlarge 機器上運行以測試此函數。這些實驗測量了使用 method='auto' 所需時間與最快方法(即 ratio = time_auto / min(time_fft, time_direct) )所需時間之間的比率。在這些實驗中，我們發現：

• 對於 1D 信號，該比率有 95% 的可能性小於 1.5，對於 2D 信號有 99% 的可能性小於 2.5。

• 對於 1D/2D 信號，該比率始終小於 2.5/5。

• 對於 method='direct' 需要 1 到 10 毫秒的一維卷積，此函數最不準確。一個很好的代理(至少在我們的實驗中)是 1e6 <= in1.size * in2.size <= 1e7 。

2D 結果幾乎可以肯定推廣到 3D/4D/等，因為實現是相同的(1D 實現是不同的)。

以上所有數字均特定於 EC2 機器。然而，我們確實發現這個函數在硬件上具有相當不錯的通用性。速度測試與在機器上執行的相同測試(具有 16GB RAM 和 2.5GHz Intel i7 處理器的 2014 年中期 15 英寸 MacBook Pro)具有相似的質量(甚至稍好一些)。

有些情況下scipy.signal.fftconvolve支持輸入，但此函數返回直接的(例如，防止浮點整數精度)。

例子：

估計給定輸入的最快方法：

>>> 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'

然後可以將其應用於具有相同 dtype 和形狀的其他數組：

>>> 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)

此函數的輸出 (method) 與 correlate 和 convolve 一起使用。